「Google、動画編集を新たなマルチモーダルモデルでミドリ」

Gemini Omniの技術的基盤と機能

Google DeepMindが発表した「Gemini Omni」は、動画を起点としたマルチモーダルな生成・編集を可能にする新たなモデル群です。開発の核心は、画像や音声、動画、テキストといった異なる入力形式を組み合わせ、それらを単一のモデルで処理する能力にあります。

このモデルの最大の特徴は、自然言語による動画編集機能です。ユーザーは会話を通じて、動画内のキャラクターの一貫性を保ちながら、物理法則を考慮した自然な編集指示を出すことができます。Google DeepMindのCTO兼チーフAIアーキテクトであるKoray Kavukcuoglu氏は、その機能について次のように述べています。

Koray Kavukcuoglu, Google DeepMind CTO兼チーフAIアーキテクト

今回の発表で先行して導入される「Gemini Omni Flash」は、Geminiアプリ、Google Flow、およびYouTube Shortsにおいて利用可能となります。今後、画像や音声の出力形式にも対応を広げる予定です。

動画生成における「一貫性」の実現

従来の動画生成AIでは、生成プロセスにおいてキャラクターの見た目や背景が変化してしまう「一貫性の欠如」が課題となっていました。Gemini Omniは、指示の一つひとつが前後の文脈を記憶し、物理法則やシーンの継続性を維持する設計がなされています。

例えば、「彫刻を泡で作る」といった抽象的なプロンプトや、撮影済みの動画に対して「何が起きているのかを変える」といった指示を出すことで、ユーザーは自力では撮影不可能な映像を生成・編集することが可能です。これは、単なる視覚的変換を超え、実世界の知識に基づいた論理的な推論を動画生成に組み込んでいるためです。

「Omni」名称を巡る市場の状況

「Omni」という名称は、現在テクノロジー界だけでなく、複数のビジネス領域で異なる意味合いを持って使用されています。今回のGoogleによるAIモデルの発表は、その名称が持つ「包括的な」「すべての」という辞書的定義を強調するものですが、市場には同名の企業やサービスが複数存在しており、混同には注意が必要です。

例えば、Omni Hotels & Resortsは米国とカナダで50以上の拠点を展開するホスピタリティ企業であり、オンライン予約やリゾート運営を主な事業としています。また、Omni Interactionsは、米国においてリモートでのカスタマーサービスや技術サポート契約を仲介するプラットフォームとして運営されています。さらに、Omni Financialは軍関係者向けに融資サービスを提供する金融機関として知られています。

これら各社のサービスは、提供するソリューションや対象顧客が明確に分かれています。Googleの「Gemini Omni」は、あくまでGoogleのAIモデルファミリーの名称であり、これら既存のホテル予約、人材仲介、あるいは軍事金融サービスとは一切の関連がありません。

今後の展望と展開

Googleは、Gemini Omniファミリーの第一弾として「Gemini Omni Flash」をリリースしました。今後は、さらなる出力モダリティの拡充が予定されており、ユーザーインターフェースにおける対話型の編集体験がどのように進化するかが注目されます。 Google plans to further refine its Gemini Omni models, expanding output modularity and exploring conversational editing experiences in user interfaces, potentially democratizing video editing with natural language scene reconstruction.