Googleが発表した「Gemini Omni」は、動画を基点にあらゆる入力を統合し、対話を通じて映像を生成・編集できる次世代モデルだ。物理法則の理解と文脈保持能力を備えたこの技術は、単なる生成AIの枠を超え、クリエイティブなワークフローを根本から変革する可能性を秘めている。

概要

Googleが新たに発表した「Gemini Omni」は、動画生成AIの競争軸を「いかにリアルな映像を作るか」から「いかに意図を反映させ、継続的に編集できるか」へとシフトさせるものだ。特に注目すべきは、単発の生成ではなく、対話を通じた段階的な編集機能である。ユーザーは自然言語で指示を重ねることで、キャラクターの整合性を保ちつつ、物理法則や照明、カメラアングルを動的に変更できる。これは、従来の動画生成AIが抱えていた「一貫性の欠如」という最大の課題に対する、Googleなりの回答と言える。

技術的な核心は、Geminiが持つ世界知識と物理的推論能力の統合にある。単なる画素のパターンマッチングではなく、重力や流体力学といった物理的挙動を理解した上で映像を再構成するため、説得力のある視覚表現が可能だ。また、画像、音声、テキストといったマルチモーダルな入力を統合し、それらを一つの映像出力に落とし込む能力は、クリエイターにとって強力な武器となるだろう。例えば、特定の音楽のビートに合わせて映像のスタイルを変化させたり、既存の動画の動きを別のオブジェクトに適用したりといった複雑な操作が、直感的なインターフェースで実現される。

しかし、この技術が普及する過程では、いくつかの懸念も浮上する。特に、デジタルアバターの生成や映像の改変能力は、ディープフェイクや誤情報の拡散といったリスクと表裏一体だ。Googleは「SynthID」による電子透かしを導入し、コンテンツの透明性を確保する姿勢を示しているが、生成された映像の真偽を一般ユーザーがどこまで判別できるかは未知数である。また、物理法則を理解しているとはいえ、複雑な因果関係のシミュレーションにおいて、どの程度の精度を維持できるのかは実用段階で精査が必要だ。

展望として、Gemini Omniはプロフェッショナルな映像制作の現場だけでなく、個人の表現活動を劇的に拡張するだろう。複雑な説明動画を短時間で生成する能力は、教育やビジネスプレゼンテーションのあり方を変えるはずだ。今後、このモデルがサードパーティのツールとどう連携し、エコシステムを構築していくのか。Googleが掲げる「責任あるAI開発」と、爆発的な創造性の解放という二律背反する課題をどう両立させるのか、その手腕が問われることになる。

主要な事実

Gemini Omniは動画を基点に、画像・音声・テキストを統合して生成・編集を行うマルチモーダルモデルである。対話を通じてキャラクターの一貫性を保ちながら、物理法則に基づいた動画の編集やスタイルの変更が可能。生成されたすべての動画にはSynthIDによるデジタル透かしが埋め込まれ、透明性が確保される。Gemini Omni Flashが先行してGeminiアプリ、Google Flow、YouTube Shortsに展開される