コンサルオジの海外AI深掘りEnglish

なぜOmni 1.2 Flashは15秒動画が約1.04ドルで作れるのか?

公開: 2026年11月6日 · AI生成AI動画生成AIGeminiGoogleCloudAPI業務効率化

YouTube で聴く・見る

YouTubeポッドキャスト本編(動画・音声)はこちら:なぜOmni 1.2 Flashは15秒動画が約1.04ドルで作れるのか?

https://youtu.be/ngN37B7jE2c

YouTubeポッドキャスト本編(動画・音声)はこちら:なぜOmni 1.2 Flashは15秒動画が約1.04ドルで作れるのか?

{{YOUTUBE_URL}}

結論:Gemini Omni 1.2 Flashは720p・15秒動画を約1.04ドル(旧版比31.4%減)で生成・会話編集できる一方、モデルカードに1.2固有の品質評価数値はなく、窓口ごとに機能条件が食い違うため自社素材5本での360p下書き検証が必須である

結論から書きます。Google DeepMindが発表した動画生成・編集モデル「Gemini Omni 1.2 Flash」について、Google公式ブログ(S1)、Google Cloud公式ブログ(S2)、Gemini API料金ページ・ガイド・更新履歴・利用上限ページ(S3〜S6)、Google Cloudモデルページ・料金ページ(S7, S9)、DeepMindモデルカード(S8)、公式X投稿(S10, S11)、およびOpenAIのSora 2公式ページ(S12)の計12件の一次資料を突き合わせると、次の3つの事実が確認できます。

1つ目は、生成できる動画の長さと料金の計算根拠が公式文書で明確に裏付けられる点です(S1, S3, S4, S5, S9)。最長生成時間は前版(Omni 1.1)の 10秒 から 15秒(3秒から15秒まで1秒刻みで指定可能、未指定時の初期値は 10秒)へ拡大し、延長機能を使えば1回あたり 3秒〜10秒 ずつ、合計 30秒 まで伸ばせます(S1, S4)。課金は秒単位の固定料金ではなくトークン従量制であり、Gemini APIの動画出力単価は前版1.1の 100万トークンあたり17.50米ドル から 12.00米ドル へと引き下げられました(算式上の値下げ率は 約31.4%、公式ブログ表記は丸めた 30%、S1, S3, S5)。720p動画は 1秒あたり5,792トークン として計算されるため、1秒あたりの出力費用は 約0.0695米ドル(公式表記0.07米ドル)、10秒で 約0.70米ドル、15秒(86,880トークン)で 約1.04米ドル となり、公式料金ページの注記と計算結果が完全に一致します(S3)。また、360pの下書き生成であれば 1秒あたり1,931トークン(約0.023米ドル)、15秒でも 約0.35米ドル で試作でき、気に入った映像だけを1080p(1秒8,688トークン=約0.104米ドル)や4K(1秒17,376トークン=約0.209米ドル)へ引き上げる段階的なワークフローが公式に推奨されています(S1, S3)。

2つ目は、利用する窓口(Gemini API、Google Cloud / Vertex AI、Gemini for Business、Google Vids等)によって、提供開始日・音声参照の可否・予約処理能力(Provisioned Throughput)の対応状況が公式文書どうしで食い違っている点です(S1, S2, S4, S5, S7, S8)。たとえば発表日付ひとつをとっても、Gemini API更新履歴(S5)・Google Cloudモデルページ(S7)・DeepMindモデルカード(S8)は 11月5日付 である一方、Google Cloudブログ(S2)は 11月6日付 となっています。さらに「Gemini for Business」での提供状態は、11月5日付のGoogleブログ(S1)が「一般提供(GA)になった」と記す一方、11月6日付のGoogle Cloudブログ(S2)は「近日提供(coming soon)」と記しています。「音声の参照(Audio cue / reference)」も、Googleブログ(S1)は利用可能とし、Google Cloudブログ(S2)は許可制(allowlist)とし、Gemini APIガイド(S4)は現行版で非対応(not supported)と明記しています。またGemini APIには無料枠(Free tier)がなく有料枠のみが対象であり、最下位の有料枠(Tier 1)の利用上限は 1分あたり8回(8 RPM)・1日あたり40回(40 RPD) に制限されています(S3, S5, S6)。

3つ目は、公式ブログには多数の作例動画と「人物や物体の見た目が一貫する」「自然な会話と口の動きになる」という主張が並ぶ一方、定量的な品質評価の数字は1つも公開されていない点です(S1, S2, S8, S12)。DeepMindのモデルカード(S8)を確認すると、評価方法・既知の制限・利用条件の欄はすべて前版の「Gemini Omni Flash」のモデルカードを参照するよう記載されているだけで、1.2固有のベンチマーク数値は一切掲載されていません(S8)。Google Cloudブログ(S2)にあるInVideo担当者の「高速・大量生成の用途でこれまで試した中で最良の1つ」というコメントも導入企業の定性的な感想であり、また比較対象として挙げられることのあったOpenAIの「Sora 2」は公式ドキュメント(S12)で 9月24日にモデルおよび動画APIを終了 したと明記されているため、同一条件での他社比較や順位付けはできません(S2, S12)。さらにGemini APIガイド(S4)には「完全に対応している言語は英語であり、他の言語は評価しておらず結果が変わりうる」と明記されています(S4)。

この記事は、自社のプロモーション動画、商品紹介、SNS向けショート動画、社内説明資料の制作などで「動画生成AIを業務に組み込めるか、1本あたりいくらかかり、どこまで品質や条件を信用してよいのか」を見極めたい実務者・企画担当者・エンジニアに向けて書いています。読み終えると、①解像度別のトークン単価と編集・延長時の入力課金を含めた1本あたりの実コストを計算する、②Gemini APIやGoogle Cloudなど窓口ごとの条件の食い違いと上限(1分8回・1日40回、12月3日の1.1自動移行)を事前に確認する、③360p・15秒の下書き(5本で約1.74米ドル)を使って自社素材と日本語・英語プロンプトで実測検証する、という3つの実務判断ができるようになります。なお、株式や金融商品の売買・投資判断は一切扱いません。

図1:Gemini Omni 1.2 Flashの結論。720p・15秒動画が約1.04ドルで作れる一方、品質の定量数値は非公開で文書間に条件の食い違いがある

先に用語をそろえます

本文に入る前に、Googleの公式ドキュメントと料金表を読み解くための6つの基本用語を、専門知識がない方にも分かるように定義します。

  • 一般提供(General Availability:GA):テストやプレビューの段階を終えて、通常の業務や本番システムで利用してよいとして正式公開された状態を指します(S1, S2, S7)。
  • トークン(Tokens):AIがテキストや映像・音声の量を数えるときの最小単位です。Gemini Omni 1.2 Flashは「動画1本あたり何円」という固定定価ではなく、生成した動画の解像度と秒数に応じたトークン数(例:720pなら1秒あたり 5,792トークン)に単価を掛けて課金される仕組みです(S3, S9)。
  • モデルカード(Model Card):AIモデルの開発元(今回はGoogle DeepMind)が、そのモデルの仕組み、学習データの方針、性能評価の方法、安全上の制限事項などを公式にまとめた仕様書です(S8)。
  • シンセ・アイディー(SynthID):Google DeepMindが開発した、人間の目や耳には気づかない形でAI生成動画・画像・音声に埋め込まれる電子透かしです。Omni 1.2 Flashが生成するすべての動画に自動で埋め込まれ、専用の検出ツールで「AIが作った動画かどうか」を機械的に判定できます(S1, S4, S8)。
  • プロビジョンド・スループット(Provisioned Throughput):従量課金で都度リクエストを送るのではなく、企業があらかじめ一定の処理枠(帯域)を予約・固定契約しておくことで、混雑時でも安定した速度で大量生成できるようにする仕組みです(S1, S2, S4)。
  • レート制限(Rate Limits:RPM / RPD):システムへの負荷集中を防ぐために定められた「1分あたりの最大リクエスト回数(RPM)」および「1日あたりの最大リクエスト回数(RPD)」の上限です(S5, S6)。

図2:前提の整理と全体の見取り図。11月5日・6日付の公式文書群から「料金と計算」「窓口別の利用条件」「品質評価の有無」の3つの問いを検証する

全体俯瞰マトリクス:Gemini Omni 1.2 Flashの一次資料12件・仕様・料金・文書間矛盾の完全対照表

まず、今回照合した12件の一次資料から判明した基本機能、解像度別トークン単価、利用制限、および公式文書どうしの食い違いを一覧に整理します。

  • 生成時間と延長機能(S1, S4) ── 単発生成は 3秒〜15秒(1秒刻み、前版1.1は最長10秒。未指定時の初期値は 10秒)。動画の延長(Extend)は1回あたり 3秒〜10秒 で、合計 30秒 まで対応。最初と最後のフレーム(画面)を指定する生成は 3秒〜10秒 の動画に限定。
  • 対応解像度と推奨フロー(S1, S3, S7) ── 360p / 720p / 1080p / 4K(音声付き動画生成に対応)。公式ブログは「まず360pまたは720pで高速に下書きを作り、会話で部分編集を重ねてから、採用案だけを1080pまたは4Kへ引き上げる(アップスケールする)」手順を推奨。
  • 参照素材(Reference Inputs)の上限(S4) ── 参照画像は最大 6枚。参照動画(各3秒以内)は、生成する動画が 3秒〜10秒 の場合は最大 3本、11秒〜15秒 の場合は最大 1本 まで。
  • 出力トークン単価と値下げ率(S1, S3, S5) ── Gemini APIの動画出力単価は 100万トークンあたり12.00米ドル(前版1.1の 17.50米ドル から算式上 約31.4%値下げ、公式表記は 約30%安)。
  • 解像度別の1秒トークン数と15秒生成コスト(S3, S9) ──
    • 360p:1秒 1,931トークン = 約0.023米ドル/秒(15秒で 28,965トークン ≒ 約0.35米ドル)
    • 720p:1秒 5,792トークン = 約0.0695米ドル/秒[公式表記0.07米ドル](10秒で 約0.70米ドル、15秒 86,880トークン ≒ 約1.04米ドル)
    • 1080p(拡大処理込み):1秒 8,688トークン = 約0.104米ドル/秒(15秒で 130,320トークン ≒ 約1.56米ドル)
    • 4K(拡大処理込み):1秒 17,376トークン = 約0.209米ドル/秒(15秒で 260,640トークン ≒ 約3.13米ドル)
  • 編集・延長時の動画入力コスト(S9) ── Google Cloud料金表では、入力動画は1秒あたり最大 5,792トークン、入力単価は 100万トークンあたり1.50米ドル。15秒の動画を編集・延長のために読み込ませると、入力側だけで1回あたり最大 約0.13米ドル が加算される。
  • 利用枠・上限と旧版1.1の自動移行(S3, S5, S6) ── Gemini APIは有料枠のみ対象(無料枠なし)。最下位の有料枠(Tier 1)は 1分8回(8 RPM)・1日40回(40 RPD)(前版比で上限2倍に拡大)。また 2026年12月3日 から、旧版1.1宛てのリクエストは自動的に1.2へルーティングされ、1.2の料金で課金される。
  • 公式文書どうしで食い違っている3項目(S1, S2, S4, S5, S7, S8) ──
    • ① 発表日とGemini for Businessの状態:11月5日付Googleブログ(S1)は「Gemini APIとGemini for Businessで一般提供(GA)」と記載する一方、11月6日付Google Cloudブログ(S2)は「Gemini for Businessは近日(coming soon)」と記載。
    • ② 音声の参照(Audio reference):Googleブログ(S1)は利用可能と記載、Cloudブログ(S2)は許可制(allowlist)と記載、Gemini APIガイド(S4)は現行版で非対応と記載。
    • ③ 予約処理能力(Provisioned Throughput):Googleブログ(S1)とCloudブログ(S2)は対応と記載、Gemini APIガイド(S4)は非対応と記載。
  • 言語・地域・声の編集制限と品質評価の空白(S4, S8, S12) ── 完全対応言語は英語のみ(他言語は未評価で結果が変動しうる)。欧州経済領域(EEA)・スイス・英国ではアップロード動画の編集・延長が不可。人の発話(声)を書き換える編集は安全上の理由から非対応・制限中。モデルカード(S8)には1.2固有の定量評価数値が一切なく、Sora 2は9月24日にAPI終了済み(S12)のため他社比較も不可。

第1章:公式文書で裏付けられる「15秒生成・会話編集・参照素材・透かし」の基本仕様

第1章では、複数の公式文書で一致して確認できるGemini Omni 1.2 Flashの機能仕様と、実務で動画を作る際の具体的な制約条件を整理します。

図3:第1章の要点。最長15秒の生成(延長で最大30秒)、360p〜4Kの解像度、画像最大6枚・動画最大3本の参照、SynthID透かしの自動挿入

1. 生成時間(3秒〜15秒、初期値10秒)と延長(最大30秒)、最初・最後フレーム指定の境界線

前版のGemini Omni 1.1では1回の生成が最長 10秒 に限られていましたが、Omni 1.2 Flashでは 最長15秒 までの動画生成と編集に対応しました(S1, S4)。ただし、Gemini APIの公式ガイド(S4)を読むと、実際にAPIやツールを叩く際に注意すべき細かなパラメータ仕様が書かれています。

  • 秒数指定の刻みと初期値(Default):生成する動画の長さは 3秒から15秒まで、1秒刻み で指定できます。ただし、長さを明示的に指定しなかった場合、モデルは15秒ではなく 10秒を初期値(デフォルト) として動画を生成します(S4)。15秒の動画が欲しいときは必ず秒数パラメータ(15秒)を指定する必要があります。
  • 動画の延長(Extend):生成した動画の続きを作る延長機能は、1回の操作で 3秒から10秒 を追加でき、元の動画と合わせて 合計30秒まで 伸ばすことができます(S4)。
  • 最初と最後の画面(First / Last Frame)の指定制限:動画の開始画面と終了画面の2枚の画像を指定してその間を補間させる機能は、生成する動画の長さが 3秒から10秒 の場合に限られており、11秒〜15秒の生成では使えません(S4)。

2. 解像度(360p〜4K)の段階的ワークフローと、参照素材(画像6枚・動画3本)の条件

解像度と編集方法についても、最初から高画質で生成するのではなく、コストと速度を最適化する手順が公式ブログ(S1)とGoogle Cloudモデルページ(S7)で示されています。

  • 360p / 720pでの下書きと、1080p / 4Kへの引き上げ:モデルは 360p、720p、1080p、4K の音声付き動画生成に対応しています(S1, S7)。公式ブログ(S1)は、まず 360pまたは720p で素早く下書き動画を作り、会話形式の指示(マルチターン編集)で「背景を変える」「商品を入れ替える」といった部分修正を15秒全体にわたって重ねた上で、完成した1本だけを 1080pまたは4K へ引き上げる(アップスケールする)流れを推奨しています(S1)。
  • 参照できる材料(Reference Materials)の厳密な上限(S4):
    • 参照画像:最大 6枚 まで同時に渡して、登場人物や商品の見た目を揃えることができます(S4)。
    • 参照動画:1本あたり 3秒以内 の動画クリップを参照として渡せますが、本数の上限は出力する動画の長さによって変わります。3秒〜10秒 の動画を作る場合は最大 3本 まで渡せますが、11秒〜15秒 の動画を作る場合は最大 1本 に制限されます(S4)。
  • 電子透かし(SynthID)と提供窓口(S1, S4, S8):生成されたすべての動画には、人間の目には見えない透かしである SynthID が自動的に入り、機械的に検出できることがガイドとモデルカードに明記されています(S4, S8)。提供窓口としては、Gemini API、Google AI Studio、Google Cloud(Vertex AI)、Flow、Google Vids(GoogleアカウントまたはWorkspace契約があれば追加料金なし)、Google AI Ultra契約者向けのGeminiアプリ(順次展開)、およびGoogle広告が挙げられています(S1)。

第2章:なぜ「15秒で約1.04ドル」になるのか?トークン単価の検算と、やり直し・入力課金の落とし穴

第2章では、公式ブログが掲げる「720pで1秒0.07ドル、前版比30%値下げ」という数字の裏にあるトークン計算式を一次資料(S3, S5, S9)から検算し、実務で見落としやすい「入力課金」と「レート制限」を確認します。

図4:第2章の要点。出力100万トークン12.00ドルへの値下げ(算式上31.4%減)、解像度別トークン数、有料枠限定(Tier 1は1分8回・1日40回)、12月3日の1.1自動移行

1. 出力トークン単価(17.50ドル → 12.00ドル)の検算と解像度別コスト

Gemini APIの料金ページ(S3)およびGoogle Cloudの料金ページ(S9)を確認すると、Omni 1.2 Flashの動画生成は「秒あたりの固定料金」ではなく、解像度ごとに1秒あたりのトークン数が決まるトークン課金で動いています。

  • 100万トークンあたりの動画出力単価(S3, S5):
    • 前版(Omni 1.1):17.50米ドル / 100万トークン
    • 新版(Omni 1.2 Flash):12.00米ドル / 100万トークン
    • 値下げ率の検算:(17.50 - 12.00) ÷ 17.50 = 5.50 ÷ 17.50 ≒ 31.43%。したがって、正確な単価ベースの値下げ率は 約31.4% であり、公式ブログ(S1, S2)の「30%安い」という表現はキリの良い数字に丸めた表記であることが確認できます。
  • 解像度別の1秒あたりトークン数と秒単価・15秒単価の検算(S3, S9):
    • 720p動画:1秒あたり 5,792トークン としてカウントされます(S3)。
      • 前版1.1の秒単価:5,792 × 17.50 ÷ 1,000,000 ≒ 0.10136米ドル(料金ページ表記:約0.10米ドル/秒)
      • 新版1.2の秒単価:5,792 × 12.00 ÷ 1,000,000 = 0.069504米ドル(料金ページ表記:約0.07米ドル/秒)
      • 新版1.2で 15秒動画 を1回生成する場合:5,792トークン × 15秒 = 86,880トークン。これに12.00米ドル/100万トークンを掛けると 1.04256米ドル(約1.04米ドル) となり、公式料金ページ(S3)の注記(1秒約0.07ドル、10秒約0.70ドル、15秒約1.04ドル)と完全に一致します。
    • 360p動画(下書き用):1秒あたり 1,931トークン(S3)。
      • 秒単価:1,931 × 12.00 ÷ 1,000,000 ≒ 0.02317米ドル(約0.023米ドル/秒)
      • 15秒生成コスト:28,965トークン ≒ 約0.348米ドル(約0.35米ドル)。720pの3分の1の費用で15秒の構成を試作できます。
    • 1080p動画(拡大処理を含む):1秒あたり 8,688トークン(S3)。秒単価は 約0.104米ドル/秒、15秒で 約1.56米ドル です。
    • 4K動画(拡大処理を含む):1秒あたり 17,376トークン(S3)。秒単価は 約0.209米ドル/秒、15秒で 約3.13米ドル です。

2. 見落としやすい「編集・延長時の入力動画課金」と「無料枠なし・1分8回上限・12月3日自動移行」

さらに、実務で予算を見積もる際には「1回出力するだけの料金」以外に、次の4つの条件を必ず押さえておく必要があります(S3, S5, S6, S9, S12)。

  1. 会話編集や延長を行うたびにかかる「入力動画トークン課金」(S9): 生成した動画に対して「この商品の色を変えて」「後ろに5秒延長して」と指示する場合、元の動画をモデルへ**入力(Input)**として渡す必要があります。Google Cloudの料金ページ(S9)によると、入力動画は 1秒あたり最大5,792トークン として数えられ、入力単価は 100万トークンあたり1.50米ドル です。つまり、15秒の動画(86,880トークン)を入力して編集・延長を1回指示するごとに、出力料金とは別に 入力側で最大約0.13米ドル が加算されます。また、納得のいく映像が出るまでに何回のやり直し(リテイク)が必要になるかは、公式文書には一切書かれていません。
  2. 無料枠(Free Tier)は一切なく、最下位有料枠は「1分8回・1日40回」(S3, S5, S6): Gemini APIでは、Omni 1.2 Flashは有料枠(Paid tier)のみが対象であり、無料で試せる枠はありません(S3)。さらに利用上限ページ(S6)を確認すると、一番下の有料枠(Tier 1)の上限は 1分あたり8回(8 RPM)、1日あたり40回(40 RPD) です(更新履歴S5によると、これでも前版から2倍に引き上げられた数値です)。1日40回という上限は、15秒の下書きと編集を数本繰り返すだけですぐに到達するため、チームで検証する際は上位Tierの条件を事前に確認する必要があります。
  3. 2026年12月3日からの旧版(1.1)自動ルーティング(S3, S5): 現在Omni 1.1をシステムに組み込んでいる場合、12月3日 以降は1.1宛てのAPIリクエストが自動的に1.2へ振り向けられ、1.2の料金で課金されることが料金ページ(S3)と更新履歴(S5)に明記されています。
  4. 他社モデル(Sora 2やVeo)との単純比較ができない理由(S12): 他社との価格比較をしようとしても、たとえばOpenAIの「Sora 2」は公式ドキュメントページ(S12)に 「9月24日にモデルと動画APIを終了した(deprecated / shut down)」 と明記されており、現在の比較対象として使うことができません。またGoogle自身の別モデルである「Veo」についても、解像度・秒数・音声の有無・入力課金の条件が揃った公式の比較表は見当たらないため、条件を揃えずに「他社より安い・高い」と順位付けすることはできません。

第3章:なぜ公式文書どうしで「使える機能」が食い違うのか?窓口別の矛盾と言語・地域の壁

第3章では、複数の一次資料を横に並べて照合したことで浮かび上がった「公式文書どうしの3つの食い違い」と、日本語利用・地域制限・声の編集制限に関する重要な留保を確認します。

図5:第3章の要点。Gemini for Businessの提供状態、音声の参照、予約処理能力(Provisioned Throughput)の3点が文書間で食い違い、評価済み言語は英語のみ

1. 公式ブログ・Cloudブログ・APIガイドの間で食い違う3つの条件

Googleの発表資料を1本だけ読むと見落としますが、Google公式ブログ(S1)、Google Cloudブログ(S2)、Gemini APIガイド(S4)の3つを突き合わせると、以下の3項目で記述が食い違っています。

  1. 「Gemini for Business」での提供開始時期(S1 vs S2):
    • 11月5日付 Google公式ブログ(S1):「Gemini APIとGemini for Businessで一般提供(GA)になった」と記載。
    • 11月6日付 Google Cloudブログ(S2):「Gemini for Businessは近日提供(coming soon)」と記載。
    • 1日違いの公式ブログどうしで「すでに使える」と「近日提供」に分かれており、文書だけからは現在の正確な状態を1つに決めることができません。
  2. 「音声の参照(Audio Cue / Reference)」の対応状況(S1 vs S2 vs S4):
    • Google公式ブログ(S1):参照素材として「音声の合図(audio cues)を使える」と記載。
    • Google Cloudブログ(S2):音声の参照は「**許可制(allowlist)**での提供」と記載。
    • Gemini APIのOmniガイド(S4):音声の入力と参照は「現行の版では非対応(not supported)」と明記。
  3. 「予約した処理能力(Provisioned Throughput)」の対応状況(S1, S2 vs S4):
    • Google公式ブログ(S1)およびGoogle Cloudブログ(S2):プロビジョンド・スループットが「使える」と記載。
    • Gemini APIのOmniガイド(S4):プロビジョンド・スループットは「非対応」と記載。

これらは「企業向けのGoogle Cloud(Vertex AI)窓口では許可制や予約帯域が用意されている一方、開発者向けのGemini API窓口では非対応である」という窓口ごとの仕様差を、ブログ側が窓口を区別せずにまとめて紹介したために生じた食い違いと読めます。したがって、導入時はブログの宣伝文句ではなく、自分が実際に契約・接続する窓口(Gemini APIなのかVertex AIなのか)の個別技術ドキュメントを正本として確認するのが鉄則です。

2. 「英語以外は未評価」という言語の壁と、地域制限・声の編集制限

さらに、日本の実務者が使う上で直結する3つの制限がガイド(S4)とモデルカード(S8)に書かれています。

  • 言語の制限(英語のみ完全対応、日本語は未評価・S4): Gemini APIのOmniガイド(S4)には、「英語(English)は完全に対応している。他の言語は評価しておらず(not evaluated)、動くかもしれないが結果は変わりうる」と明記されています。つまり、日本語のプロンプトで指示を出したときや、動画内の登場人物に日本語を話させたときに英語と同じ品質が出る保証は、公式文書にはありません。
  • 地域の制限(EEA・スイス・英国での編集不可・S4): ガイド(S4)によると、ヨーロッパ経済領域(EEA)、スイス、および英国では、ユーザーがアップロードした動画の編集と延長機能が使えません。日本はこの制限リストには入っていませんが、GeminiアプリやVidsなどの各窓口が日本でいつからどの範囲まで提供されるかの個別時期は、今回確認した文書には明記されていません。
  • 人の発話(声)の編集制限(S4, S8): 既存の動画内の「声(音声の発話内容)」を書き換える編集は非対応です(S4)。DeepMindのモデルカード(S8)には、「モデルは動画編集において人の発話を変える能力を持っているが、現在は安全上の理由からこの機能を制限している」と明記されています。

第4章:品質はどこまで信用できるのか?モデルカードの空白と、【私なりの解釈】自社素材5本での検証手順

第4章では、「品質が上がった」という公式の主張がどこまで裏付けられているかをモデルカード(S8)から検証し、最後に一次資料の事実と明確に分けた私なりの解釈と実務の3ステップをまとめます。

図6:第4章の要点。モデルカードは評価欄をすべて前版カードへ委ねており1.2固有の数値はゼロ。高速なスポーツ動作や急な台本変更・複雑な物理は現在も苦手

1. モデルカードに「1.2の数字」が1つもない理由と、公式が認める3つの苦手領域

公式ブログ(S1)には、以下のような品質改善の主張が多くの作例動画とともに並んでいます。

  • 「最初から最後まで人物や物体の見た目が安定し、ズレや崩れ(ドリフト)が少ない」
  • 「話し方がより自然な会話になり、口の動き(リップシンク)が分かりやすい」
  • 「望まないカメラの場面切り替わりが大きく減った」(S1)

しかし、その客観的な根拠となる数値を探すためにDeepMindの公式モデルカード『Gemini Omni 1.2 Flash Model Card』(S8)を開くと、驚くべき事実が分かります。評価の方法(Evaluation)、既知の制限(Limitations)、利用の条件の欄がすべて「前版のGemini Omni Flashのモデルカードを参照せよ」とだけ書かれており、1.2固有の定量スコアや改善率の数字が1つも掲載されていないのです(S8)。

また、Google Cloudブログ(S2)に掲載されている動画制作プラットフォーム「InVideo」担当者の「高速・大量に作る用途では、これまで試した中で最良のうちの1つ」という言葉も、1社の定性的な感想であって測定数値ではありません(S2)。さらにGoogle自身も公式ブログ(S1)の中で、以下の3つの領域が現在も苦手であり開発・改善を続けている最中であると正直に認めています。

  1. 速いスポーツの動き(fast-paced sports movements)
  2. 台本の急な変更(abrupt script changes)
  3. 複雑な物理挙動(complex physics)(S1)

独立した第三者機関によるベンチマーク測定も現時点では見当たらないため、「他社の動画生成モデルより品質が良い」とも「悪い」とも断定することはできません。

図7:私なりの解釈。①料金は計算通りに確かめられる、②品質はモデルカードに数字がないため自社素材で測るしかない、③窓口ごとの条件差を個別文書で確認する

2. 【私なりの解釈】一次資料から導く3つの実務判断

ここからは、12件の一次資料の確定事実ではなく、私なりの実務上の解釈です。断定ではありません。

  1. 「単価の安さ(15秒で約1.04ドル)」は計算通り信用できるが、「1本完成するまでの総費用」はやり直し回数で決まる: 100万トークンあたり12.00米ドルという出力単価と、720p・15秒で約1.04米ドル、360p・15秒で約0.35米ドルという数字は、公式の計算式と1セント単位で一致する確定事実です。しかし、ブログに載っている美しい作例は発表側がベストな結果を選んだものであり、自社の商品画像や思い通りのカメラワークを出すまでに5回やり直せば費用は5倍になり、編集のたびに入力動画課金(15秒で最大約0.13米ドル)も積み上がります。作例だけを見て「1本1ドルで商用動画が量産できる」と約束するのは危険です。
  2. モデルカードに1.2固有の数値がなく、日本語が「未評価」である以上、自社の実素材で小さく実験する以外に品質を確かめる方法はない: テキスト系LLMと違い、今回はモデルカードに定量ベンチマークが一切載っていません。しかも公式ガイドが「英語のみ完全対応、他言語は未評価」と明記している以上、他人の英語デモ動画をいくら眺めても、自社の日本語プロンプトや日本の商材写真で崩れないかは分かりません。幸い360pの下書きなら15秒で約0.35米ドルと極めて安いため、議論するより先に5本(約1.74米ドル)試作して目で確かめるのが最も合理的です。
  3. 「Googleブログの一覧」はカタログの表紙にすぎず、実装時は必ず「使う窓口1つの仕様書」に絞って条件を固定する: 音声参照の可否や予約帯域(Provisioned Throughput)の対応がブログとAPIガイドで食い違っているのは、Google Cloud(Vertex AI)とGemini APIとWorkspace(Vids等)で提供条件が異なるためです。プロジェクトを始める前に「どの窓口を使うか」を1つに決め、その窓口のドキュメントと上限(Tier 1なら1分8回・1日40回)だけを基準に設計すべきです。

図8:明日から確かめる3つの手順。①使う窓口を1つ決めて条件・上限を確認、②自社素材5本を360p・15秒(計約1.74ドル)で下書き検証、③日本語と英語の指示を同じ素材で比較記録

結論:明日から現場で確かめる3つの実務ステップ

最後に、この記事の結論と、明日からそのまま実践できる3つの確認手順をまとめます。

  1. 利用する窓口(Gemini API / Google Cloud / Google Vids等)を1つ決め、その窓口の個別文書で料金・上限・機能を確かめる:
    • Gemini APIを使う場合は無料枠がなく、最下位有料枠(Tier 1)で 1分8回・1日40回 の上限があること、音声参照や予約処理能力は非対応であること、また旧版1.1を使っている場合は 12月3日 から1.2へ自動移行されることを最初に確認してください(S3, S4, S5, S6)。
  2. 自社の素材を5本選び、まずは「360p・15秒」の下書き(1本約0.35米ドル、5本合計で約1.74米ドル)で試作して採用率を測る:
    • 最初から720p(15秒約1.04米ドル)や4K(15秒約3.13米ドル)で回すのではなく、まずは360p・15秒(未指定だと10秒になるため必ず15秒を指定)で5本下書きを作り、何回のやり直しで使える映像になるか、編集時の入力課金(15秒で最大約0.13米ドル)を含めて1本あたりいくらかかるかを実測してください(S1, S3, S4, S9)。気に入ったものだけを720p以上へ引き上げます。
  3. 同じ素材に対して「日本語の指示」と「英語の指示」の両方を試し、品質差とSynthID透かしの社内ルールを確認する:
    • 公式ガイドで完全対応とされているのは英語のみです(S4)。日本語プロンプトで指示した場合と英語に翻訳して指示した場合で、人物の一貫性や動きにどれだけ差が出るかを同じ素材で比較・記録し、あわせてすべての生成動画に SynthID の透かしが入ることを踏まえて社内の公開ルールを確認してください(S4, S8)。

このnoteでは、海外のAI・セキュリティ・テック企業の一次資料を原典まで遡り、事実として確認できることとまだ分からないことを分けて毎日解説しています。参考になりましたら記事下部の「スキ」とアカウントの「フォロー」をお願いします。

一次資料・出典一覧(2026年11月6日確認)

本記事で引用・照合した12件の一次資料は以下の通りです。

動画での解説

この記事の内容は、YouTube の動画でも詳しく解説しています。

{{YOUTUBE_URL}}

初めての方は、固定の自己紹介記事もあわせてご覧ください。

https://note.com/consuloji_ch/n/n1975ecc3cf48

記事一覧へ