Google の Gemini Omni が画像・音声・テキストから動画を生成、その先も続く

Google が 3 年前に [Gemini](https://blog.google/innovation-and-ai/technology/ai/google-gemini-ai/#performance) を発表した際、その目的はテキスト、画像、音声、動画のいずれにも対応し、これらの形式でコンテンツを生成できる単一のニューラルネットワークである多モーダル大規模言語モデル（multimodal large language model）を構築することでした。 本日、Google I/O 開発者カンファレンスにおいて、同社は Google CEO のサンダール・ピチャイ氏が「あらゆる入力から何でも作成できる」と述べる新しい多モーダルモデル群である Gemini Omni を発表し、その目標に向けた具体的な一歩を踏み出しました。 Omni はまず動画機能から始まります。ユーザーは現在、画像、音声、動画、テキストを組み合わせて利用できますが、単に入力をつなぎ合わせるのではなく、Omni はこれらすべての要素にわたって推論を行い、一貫性のある出力を生み出します。その結果得られるのは、物理法則、文化、歴史、科学への理解を反映した高品質な動画です。 また、Omni を利用すれば、複雑な編集ソフトウェアではなく、平易なテキストコマンドだけで写真を編集することも可能になります。これは [Google の Nano Banana](https://techcrunch.com/2026/02/26/google-launches-nano-banana-2-model-with-faster-image-generation/) と同様の機能です。 Google はすでに、テキストや画像から動画を生成し、アバターを直接指示してカスタマイズできる専用動画モデル「Veo」を持っています。しかし、Google DeepMind の製品管理ディレクターであるニコル・ブリチョヴァ氏は、今回のリリースは単なる Veo のアップデート以上のものだと述べています。「これは、Gemini の知能と、当社のメディアモデルのレンダリング能力を組み合わせる進化における次のステップです」。 DeepMind の首席技術者であるコレイ・カヴクチュオグル氏が月曜日のメディアブリーフィングで記者らに示した具体例があります。Omni に「タンパク質折りたたみを説明するクレイアニメーション」といった単純なプロンプトを与えたところ、瞬時にストップモーション形式の説明動画がレンダリングされ、音声ナレーションでは「タンパク質はアミノ酸の鎖として始まり、アルファヘリックスやベータシートと呼ばれる平面部などの特徴的なパターンに折りたたまれ、完璧な三次元形状を形成します」という内容が流れました。 Omni の長期的なビジョンはより広範で、音声から画像を生成したり、動画から音声を抽出したりといった用途にもモデルを活用する構想を含んでいます。 「Gemini を最初に発表した際、それはネイティブにマルチモーダルな最初の AI モデルでした」とピカイ氏はブリーフィング中に述べた。「テキスト、コード、音声、画像、そして動画の組み合わせでトレーニングすることで、世界に対するより深い理解が得られると考えていました。ワールドモデルにおいて、AI はテキストを予測する段階から現実をシミュレートする段階へと移行しています。Gemini Omni はその方向性における次のステップです。」 今回のリリースの一環として、ユーザーは自身のデジタルアバターを用いて動画を作成できるようになります。これは OpenAI が現在廃止された Sora アプリで「Cameos」という機能を通じて普及させたものです。ディープフェイクを防ぐため、ユーザーはブリチトヴァ氏によると、自身を録画し一連の数字を読み上げるという専用の製品オンボーディングプロセスを経る必要があります。アバターはその後、将来的な利用のために保存されます。 さらに、Omni を使用して作成されたすべての動画には、Google の SynthID デジタル透かしが埋め込まれます。これにより、ユーザーがその動画が Gemini 製品を通じて生成されたものかどうかを検証することが可能になります。 このファミリーの最初のモデルは「Gemini Omni Flash」で、本日より Gemini アプリ、YouTube Shorts、AI クリエイティブスタジオ Flow に順次展開されます。Flash は 10 秒間の動画をレンダリングする能力を持ちますが、ブリチトヴァ氏によればこれはモデル自体の制限ではなく、より多くの人々に利用してもらいたいという意図と、現時点では多くのユーザーがそれよりも長い動画を作成したくないと考えているとの見通しに基づいた判断です。ただし、より長い動画時間の対応も近々パイプラインに組み込まれる予定です。 Google は Omni Flash を、より消費者向けのツールとして提案しているようです。DeepMind の研究エンジニアである Gabe Barth-Maron と Brichtova が TechCrunch との電話会議で示したデジタルアバターの使用例はすべて個人的なものでした：賞を受賞する自分や月に行く自分の動画を作成したり、休暇中に撮影した動画の背景から通りすがりの人を削除したりすることです。 Barth-Maron はそれをよりシンプルにこう表現しました。「それらはパーソナライズされたミームのようなものです」。 「確かに、消費者が使いやすいようにすることに重点を置きました」と Brichtova は述べています。「多くの動画モデルは消費者との間のこの断絶を突破していません。これがそのための私たちの取り組みです」。 使いやすさには注意が必要です。Brichtova と Barth-Maron は、編集プロンプトは非常に具体的である必要があると指摘しました。そうでなければ、Omni は過剰に編集したり、ユーザーが維持したい要素を意図せず変更したりするリスクがあります。これは Nano Banana のユーザーが直面した問題と同じです。 ![image](https://techcrunch.com/wp-content/uploads/2026/05/Omni-Flash-ball.gif?w=680)**画像クレジット:** Google 短期的には消費者向けに焦点を当てていますが、Omni の企業および [クリエイティブへの影響](https://techcrunch.com/2026/01/13/googles-update-for-veo-3-1-lets-users-create-vertical-videos-through-reference-images/) は明白であり、Google は今後数週間で Omni を API 経由で提供します。アバター生成ツール（ショート動画で現在利用可能な機能）は、コンテンツクリエイターが採用することを Google が期待しているものです。しかしより広く見れば、エンドツーエンドのマルチモーダルワークフローは広告主や映画製作者にとって変革をもたらす可能性があります。 スタートアップの Luma AI も同様のものを構築しており、短いブリーフと製品画像に基づいて広告キャンペーン全体を生成できる [エージェント型ツール](https://techcrunch.com/2026/03/05/exclusive-luma-launches-creative-ai-agents-powered-by-its-new-unified-intelligence-models/) を開発中です。これは同社独自の「ユニファイド」モデル（統合モデル）を基盤としています。 「私たちは実際、このモデルのテキストレンダリング能力にかなり誇りを持っています。これは広告のような用途において非常に有用です」と Brichtova 氏は述べています。「製品をどこかに配置したい場合や、スローガンだけを必要とする場合でも、正確である必要があります……映画製作者や他の種類のクリエイターもこのモデルを利用すると確信しています」。 より専門的なユースケースには、Omni Pro モデルがより適している可能性があります。これは Omni のすべてのタスクにおいてより高いパフォーマンスを発揮するはずです。Google は Pro のリリース時期についてはまだ明言していませんが、Brichtova 氏は「Flash を上回る段階的変化（ステップチェンジ）を達成できたと実感した時点でリリースされる」と述べています。 *当記事内のリンクを通じてご購入いただいた場合、[私たちは少額のコミッションを獲得する可能性があります](https://techcrunch.com/techcrunch-affiliate-monetization-standards/)。これは私たちの編集の独立性には影響しません。 Google の Gemini Omni は、画像・音声・テキストを動画に変換します — そしてそれは始まりに過ぎません。 Google は本日、Gemini Omni を発表しました。これは、テキスト、画像、音声、そして動画を含むすべてのメディアタイプを処理できる、新しいマルチモーダル AI モデルです。このモデルは、単なるテキスト生成や画像認識を超え、異なる形式のデータを統合して、一貫性のある動画コンテンツを生成することを可能にします。 Gemini Omni の最大の特徴は、その「ユニバーサル・エンコーダー」アーキテクチャにあります。これは、あらゆる種類の入力データ（テキスト、画像、音声、動画）を共通のベクトル空間に変換し、モデルがそれらを同じように理解・処理できるようにする技術です。これにより、ユーザーはテキストプロンプトから直接動画を生成したり、既存の画像や音声を組み合わせて新しいストーリーを作成したりすることが可能になります。 例えば、ユーザーが「夕暮れ時の海辺で、犬が走っている様子を描いた短い動画を作って」と入力すると、Gemini Omni はそのリクエストを解釈し、適切な映像素材、音声効果、ナレーションを組み合わせて、数秒間の動画を生成します。また、既存の画像や音声クリップを入力として与えることで、それらを拡張したり、新しいシーンを追加したりすることもできます。 この技術は、クリエイティブな分野だけでなく、教育、マーケティング、エンターテインメントなど、幅広い業界での応用が期待されています。特に、動画コンテンツの制作コストを大幅に削減し、個人や小規模チームでも高品質な動画を簡単に作成できる環境を提供します。 Google は、Gemini Omni を Gemini 1.5 Pro や他の既存モデルと統合し、Google Cloud や Android などのプラットフォームを通じて提供していく予定です。また、開発者向けには API を公開し、独自のアプリケーションやサービスにこの機能を組み込むことを可能にする計画です。 ただし、AI が生成する動画の品質や倫理的な課題についても言及されています。Google は、生成されたコンテンツの透明性を確保し、誤情報や悪用を防ぐための対策を講じていく方針を示しています。 Gemini Omni の登場は、AI によるメディア生成の新たな段階を示すものです。テキスト、画像、音声を動画に変える能力は、単なる技術的な進歩ではなく、クリエイティブな表現の可能性を大きく広げるものと言えるでしょう。Google は、「これは始まりに過ぎない」と述べており、今後はさらに高度な機能や応用が期待されています。 *当記事内のリンクを通じてご購入いただいた場合、[私たちは少額のコミッションを獲得する可能性があります](https://techcrunch.com/techcrunch-affiliate-monetization-standards/)。これは私たちの編集の独立性には影響しません。*

Google の Gemini Omni が画像・音声・テキストから動画を生成、その先も続く

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト