Gemini Omni 1.2 Flash実機検証：ノーカット15秒生成と複数人対話
Google DeepMindの動画生成AI「Gemini Omni 1.2 Flash」を公開当日に徹底テスト。最大15秒のワンカット撮影や音声同期の精度を検証します。
👁 111閲覧数
Gemini Omni 1.2 Flashで生成した中で特に印象的だったのは、カットなしの15秒クリップです。夕暮れ時の団地の上空からFPVドローンが急降下し、物干し竿をすり抜けて大衆食堂の店内へ進入、スープの皿の前に座る初老の男性の元でピントを合わせます。男性は顔を上げ「こんにちは」（（ポーランド語原文の翻訳：「こんにちは」））と挨拶しました。このセリフはプロンプトで指示していません。モデル自身が状況に合わせて自発的に話させたものです。
Googleは2026年11月5日にOmni 1.2 Flashをリリースしました。その日の夕方までに、私は24本のクリップを生成しました。9つのデモシーン、5つの競合モデルとの比較、360pから4Kまでの解像度テスト、そして失敗に終わったいくつかの試作です。総検証費用は13.02 USDでした。この記事ではデータ表を省き、実際の出力クオリティを中心に解説します。数値データや比較詳細はGemini Omni Flash総合まとめにまとめています。
15秒のワンカット連続生成
バージョン1.2における最大の進化点は連続尺です。前バージョンは最大10秒でしたが、今作では3秒から15秒まで1秒単位で設定できるようになりました。ただし、単に尺が長くなっただけではありません。従来の動画生成モデルでは、クリップが長くなると背景が不自然に変形したり、人物の顔が変わったり、カメラワークが唐突に途切れる現象が頻発していました。今回のテスト飛行映像では、団地の形状は最後まで破綻せず、食堂内のパースも安定しており、座っている男性の外見も最初から最後まで同一人物として維持されていました。
実務上の注意点として、最初にテストしたプロンプト案には「団地の前でサッカーをする子どもたち」を含めていました。しかし、この指示はセーフティ機能に引っかかり、課金なしで即座に拒絶されました。子どもを「ベンチに座る2人の高齢者」に変更したところ、即座に生成が成功しました。Googleの公式ドキュメントにも未成年者の描写に関する厳格な制限が記載されているため、生成が弾かれる場合はまず被写体の設定を確認することをおすすめします。
3人の声による会話シーンの生成
クリスマスイブの食卓に並ぶビーツのスープと餃子、そしてツリー。3人の登場人物が、それぞれ異なる声質で会話するシーンを検証しました（ポーランド語プロンプトによる指示の翻訳：祖母が最後の餃子を食べたのは誰かと尋ね、口いっぱいに頬張った少年が否定し、母親が顎に餃子の破片がついていると笑う展開）。完成した動画の音声を音声認識にかけたところ、指示したテキスト通りのセリフが一言一句正確に出力されていました。カメラも発話者に合わせて自然にフォーカスを切り替えています。
Googleの公式見解では、完全に検証されている言語は英語のみで、その他の言語は未評価とされています。しかし今回のテストでは、英語以外の言語でもリップシンクを含め非常に高い精度を示しました。他社モデルとの詳細な比較はリップシンク比較レポートにまとめています。
キッチンでの商品広告クリップ
木製テーブルの上に置かれたピクルスの瓶、窓から差し込む朝の光、そして瓶の蓋を開ける手。こうした物撮りカットは、低コストな動画生成モデルの典型的な活用例です。複数のバリエーションを安価に作成し、最適なカットを採用できます。Omniはクリップ全体を通じて瓶の形状を一貫して維持し、ディルやスパイスの沈み具合も自然でした。リクエスト通り、背景には控えめなギターの旋律が流れています。
路面電車内のアニメ調シーン
写実的な実写表現以外に対応できるかを確認するため、アニメスタイルの生成もテストしました。夜の路面電車、雨、曇ったガラスの横でヘッドホンをつける女子学生という設定です。劇場版アニメのような質感で出力され、柔らかなライティング、窓ガラスをつたう雨粒、濡れたアスファルトへの反射が見事に表現されました。カメラも外観から車内へと継ぎ目なく移動しています。
青空市場での被写体360度カメラ回転
秋の市場で、リンゴを売る露天商の女性。ノーカットかつ人物のサイズ感を保ったまま、カメラが周囲を360度旋回する軌道を指示しました。これはGoogleがバージョン1.2で改善点として挙げている要素の一つであり、検証でも見事に機能しました。カメラは被写体の周囲を一周し、背中側を通って再び正面へと戻ります。主要競合6モデルと比較しても、最も破綻のない安定したカメラワークでした。詳細はOmni 1.2のカメラワーク検証で取り上げています。
縦型ショート動画と人物の語り
アスペクト比9:16の縦型フォーマットも、横型と全く同じ料金で利用できます。屋上で夕日を背に踊るダンサーの周囲を手持ちカメラが回り、最後にカメラを見つめて静止する指示通りの構図が得られました。
黒板の前に立つ歴史教師が1410年のグルンヴァルトの戦いについて語り、小テストを予告するシーンも試しました。年号の発音（（ポーランド語原文の翻訳：「千四百十」））まで含め、セリフは最後まで乱れず出力されました。黒板にはモデル自身がチョークで「Grunwald 1410」と自発的に書き込んでいます。興味深いことに、ほぼ同じプロンプト構造でテレビスタジオの気象予報士を生成しようとした際は、理由は明示されないまま2度連続でリクエストが拒否（料金請求なし）されました。
検証で見つかった課題と失敗例
長所ばかりを取り上げては公平な検証になりません。試行の中で明確に失敗した3つのポイントを挙げます。
- バレーボールの試合。Google自身が認めている通り、素早いスポーツの動きは依然として課題です。スパイクやブロックの動作自体は認識でき、観客も湧いていましたが、「ユニフォームに背番号を入れない」という指示を無視して番号が描画されてしまいました。
- 画像入力による季節の変更。夏の家庭菜園の静止画を入力し、同じアングルで雪景色にするよう指示しました。しかし、出力されたのは雪の欠片すらない完全に同じ夏の風景でした。テキストの指示よりも元の画像情報に過度に引きずられる傾向があります。
- 対話型での動画編集。チャット形式での動画修正は今回の目玉機能の一つですが、今回経由したAPIプロバイダー経由では動作しませんでした。5回試行してすべてエラーとなりました。この検証の詳細は対話型動画編集の検証記事で解説しています。
テストの実施環境と生成時間
今回のクリップはすべてOpenRouter経由のAPI（モデルID：google/gemini-omni-1.2-flash）を使用し、音声付き720p、同一シード値にて生成を行いました（テスト時のプロンプトはポーランド語で記述）。所要時間は6秒の動画で45-55秒、15秒の動画で81秒でした。エラーで弾かれた生成には一切料金は発生していません。使用したプロンプト例はGemini Omni 1.2プロンプト集、他社比較を含む秒単価コストの試算はGemini Omni 1.2の価格解説で紹介しています。
Kiramesuの関連記事
