Gemini Omni Flashのご紹介：会話で編集できるGoogleの新しい動画モデル

Gemini Omni Flashとは？

一言で言えば、Gemini Omni Flashはテキスト、画像、音声、動画を入力として受け取り、同期した音声付きの高解像度動画を出力します — さらに、その動画を会話のキャッチボールを通じて編集できます。

最後の部分こそが最大の売りなので、デモ映像とは切り分けて考える価値があります。VeoやSoraのようなモデルは、1つのプロンプトから1本の優れたクリップをレンダリングするように作られています。一方、Omni Flashは、最初のクリップは下書きだという前提で設計されています。Googleの説明では、このモデルは単にピクセルを描くのではなく、「次に何が起こるべきかを推論」します。Geminiが持つ世界知識と、「重力、運動エネルギー、流体力学のような力に対する直感的な理解」を活用して、シーンがどう続くべきかを判断するのです。これらはGoogleの主張として受け止めてください。モデルカードではベンチマークが近日公開とされており、推論能力についてはまだ誰も評価していないからです。

仕組みより先に、存在する理由

Omni Flashが狙う問題は、「もっと美しい動画を生成すること」ではありません。編集にかかるコストです。一発生成モデルでは、変更するたびに新たなレンダリングが必要になります。クリップの90%がうまくいっていても、ジェスチャーを1つだけ変えたいと思えば、全体をもう一度生成し、良かった90%が残ることを願うしかありません。遅く、高価で、再現性もありません。

Omni Flashの答えは、状態を保持するマルチターンのループです。生成して確認した後、「背景を夕焼けにして」や「彼女を振り返らせて」と伝えると、モデルはシーンを作り直すのではなく、前のシーンを引き継ぎます。Googleは、各ターンでprevious_interaction_idを渡すことで、開発者がこれを利用できるようにしています。これにより編集が連鎖します。Geminiアプリ内では、この会話型の操作画面こそが、VeoやSoraには提供されていない機能です。

覚えておきたい一文：Omni Flashは「より優れた生成器」というより、「編集レイヤー」に近い存在です — ベースとなるクリップがすでにあるときにこそ面白さを発揮します。

実際に公開されている数値から分かること

GoogleのモデルカードとAPIドキュメントで確認できる内容を、重要な具体事項に絞って紹介します：

• 入力：テキスト、画像、音声、動画。リリース時点で音声入力は音声リファレンスに限定されており、その他の音声タイプは今後追加予定です。
• 出力：同じ処理で生成されたネイティブ音声付きの高解像度動画。後から音声をつなぎ合わせる方式ではなく、映像と音声が同期しています。
• クリップの長さ：リリース時点ではおよそ10秒。Googleはこの上限をモデルの厳格な制限ではなく、デプロイ上の選択だと説明しており、より長い動画にも対応予定としています。したがって、10秒は「現在の仕様」であって「永続的な上限」ではないと考えてください。
• アスペクト比：9:16および16:9（デフォルトは16:9）。
• 一貫性：カットや編集をまたいでキャラクター、オブジェクト、スタイルの同一性を維持し、画面上のテキストやグラフィックを動きと同期させることを意図しています。
• 出所情報：すべてのクリップには目に見えないSynthIDウォーターマークが付与され、C2PAコンテンツ認証情報もデフォルトで付加されます。オプトアウトはできません。

Googleが明言を避けている唯一の仕様は解像度です。モデルカードにはピクセル数の記載がなく、「高解像度」とだけ書かれています。また、エンタープライズAPIでの高解像度対応は「近日利用可能」とされています。パイプラインで正確な解像度が重要なら、これは推測で補うべき数字ではなく、注視すべき空白です。

料金

Gemini Omni Flashの料金は、動画出力1秒あたり0.10ドルです。Googleが公開した確実な数値はこれだけで、分かりやすい料金体系です。10秒のクリップなら約1ドルで、推測なしにバッチ処理の費用を見積もれます。

ただし、開発者がすぐに気づいた問題は、この料金が編集中にどう適用されるかです。モデルのProduct Huntページに寄せられたあるコメントでは、20秒のクリップを生成してから「2つ目のショットを遅くして」と指示した場合、毎回クリップ全体に再課金されるのか、それとも前回のレンダリングとの差分だけが課金されるのかが問われています。Googleはこの点をまだ公に明らかにしていません。会話型モデルでは、まさにこの部分でコストが静かに膨らむ可能性があります。私の見解では、Googleが別の説明を出すまでは、編集1ターンごとに新規レンダリングとして予算を組むべきです。

参考までに、この0.10ドル/秒という料金は、Veo 3.1 Fastと同じだと報じられています。Google自身のチームも比較対象として挙げていますが、公開された横並び比較ではなく、報道情報として扱うのがよいでしょう。

使い方：GPT Proto経由で実行する実際の画像から動画への呼び出し

GPT ProtoではGemini Omni Flashを追加しており、カタログ内の他のモデルと同じキーと請求方法で呼び出せます。現在、順次アクセスを展開中です。GPT ProtoはGoogleのVertex形式のリクエストフォーマットに従うため、画像から動画への生成は1回のPOSTで行い、その後返されたオペレーションをポーリングして結果をダウンロードします。以下がPythonの完全な流れです（GPT Protoダッシュボードから自分のキーを指定してください）：

import requests, json, base64, time

BASE = "https://gptproto.com/v1beta/models/gemini-omni-flash-preview:predictLongRunning"
HEADERS = {"x-goog-api-key": "GPTPROTO_API_KEY", "Content-Type": "application/json"}

# 1) Turn a still image into a moving clip
with open("frame.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode()

payload = {
    "instances": [{
        "prompt": "The subject slowly turns to face the camera as warm sunset light fills the room.",
        "image": {"mimeType": "image/png", "bytesBase64Encoded": image_b64}
    }],
    "parameters": {"aspectRatio": "9:16"}
}
op = requests.post(BASE, headers=HEADERS, data=json.dumps(payload)).json()
operation_name = op["name"]        # e.g. models/gemini-omni-flash-preview/operations/abc123

# 2) Poll until the render is done
POLL = f"https://api.gptproto.com/v1beta/{operation_name}"
while True:
    result = requests.get(POLL, headers=HEADERS).json()
    if result.get("done"):
        break
    time.sleep(10)

# 3) Download the finished video
uri = result["response"]["generateVideoResponse"]["generatedSamples"][0]["video"]["uri"]
video = requests.get(uri, headers=HEADERS)
open("output.mp4", "wb").write(video.content)
print("Saved output.mp4")

同じ最初の手順をcURLで行う場合：

curl --location 'https://gptproto.com/v1beta/models/gemini-omni-flash-preview:predictLongRunning' \
  --header 'x-goog-api-key: GPTPROTO_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "instances": [{
      "prompt": "The subject slowly turns to face the camera as warm sunset light fills the room.",
      "image": {"mimeType": "image/png", "bytesBase64Encoded": "BASE64_ENCODED_IMAGE"}
    }],
    "parameters": {"aspectRatio": "9:16"}
  }'

ドキュメントから分かる実用的な注意点をいくつか挙げます。動画生成は長時間実行オペレーションなので、ポーリングは省略できません。生成ファイルは数日間保持されるため、早めにダウンロードしてください。エラーは標準HTTPコードに従い、無効なキーは401、残高不足または権限不足は403、レート制限は429です。

簡単なプロンプトガイド

Omni Flashは意図的に調整項目を少なくしており、APIはネガティブプロンプト、temperature、top-p、システム指示に対応していません。そのため、操縦方法も変わります：

制御はパラメーターではなく、プロンプトに組み込みます。設定に頼るのではなく、「ビー玉が速く転がる、連続した滑らかなショット」のように動きや物理法則を明確に記述してください。すべての要件を1つの巨大なプロンプトに詰め込まないことも重要です。まずしっかりしたベースクリップを生成し、その後、会話で狙いを絞った変更を加えます。これが、このモデルが実際に想定しているワークフローです。キャラクターの継続性を保つには、顔を言葉で説明するよりも、参照画像を入力してください。そして期待値を適切に保ちましょう。Google自身のカードでも、複雑な動き、正確なテキスト、編集をまたいだ完全な一貫性は依然として弱点だと認めています。この3つすべてに同時に依存するプロンプトほど、期待外れになりやすいのです。

率直な評価：優れている点と不安定な点

ここで本当に新しいのは、会話型の編集ループです。クリップとチャットしながら反復する方が、プロンプトを毎回書き直すより明らかに速く、VeoやSoraにはない操作方法です。これが、このモデルを選ぶ理由になります。

しかし初期の反応は、過剰に持ち上げるものではなく、慎重なものでした。率直に伝える価値があります。コミュニティで繰り返し聞かれる評価は、Omni Flashは優れたエディターである一方、純粋な生成器としてはまずまず、というものです。複数の実際のテスターが、すでに良いクリップを作り変える場面では力を発揮するものの、ゼロからオリジナルを生成する場合の説得力は劣ると述べており、物理法則、動き、時間的な一貫性が弱点として挙げられています。これはGoogle自身の説明とも一致します。さらに厳しい制限もあります。APIでは、3秒までの動画リファレンスは「スキーマ上は受け付けられるものの、正しく処理されない」とされ、複数動画の参照には対応していません。また、音声・発話の編集は、ディープフェイクのリスクを理由に、リリース時点では意図的に提供されていません。つまりこれは、試してみる価値のあるプロトタイプであって、検証なしに本番へ組み込むべきものではありません。

ビジネス面での反応はより好意的でした。ローンチ時には、初期の本番採用企業としてFigmaやWPPなどの名前が報じられており、1秒あたりの料金計算がすでに実際のクリエイティブワークフローの基準を満たしていることを示唆しています。ただし、これは出力品質ではなく、料金設定に関するシグナルとして重視すべきでしょう。

Gemini Omni FlashとVeo 3.1、どちらを使うべきか？

多くの検索ユーザーが本当に知りたいのはこの点です。Googleを含む大方の見解では、両者は置き換え関係ではなく、補完関係にあります。Geminiアプリ内ではVeoがOmniに置き換えられたにすぎず、開発者は今でも高忠実度の用途でAPIからVeo 3.1を直接呼び出しています。

実用上のルール：解像度とクリーンな映画品質の出力を最優先するならVeo 3.1 を選び、会話でクリップを変更、微調整、リミックスすることを重視するならOmni Flashを選びましょう。実際の多くのパイプラインでは、答えは両方です。より高精度な生成器でベースを作り、その後Omni Flashに渡して編集ループを回します。

どのような人向けか、誰は待つべきか

作業の中心が編集なら、Omni Flashを試す価値があります。VFXのような調整、アバターや参照画像ベースの変換、あるいは1本のクリップを何度も反復編集する用途です。一方、現時点で確実な高解像度が必要な場合、約10秒を超える単一クリップが必要な場合、信頼性の高い動画リファレンス入力が必要な場合、または音声・発話編集が必要な場合は待ちましょう。これらは仕様が未定義、上限付き、またはリリース時点で無効化されています。

使ってみる準備はできましたか？キーを取得し、GPT Protoで公開中のカタログを確認してください。Gemini Omni Flashへのアクセスは現在順次展開中です。