8月28日、Googleが「Gemini Omni 1.1 Flash lets you build with more control」と題した記事を公開した。開発者向け動画生成API「Gemini Omni 1.1 Flash」の新機能と制御性向上について詳述した内容で、なかでもシーン拡張時の前フレーム参照ウィンドウが従来の1秒から10秒へと大幅に拡大された点が注目される。
Gemini Omni 1.1 Flashとは
Gemini Omniは、Googleが提供するマルチモーダル生成AIモデルシリーズだ。テキスト・画像・音声・動画といった複数のモダリティ（情報形式）を横断して処理・生成する能力を持ち、実世界の推論能力を生成コンテンツ制作に組み込むことを目的として開発されてきた。
なお、Googleの動画生成モデルとしては「Veo」シリーズが広く知られており、Gemini Omniは主にマルチモーダル推論・生成を統合した系統のモデルとして位置づけられる。「Gemini Flash」の名称はテキスト系の軽量モデルとしても広く使われているため、本モデルはあくまで動画生成ワークフロー向けに最適化されたOmni系の派生モデルとして理解するのが適切だ。
今回のアップデートにより、Gemini Omni 1.1 FlashがGoogle AI StudioのGemini APIを通じてプロダクション利用に対応した。生成動画ワークフロー、クリエイティブツール、メディア編集ソフトウェアを構築する開発者を対象としており、生成動画の制御性・反復速度・品質の向上が今回の主眼である。
最大のポイント：シーン拡張の精度が大幅向上
今回のアップデートでエンジニアが最も注目すべきは、Scene Extension（シーン拡張）機能の強化だ。
既存の動画から映像をシームレスに継続生成できるこの機能において、Omni 1.1では直前の最大10秒間のコンテキストを参照できるようになった。従来モデルが参照できたのは最後の1秒のみであり、参照ウィンドウが10倍に拡大したことになる。
動画生成AIにおける「前フレームとの整合性」は長年の課題だった。参照できる過去映像が1秒程度に限られていた場合、被写体の動き・照明の連続性・構図の整合性が次のクリップで断絶しやすく、複数クリップをつなぐシーン拡張では違和感が生じやすかった。参照ウィンドウが10秒に広がることで、動き・構図・ライティングの断絶が大幅に減ることが期待される。
具体的に得られる改善は以下の通りだ。
- 視覚的な一貫性の向上（照明・色調・被写体の見た目が継続しやすくなる）
- ナラティブの整合性（ストーリーラインを維持したまま長尺化できる）
- 10秒単位での拡張が可能で、累計最大40秒まで延長できる
なお、競合する動画生成AIとしてはOpenAIのSora、Runway ResearchのGen-3 Alpha、快手のKlingなどが知られており、それぞれシーン継続性に関する独自のアプローチを持つ。Googleが「10秒参照」という具体的な数値をアップデートの主軸として打ち出してきた背景には、こうした競合との差別化の意図があるとみられる。
※編集部の考察：10秒参照ウィンドウが業界全体として突出した水準かどうかは元記事では言及されておらず、現時点では断定できない。ただし、参照範囲の数値を明示的にアピールする手法は開発者向けの訴求として明確であり、APIを通じた定量的な制御を重視するGoogleのアプローチを示している。
対象ユースケース
元記事では、本モデルが想定するユースケースとして以下が挙げられている。
- 生成動画ワークフローの構築：AIが動画を生成・延長するパイプラインへの組み込み
- クリエイティブツールの開発：映像制作支援アプリや編集補助ツールへの統合
- メディア編集ソフトウェアへの組み込み：既存の編集ソフトに生成拡張機能を追加する用途
いずれも、単発の動画生成にとどまらず、複数のクリップを継続的に生成・接続するワークフローを念頭に置いた用途だ。前フレーム参照の強化は、こうしたユースケースで直接的な品質向上に寄与する。
アクセス方法と対応環境
Gemini Omni 1.1 Flashは、**Gemini API（Google AI Studio経由）**で利用可能だ。プロダクションレディとして提供されており、APIキーを取得すれば即座に呼び出して検証を始められる。Google AI Studioはこちらからアクセスできる。
詳細はGemini Omni 1.1 Flash lets you build with more controlを参照していただきたい。
