Gemini Omni 1.1 Flash リリースノート / 新機能

Gemini Omni 1.1 Flash はプロフェッショナル級のビデオ制御機能を紹介

Google は Gemini Omni 1.1 Flash をリリースしました。これは、AI ビデオ制作を単純な生成からプロフェッショナル級の制御へと移行させるために設計された、生成ビデオ機能のスイートです。今回のアップデートでは、ビデオ編集の精度の向上、低解像度ドラフトによる反復コストの削減、および高解像度アップスケーリングによる最終出力品質の向上に焦点を当てています。

強化された時間的制御とシーンの拡張

Gemini Omni 1.1 Flash は、開発者が既存のビデオシーンを拡張できるようにすることで、より長いストーリーテリングを可能にします。このモデルは、以前のバージョンでは最後の 1 秒間のみを参照していたのに対し、最大 10 秒間の先行コンテキストを分析できるようになり、視覚的な一貫性と物語の流れを維持することができます。

• 拡張の制限: ビデオは 10 秒刻みで拡張できます。
• 累積的な長さ: 生成されるシーケンスの総累積長は、最大 40 秒に達します。

キーフレーム補間による精密なモーション制御

ジャンプカットを排除し、複雑なカメラワークを実現するために、Omni 1.1 はユーザーがショットの最初と最後のフレームの両方を指定できるようにします。モデルは、これら 2 つのキーフレーム間を補間する連続的なビデオを生成し、以下を容易にします:

• 複雑なカメラオービット: 被写体の周囲をスムーズに移動します。
• ズームトランジション: シーン内への、またはシーン外へのシームレスな動きを実現します。
• ループクリップ: 完全にシームレスなループを作成します。

制作効率: 360p ドラフトと 4K アップスケーリング

Omni 1.1 は、プロトタイピング段階と最終レンダリングを分離し、開発サイクルを最適化するための階層的な解像度戦略を導入しています。

360p での迅速なプロトタイピング

開発者は 360p 解像度で軽量なプレビューを生成できます。これらのドラフトは、標準的な 720p 解像度と比較して生成が最大 60% 高速で、コストも 3 分の 1 に抑えられます。そのため、ストーリーボードの反復や迅速なレンダリングに最適です。

4K でのプロフェッショナルな出力

最終的な制作において、モデルは 1080p および 4K の高解像度出力をサポートしており、プロフェッショナルなメディア展開に必要な詳細さと明瞭さを提供します。

マルチモーダル・ビデオ・リファレンス

Omni 1.1 は、ビデオ・リファレンスを含むマルチモーダル入力をサポートしています。ユーザーは、キャラクターの一貫性と視覚的なコンテキストを維持するために、最大 3 秒間のリファレンス・ビデオをアップロードできます。例えば、開発者がキャラクターの画像と特定のダンスのリファレンス・ビデオを提供した場合、モデルはそのキャラクターの特徴を likeness を維持しながら、リファレンス・ビデオに捉えられた動きに適用します。

コミュニティの視点と技術的な批判

技術的な能力は非常に重要ですが、開発者コミュニティは、これらのツールの実用的な適用と制限について、いくつかの点を指摘しています:

制御可能性 vs. 生の品質

実務家の間では、生の生成品質がもはや主要な差別化要因ではないという合意が形成されつつあります。あるユーザーが指摘したように、「生の生成品質は、もはや標準的な要件（table stakes）になりつつあります。制御可能性こそが、より重要な戦場になるかもしれません。」

ドラフト作成における非決定論的性質

一部のユーザーは、360p ドラフト機能が、生成 AI の非決定論的な性質によって損なわれる可能性があるという懸念を表明しています。もしプロンプトが 360p での結果と 720p や 4K での結果が異なる場合、ドラフト作成プロセスの効率は低下します。

不足している機能要件

特定のプロフェッショナルなニーズが満たせられていません。具体的には、生成されたビデオを既存のオーディオに同期させる能力（録音されたダイアログへのリップシンクなど）は、Omni 1.1 スイートにおいて現在欠けている、非常に要望の多い機能です。

倫理的および業界への影響

ユーザー間の議論では、スクリーン・アクターや声優の職を奪う可能性、および、人間を被写体とするビデオにおいて、依然として存在する一般的な「不気味な谷」効果についてが強調されました。