Gemini Omni 1.2 Flash 運営中

Gemini Omni 1.2 FlashはGoogle DeepMindが開発した動画生成モデルで、全面的に正式商用化されています。Gemini Omni 1.2 Flashは1回で15秒の動画を生成でき、秒単位の長さ指定、対話形式の複数ラウンド編集、参照画像によるキャラクターの一貫性維持に対応しています。720pは1秒あたり0.07ドルで、前世代より30%値下げされています。現在はGemini API、Vids、Gemini App、Google Adsに統合され、EC素材や広告動画の大量制作を主な用途としています。

15秒のネイティブ生成：1回で最長15秒の動画を生成でき、長さは3秒から15秒まで1秒単位で指定できます。
対話形式の複数ラウンド編集：同じ動画に対して、ラウンドごとに背景の変更、照明の調整、画面比率の変更ができ、再生成は不要です。
マルチモーダル参照への忠実な対応：キャラクター画像、商品画像、動作クリップ、音声情報を組み合わせ、ショットをまたいで顔、衣装、パッケージのフォント、ブランドカラーを一貫して維持します。
始端・終端フレーム補間：最初と最後の画面の間に連続したショットを自動生成し、物体や環境のフレーム間のずれを抑えます。
ネイティブ同期音声：セリフと口の動きの精度が向上し、複数キャラクターのシーンでは異なるサンプリング音声を対応する人物に割り当てられます。
映画的なカメラワーク：FPVの通過撮影、周回、急速な引きなど複雑なカメラワークでの不自然なカットが大幅に減少します。
段階的なコスト削減ワークフロー：まず360p/720pで下書きを作成し、不満な部分だけを修正してから1080pまたは4Kにアップスケールします。
エンタープライズ向け機能：出力にはSynthIDの不可視ウォーターマークが付与され、Provisioned Throughputによる予約済みスループットにも対応します。

参照条件の注入と時空間アテンション：参照画像、動作クリップ、音声情報を条件情報としてエンコードし、テキストプロンプトとともに生成を制約します。空間アテンションは各フレームの構図やディテールを、時間アテンションはフレーム間のアイデンティティと動きの連続性を担い、複数ショット間でキャラクターがぶれない仕組みの基盤となります。
対話形式編集における状態保持：各ラウンドの編集指示を新しいコンテキストとして同じ生成セッションに入力し、既存動画の条件を維持したまま指定された要素だけを再構築します。それ以外の演技、光影、構図を保持する、条件付き再生成として編集をモデル化しています。
音声と映像の同一パス生成：音声は映像と別々に生成されるのではなく、モデルが映像内容に基づいてセリフ、効果音、環境音を推論します。1.2では複数話者条件が追加され、サンプリング音声を対応するキャラクターに割り当て、口の動きの同期を実現します。
エンジニアリングによるコスト削減：低解像度の下書きと4Kへのアップスケールで同じモデルの異なる出力品質を共有し、秒単位のトークン課金と組み合わせることで、コストと画質を切り離します。

入口を選ぶ：開発者はGoogle AI Studioでコード不要の試用を開始し、企業ユーザーはGoogle Cloud Consoleを利用します。一般ユーザーはFlow、Vids、Gemini Appを使用します。
権限を有効化：APIとAI Studioの利用には有料アカウントの紐付けが必要です。Gemini Appでの15秒生成は現在、AI Ultraの購読者に限定されています。
プロンプトを作成：画面の内容を入力し、一貫性を維持したい場合は参照画像と最長3秒の動作または音声クリップをアップロードします。
長さと仕様を設定：3秒から15秒まで1秒単位で長さを指定し、コストを抑えるために360pまたは720pの解像度から始めます。
生成して確認：まず低解像度の下書きを確認します。出力にはデフォルトでSynthIDウォーターマークが付与されます。
対話形式で修正：自然言語で背景、照明、天候、画面比率などを段階的に調整でき、動画全体を作り直す必要はありません。
アップスケールして書き出し：問題がないことを確認したら1080pまたは4Kに引き上げ、最終出力の解像度と秒数に基づいて課金されます。
統合して運用：開発者はGemini APIを通じて独自のワークフローに組み込めます。

十分な長さ：1回で15秒の動画をネイティブ生成でき、秒単位で指定できるため、ソーシャル広告や商品説明動画1本分の規模に対応します。
低コスト：720pは1秒あたり0.07ドルで、前世代より30%安くなっています。低解像度の下書きと必要箇所だけを修正するワークフローにより、制作費をさらに抑えられます。
効率的な編集：対話形式の複数ラウンド編集は15秒全体に対応し、背景、照明、画面比率を変更しても動画全体を作り直す必要がありません。
高い一貫性：参照画像、動作クリップ、音声情報を組み合わせて制約し、ショットをまたいで顔、衣装、パッケージのフォントがぶれません。
映画的なカメラワーク：FPVの通過撮影、周回、急速な引きなど複雑なカメラワークでの不自然なカットが大幅に減り、完成映像がよりプロフェッショナルな質感に近づきます。
音声と映像の同期：音声を映像と同一パスで生成し、複数キャラクターのシーンでは適切な音声を自動的に割り当てて口の動きを同期させます。

プロジェクト公式サイト：https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/

EC素材の大量制作：同じ商品の参照画像を使い、背景、照明、画面比率を対話形式で変更した15秒動画を複数パターン作成し、異なる広告掲載枠に直接適用できます。
広告バリエーションの配信：1本のマスター動画からオーディエンスやチャネルごとのバージョンを大量に派生させ、複数ラウンド編集で再生成を置き換えることで、A/Bテストのコストを大幅に削減できます。
バーチャル試着と商品デモ：参照画像でモデルのアイデンティティと衣服のディテールを固定し、360度の回転やコーディネートのシーケンスを生成します。Wheringはすでにリアルタイム試着機能に導入しています。
ソーシャル動画の制作：一般のGoogleアカウントでもVidsで15秒の動画を無料生成でき、個人クリエイターは料金を払わず低コストで動画を制作できます。
映像制作のプリビズとVFXラフ編集：低解像度の下書きで複雑なカメラワークやショットの表現を確認し、納得したら4Kにアップスケールして納品できます。Monksはすでにこのモデルをビジュアルエフェクトのパイプラインに組み込んでいます。