この記事のポイント

  • Gemini Omni 1.2 FlashがGemini APIおよびGemini for businessで一般利用可能（GA）に
  • 最大15秒間のネイティブ動画生成・編集に対応し、3秒から15秒まで1秒単位での指定が可能
  • Gemini Omni 1.1から価格が30%値下げされ、720p動画で1秒あたり0.07ドルに設定
  • マルチターン対話型編集機能により、同じ動画クリップに対して段階的な修正や変更が可能

Gemini Omni 1.2 Flashの登場と提供形態

Google DeepMindは、「Gemini Omni 1.2 Flash」の一般利用を開始しました。本モデルはGemini APIおよびGemini for businessで利用可能です。

Gemini Omni 1.1と比較して価格が30%引き下げられ、720p動画において1秒あたり0.07ドルで提供されています。ワークフローとしては、360pや720pで迅速にドラフトを作成し、追加入力で詳細を補正した上で、1080pや4Kにアップスケールする手法が利用できます。

動画生成時間の拡張と柔軟性

従来モデル（Omni 1.1）では最大10秒だったネイティブ動画の生成・編集機能が、Gemini Omni 1.2 Flashでは最大15秒まで拡大しました。動画の長さは3秒から15秒の範囲で、1秒単位での指定が可能です。

これにより、プロモーション広告、商品説明動画、短編ストーリーなどのコンテンツを単一の生成で作成できるようになります。

参照データの再現性と一貫性の向上

生成時には、キャラクター、製品、スタイルの画像に加え、最大3秒間の短尺モーションクリップや音声キューを組み合わせて指示を与えることができます。顔の造形、衣類、パッケージのタイポグラフィ、ブランドカラーなどがカメラワークの変更後も一貫して保持されます。

また、最初のフレームから最後のフレームまでのキャラクター、オブジェクト、背景の一貫性が向上しており、動きやカメラの切り替えにおける視覚的なズレやモーフィング（変形）が減少しています。キーフレーム間の補間やクリップの延長時においても、製品や小道具、環境のディテールが維持されます。

マルチターン対話型編集機能

生成済みの動画に対して、会話形式でターンごとに指示を追加し、修正を加えることが可能です。最初から動画を作り直すことなく、製品や背景の変更、照明や天候の調整、アスペクト比の切り替えが行えます。このマルチターン編集は15秒間のクリップ全体に対して適用できます。

さらに、自然な対話、リップシンクの精度向上、複数話者の条件付けにも対応しており、Flowでのマルチキャラクター対話や、Gemini for businessでの解説動画作成、Google Vidsでのアバターや音声を用いた動画制作などに活用できます。

詳細な仕様や発表内容については、Google DeepMindの公式ブログ記事をご参照ください。

参考資料