5月2026日、Googleは動画の作成と編集のためのモデルの更新版であるGemini Omni 1.2 Flashのロールアウトを開始した。同社の公式ブログとCloud Blogは、このモデルがGemini API、Gemini for Business、および一連のコンシューマー向け製品を通じて利用可能になったことを確認している。
主な変更点は、クリップの長さをバージョン1.1の10秒から15秒へと延長したこと、価格を30％引き下げて720p解像度の動画1秒あたり0,07ドルとしたこと、そして多段階の対話型編集を導入したことである。ユーザーは動画全体を作り直すことなく、細部を順を追って調整できる。
conversational editingの仕組みにより、1つのクリップの範囲内で背景、照明、物体、あるいはアングルを変更できる。これは、変更のたびにゼロからの再生成が必要だった従来のアプローチとは根本的に異なる。このモデルは、画像、短い動画、音声といったリファレンスを使用する際に、キャラクター、物体、ブランド要素のconsistencyをよりよく保つ。
Googleの方法論はワークフローを重視している。すなわち、低解像度での下書き、対話による修正、そして1080pまたは4Kへのアップスケールである。この方式はコストを抑え、イテレーションを加速させるため、広告動画、バーチャル試着、解説動画の大量制作にとって重要である。しかし、公式資料には競合他社との比較に関する詳細なベンチマークや、第三者による独立した評価は存在しない。
動画生成の状況において、これは初期のSoraやLuma Dream Machineのような単一ステップのモデルから離れる方向への一歩である。GoogleはGeminiエコシステムとの統合とconversational controlに賭けており、それによって生成が従来の編集プロセスに近づいている。Omni 1.1と比較すると、リファレンスへのadherenceとリップシンクを伴う音声の自然さにおいて進歩が見られる。
開発者や企業にとって、価格の引き下げと3秒から15秒までの長さを正確に制御できることは、新たなシナリオを切り開く。以前は10秒という上限が複雑なナラティブを制限していたが、今では本格的な広告スポットやproduct explainersを、その後の修正を伴う1回のパスで作成できる。
より長い連続したシーケンスにおける長期的なconsistencyや、多数の動く物体を含む複雑なシーンへの汎化については、未解決の課題として残っている。独立したテストはまだ公開されておらず、実際のプロダクションにおける性能は具体的なユースケースに依存するだろう。
このアップデートは、Googleが生成の品質だけでなく、ワークフローへの実用的な統合にも焦点を当てており、動画AIを日常的に使うツールへと近づけていることを示している。
