GoogleのAI研究部門Google DeepMindは、I/O 2026開発者向けカンファレンスにて、新マルチモーダルモデルファミリー「Gemini Omni」の第一弾「Gemini Omni Flash」を正式ローンチした。テキスト・画像・音声・動画の任意の組み合わせを入力として最大10秒の動画を生成・編集できる。

Gemini Omni Flashとは

Gemini Omni Flashは、Google DeepMindが開発した動画生成に特化したマルチモーダルAIモデルだ。Omniファミリーのコンセプトは「入力のあらゆる組み合わせを受け付け、Geminiの実世界知識に基づいた高品質な動画を出力する」というもの。Google DeepMindのCTO兼Google Chief AI ArchitectであるKoray Kavukcuoglu氏が自社ブログでこの位置づけを明確にした。

主な特徴

マルチモーダル入力の自由な組み合わせ

テキスト・画像・音声・動画を単一プロンプト内で混在させて指示できる。既存の動画にテキストで追加指示を与えたり、音声サンプルを組み合わせてシーンを構成したりといった柔軟な活用が可能だ。

会話形式の編集（マルチターン）

編集指示はターンをまたいで積み重なる設計で、キャラクターの同一性や物理演算の一貫性が保たれる。従来の動画生成AIが抱えていた「複数回の指示でシーンが崩れる」問題への解答として位置づけられており、クレイアニメ風のタンパク質折り畳み解説や連鎖反応の物理トラックなどのデモが公開されている。

デジタルアバター生成

自分の声と顔を録音・録画してアバターを作成する機能も搭載。数字を読み上げるなどのオンボーディングを経ることで、自分そっくりのアバター動画を生成できる。

現時点での制限と安全策

ローンチ時点での動画長は最大10秒。これはモデルの制約ではなくデプロイ上の判断とされており、将来的な延長が示唆されている。参考として、OpenAIのSoraは最大60秒の動画を生成可能だ。

音声・スピーチ編集機能は意図的に留保されている。Kavukcuoglu氏は「責任ある形での提供方法をまだ検討中」と述べており、同意なき音声生成（いわゆるディープフェイク的な利用）への懸念から慎重な姿勢を取っている。

生成された全動画にはGoogle独自の透かし技術「SynthID」が自動付与される。この透かしはGeminiアプリ、Chrome、Google Searchから検証可能だ。SynthIDはOpenAIが採用したC2PA標準とも連動しており、AIコンテンツの出所管理インフラとして業界標準になりつつある。

利用可能なサービスと対象ユーザー

発表当日からロールアウトが開始されており、次の環境で利用できる：

  • Geminiアプリ・Google Flow：Google AI Plus・Pro・Ultraサブスクライバー向け
  • YouTubeショート・YouTube Create：無料で利用可能
  • API・エンタープライズ向け：今後数週間以内に提供予定

YouTubeという巨大なプラットフォームへの無料展開は、動画クリエイターとの接点を一気に広げる戦略的な判断と言える。

実務への影響

コンテンツ制作現場

YouTubeショートのクリエイターは追加コストなしでAI動画生成を活用できる。短尺コンテンツの企画段階でラフな動画プロトタイプを素早く確認する用途では実用的だ。ただし、10秒という上限はマーケティング動画や本番制作物への直接利用にはまだ足りない段階であることは念頭に置いておきたい。

企業・教育向け活用

会話形式の編集とアバター機能を組み合わせれば、社内研修動画やマニュアル動画の低コスト制作が現実的な射程に入る。「テキスト原稿さえあれば自分のアバターが説明してくれる」ユースケースは、動画制作リソースが限られた中小企業や教育機関にとって魅力的な選択肢になり得る。

APIを使う開発者向け

数週間以内に提供されるAPIを使えば、動画生成機能を自社プロダクトに組み込める。マルチモーダル入力対応なので、既存のGemini APIとの統合がしやすい点は開発効率の面でメリットになる。ただし、クリップ単価やコンピュート使用量のコスト構造はまだ開示されていないため、本番採用の判断はAPIアクセス後に実測してから行うのが堅実だ。

筆者の見解

Googleの視覚・映像ドメインにおける技術力は一貫して高い水準にある。Gemini Omni Flashが示す「会話形式で動画を育てていく」インタラクションモデルは、従来の「プロンプト1発→動画1本」という単発生成から一歩進んだアプローチで、動画制作の民主化という文脈においては意義深い。

安全面での判断も評価できる。音声編集機能を意図的に留保する決断は、ディープフェイクリスクに対して責任ある姿勢を示しており、SynthIDによる出所管理の標準化を含めて「速く出す」だけでなく「安全に出す」設計思想が見える。

実務利用の観点では、10秒という上限がまだネックになる場面は多い。加えて、Googleのマルチモーダル製品はコンシューマー向けの印象が強く、エンタープライズでの本格活用には使い勝手とSLAの実績が積み上がるまで様子見が無難だろう。YouTubeエコシステムとの統合は他社にはない独自の強みであり、そこをうまく活かしてクリエイターとの信頼関係を積み上げていけるかどうかが普及の鍵になる。

出典: この記事は Google launches Gemini Omni Flash, a conversational video-generation model with avatar mode held back の内容をもとに、筆者の見解を加えて独自に執筆したものです。