Gemini Omni Flashとは？Googleの新しいAI動画モデルを解説

Googleが実際にリリースしたもの

私は仕事柄、多くのモデル発表記事を読みますが、そのほとんどは単一の機能に新しいマーケティングの衣をまとわせただけです。Gemini Omni Flashは本当に違う形をしています。GoogleによるAny-to-Anyモデルへの挑戦であり、動画は現時点での出力先であって、唯一の計画された出力先ではありません。DeepMindのCTOであるKoray Kavukcuoglu氏の発表によるアピールは、Omniが「Geminiの推論能力と創造能力が出会う場所」だという点です。

具体的には、テキスト、画像、動画、そして（今のところ音声のみの）オーディオを組み合わせてモデルに与えると、単にそれらしく見えるフレームを出すのではなく、Geminiが持つ広範な世界知識、物理法則、歴史、文化的文脈に基づいた高解像度の動画と音声を生成する、ということです。Google自身のデモプロンプトもそれを裏付けています。運動量と重力を守る連鎖反応の軌道を転がるビー玉、各文字がユニークなテーマの物体で表現されたアルファベット動画、タンパク質の折りたたみをクレイアニメで解説した動画などです。

注目すべきなのは編集モデルの部分です。変更をリクエストすると、次の指示が前の指示の上に積み重なる形で処理され、シーン全体を再生成するわけではありません。キャラクターはその場に留まり、物理法則は保たれ、モデルはすでに行った編集を覚えています。Googleのデモでは、バイオリニストを対象に3つの積み重なった編集（環境の変更、バイオリンを透明にする、カメラアングルの切り替え）を行い、元のショットの流れを失うことなく処理する様子が示されています。

Any-to-Anyのワークフロー

公式のモデルカードによると、このアーキテクチャはテキスト、視覚、動画、音声にネイティブに対応したマルチモーダルなトランスフォーマーです。これら4つの組み合わせであれば何でも入力でき、現時点で出力できるのは音声付き動画のみですが、Googleは画像や音声出力も「いずれ」対応するとしています。これが「any-to-any」という枠組みです。生成と編集のために別々のツールを使うのではなく、1つのモデル、複数の入力タイプ、1つのつながった創作ループとして機能します。

展開はGoogleにおなじみのパターンをたどりました。まず一般消費者向け、その後開発者向けです。Gemini Omni FlashはGoogle AI Plus、Pro、Ultraの契約者向けに、Geminiアプリ、Google Flow経由で世界中に展開され、さらにYouTube ShortsとYouTube Createアプリではクリエイター向けに無料公開されました。すべて発表初日のことです。開発者向け・エンタープライズAPIアクセスは数週間後に続き、2026年6月30日にGoogle AI Studio、Gemini API、Gemini Enterprise Agent Platformを通じてパブリックプレビューとして公開されました。

Nano Banana 2 Liteとのペア展開：2つの製品ではなく1つのワークフロー

Omni Flashは単独でリリースされたわけではありません。GoogleはNano Banana 2 Liteとともにこれを発表しました（モデルID gemini-3.1-flash-lite-image）。これはNano Banana画像生成ファミリーの中で最速・最安のモデルで、4秒未満でテキストから画像を生成し、1K解像度画像あたり0.034ドルという価格です。従来のNano Bananaに代わる推奨デフォルトになりました。それ単体で見れば、堅実ながらも特筆すべきではない速度とコストの改善です。

興味深いのは、Googleがこの2つのモデルを別々の製品として扱うのではなく、連携させた3つの公式デモアプリを作った点です。

• Anywhere - 自撮り写真を撮り、Nano Banana 2 Liteでランドマークにあなたを配置し、Omni Flashがその静止画をクリップにアニメーション化します。
• Space Lift - 部屋の写真をさまざまなデザインスタイルに作り替え、選んだ見た目を映画のようなウォークスルーに変換します。
• Omni product studio - 静止した商品写真をEC向け動画に変換します。

独立系AIニュースアカウントのRohan Paul氏も、私と同じ見方でこのローンチを読み解いています。両モデルの組み合わせこそが実際の製品だという見方です。

「両モデルを連結させることこそが本当の製品の形であり、どちらか一方のモデル単体ではありません。Nano Banana 2 Liteがリファレンス画像を作り、それをGemini Omni Flashがアニメーション化します。」 - Rohan Paul, X

Nano Bananaファミリーは現在4つの階層になっており、発表のモデル比較チャートによると以下の通りです。

Googleのベンチマークチャートもこの速度についての主張を裏付けています。Nano Banana 2 Liteは、レイテンシと価格の曲線上で他のモデルより大きく先を行っています。

1本のクリップの実際のコスト

Gemini Omni FlashのGemini API料金は、Googleのモデルとしては珍しくシンプルです。理由は単純で、階層が1つしかないからです。ほとんどのGemini 3.xモデルと異なり、Batch、Flex、Priorityといった選択肢はなく、Standardのみで、無料プランもまったくありません。

Googleの料金ページはこの計算式を直接示しています。課金は出力トークンの総数に基づいており、720p動画1秒あたり5,792トークンという計算で、おおよそ1秒あたり0.10ドルになります。これを現在の上限である10秒まで実行すると、プロンプトやリファレンスメディアの入力コストを別にしても、1本のクリップは1ドルをわずかに超える計算になります。

Googleはこの価格が直接の競合と同水準であることを隠していません。Gemini APIのデベロッパーリレーション責任者であるLogan Kilpatrick氏は、まさにその言葉で発表しています。

「Omni Flashは動画編集において最先端（SOTA）で、1秒あたり0.10ドル、Veo 3.1 Fastと同じ価格です！」 - Logan Kilpatrick, X

料金ページの脚注に埋もれている興味深い点が1つあります。Gemini Omni Flash Previewは、有料プランであってもコンテンツがGoogleの製品改善に使われるかどうかという項目で「はい」となっており、他の大半の有料プランのGeminiモデルは「いいえ」となっています。機密性の高いものを入力する前に知っておく価値があります。

まだ足りない部分

公式のモデルカードは、まだうまくいっていない点について珍しく率直に書かれており、3つの具体的な課題が明示されています。編集全体を通じた完全な一貫性の維持、複雑な動きのあるシーンの生成、そして画面上のテキストの正確なレンダリングです。Googleはまた、キャラクターの一貫性には「いくつかの制限がある」とも述べており、特にシーン変更やカメラのパンの際に当てはまるとしています。これはまさにGoogle自身のデモが最も多用している編集の種類です。

APIにはさらに粗さもあります。音声リファレンスのアップロードとシーンの延長はまだサポートされておらず、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、モデルによって正しく処理されません。公開されたベンチマークデータもありません。DeepMindのモデルカードは、テキストから動画、画像から動画、リファレンスから動画、そして編集についての評価スコアを、モデルがより広くAPIで利用可能になるまで明示的に先送りしています。

LinkedInのある実務者は、この完成度についての主張に直接反論しており、I/Oで発表された当初のGemini Omniの発表に対してコメントしています。

「それは完全には正しくありません！特定の解像度でしか動作しませんし、キャラクターの一貫性もまだ十分に発展していません。YouTuberには良いですし、楽しいものです。ですが、プロフェッショナルな制作レベルでは全くありません。」 - Melwin Sam, LinkedIn

Google自身のモデルカードも、この見方の一部を裏付ける最も印象的な開示をしています。モデルはすでに動画内で人が話している内容を変更できる状態にありますが、Googleは「それを安全かつ責任を持ってユーザーに提供する方法を理解しようとしている間」、意図的にその機能を制限しています。これは謝罪すべき制限ではなく、意図的に抑えられている本物の能力です。

Google Cloud自身のLinkedIn発表に対する別のコメントは、なぜ生成のクオリティよりも編集についての主張の方が重要なのかを、より鋭く指摘しています。

「動画生成における会話形式の編集は、初回生成のクオリティよりも難しい問題です。編集のターンをまたいで一貫性を維持するには、単に良い1フレームを生成するだけでなく、シーンの状態を追跡する必要があるからです。」 - EurosHub, LinkedIn

そして同じスレッドの別の読者は、急速に進むエンタープライズAIのローンチにつきものの問いを投げかけています。

「ますます高性能なAIエージェントがビジネスサービスに組み込まれていく中で、技術的な性能だけでは、その組織がそれらを安全に運用する準備ができていることを証明できません。」 - Glen Stansfield, LinkedIn

最後のこの一文にこそ、私は下線を引きたいと思います。これは実のところ動画モデルについての話ではありません。あらゆるAIの能力が、それを安全に運用するためのガードレールを組織が構築できるスピードよりも速く実際のビジネスワークフローに入り込んでくるという話であり、それはまさに私がサポート自動化を構築しながら毎日考えている問題です。

どこに当てはまり、どこに当てはまらないか

Gemini Omni Flashは、Googleが目指すany-to-anyのビジョンに向けた強力で、正直に文書化されたステップです。もしあなたの仕事がマーケティング用のクリップ、製品動画、クリエイティブなコンテンツの制作であれば、真剣に検討する価値があります。特にNano Banana 2 Liteと組み合わせた画像から動画へのワークフローでは。eeselの世界にすでに身を置いているSEOチームやコンテンツ制作会社にとっては、これは実際に隣接する有用なツールです。私はeeselのブログライターエージェントをリサーチと下書き用に構築していますが、文章の上に高速な動画レイヤーを重ねられるというのは、それに取って代わる競合ではなく、本当に有用な組み合わせです。

とはいえ、これはあくまで生成メディアのモデルであり、サポートシステムではありません。あなたの返金ポリシーを知りませんし、学習元となる実際のチケットのキューも持っていません。そして「10秒の動画クリップ」というものは、この記事を読んでいるほとんどの人が実際に抱えている仕事、つまり見出しが動画AIの話題で埋め尽くされている間にも溜まり続ける受信箱やZendeskキューには、何の関係もありません。私は何年もの間、自信満々に聞こえるAIが実際の顧客に間違った回答をするのを見てきました。だからこそ、地味な部分、つまり本番稼働前に過去のチケットに対してシミュレーションすること、判断に迷ったときは推測せずにエスカレーションすることの方が、派手なデモよりも重要なのです。

動画AIが手を出さないキューのためにeeselを試す

もしあなたの本当の課題が、動画コンテンツの不足ではなく、増え続けるサポートチケットのバックログであるなら、それこそ私がeeselを作っている理由です。これはAIチームメイトで、Zendesk、Freshdesk、Intercom、あるいは今すでに使っているどのヘルプデスクにも数分で接続でき、初日から過去のチケットやヘルプ記事から学習し、新しいスタックを面倒見る必要なく一次対応のリクエストを下書き・振り分け・解決します。

実際の顧客に触れる前に、eeselは過去のチケットに対してシミュレーションを行い、実際に何と答え、どれだけ解決できていたかを正確に確認できるようにします。これは上記のLinkedInのコメント投稿者たちが別の文脈で求めていたのと同じ、ガードレールを最優先に考える発想です。この仕組みによってGridwiseは初月で一次対応リクエストの73%を解決し、Smavaは月10万件以上のチケットにわたって完全に自動化されたエージェントを運用しています。料金は解決1件あたり0.40ドルで、シート課金はなく、最初の50ドル分の利用は無料です。

GoogleのOmni FlashとNano Banana 2 Liteは、「どうすればもっと速く動画コンテンツを作れるか」という問いに対する、本当に優れた答えです。もしあなたの本当の問いが「どうすればチケットの山に溺れずに済むか」であるなら、目的特化型のAIヘルプデスクエージェントこそがその仕事のためのツールです。eeselを試してみることができます、無料で。