- ブログ
- Gemini Omni 1.2 Flash 完全解説:15 秒 1.05 ドル、動画生成「ガチャ引き直し」の終焉 | Fanch AI
Gemini Omni 1.2 Flash 完全解説:15 秒 1.05 ドル、動画生成「ガチャ引き直し」の終焉 | Fanch AI

Gemini Omni 1.2 Flash が Gemini API および企業向け Gemini で一般提供(GA)開始となりました。発表された表面的な数値は明快です。最大 15 秒のクリップ生成、そして 720p において 1 秒あたり 0.07 ドルという、Omni 1.1 から 30% の値下げです。
どちらも Gemini Omni 1.2 Flash における確かな進化です。しかし、本質的な注目点はそこにありません。
Gemini Omni 1.2 Flash に注目すべき真の理由は、クリップの修正が「ゼロからの再生成」を意味しなくなった点にあります。Gemini Omni 1.2 Flash は、15 秒のクリップ全体に対するマルチターン(複数往復)の対話型編集をサポートしています。商品の差し替え、照明の調整、アスペクト比の変更を、すべて対話形式の追加指示で行えます。これにより、動画生成は「何度もガチャを引き直すギャンブル」から「段階的に仕上げるドラフト制作」へと変貌を遂げ、失敗に伴うコスト構造を単価の下落以上に根本から塗り替えました。
Gemini Omni 1.2 Flash の主要アップデート
ネイティブな 15 秒生成:Gemini Omni 1.2 Flash では、Omni 1.1 の 10 秒から拡張され、3 秒から 15 秒まで 1 秒刻みで尺を柔軟に設定可能です。
フル尺対応のマルチターン対話型編集:Gemini Omni 1.2 Flash の 15 秒クリップ全体を対象とした段階的な修正指示に対応。
強力な参照素材の忠実度(Reference adherence):キャラクター画像、商品写真、スタイル参照、最長 3 秒のモーションクリップ、音声指示を同時に統合。Google は、カメラアングルが変化しても人物の顔、衣服、パッケージのタイポグラフィ、ブランドカラーの一貫性が維持されると明言しています。
明瞭な複数話者ダイアログ:独立した音声条件付け(Voice conditioning)により、サンプリングされた各声が適切なキャラクターへと正確に割り振られ、リップシンク(口唇同期)も大幅に向上。
洗練されたカメラコントロール:FPV ドローン風の飛行、ズームアウト、円周旋回などの連続的なカメラワークにおいて、意図しない不自然なジャンプカットを抑制。
エンタープライズ対応の本格化:Google Cloud インフラ上で一般提供され、**プロビジョニングスループット(Provisioned Throughput)**の保証と、肉眼では知覚できない SynthID 電子透かしが出力映像に標準付与されます。
魅力的な価格、それ以上に革新的な「コスト構造」
Google 自身が推奨する制作フローの解説にこそ、最も重要な変化が凝縮されています:
まずは 360p や 720p で高速に下書きを作成し、クリップ全体を作り直すことなく追加の編集プロンプトで細部を修正、最後にベストな仕上がりを 1080p や 4K へとアップスケールする。
これは 3 段階で構成されたパイプラインであり、各ステージが無駄なコストを徹底的に削ぎ落とします。
安価なドラフト制作:360p の存在意義は、高価なピクセル描画ではなく、構図やアイデアの試行錯誤に試行回数を費やせる点にあります。
再生成ではなく「修正」で済ませる:これが最大の革新です。旧来のモデルでは、1 か所でも意図しないディテールがあれば、定価を払ってクリップ丸ごと再生成(リロール)するしかなく、その引き直しによって以前は上手くいっていた別の部分まで崩れてしまうリスクが付きまといました。Gemini Omni 1.2 Flash なら、問題のある細部だけをピンポイントで修正し、残りの正常な部分はすべて維持できます。
選ばれた成果物だけをアップスケールする:Gemini Omni 1.2 Flash では、すでに構成が確定した完璧なクリップに対してのみ、最終段階で 1 回だけ高解像度化のコストを支払います。
このリストにおいて、Gemini Omni 1.2 Flash の「1 秒あたりの単価」は最も退屈な数字にすぎません。それは単なる線形の値下げに過ぎないからです。後者の 2 つの要素こそが、生成作業全体の無駄打ちを劇的に削減します。
実際のコストを試算する
秒単価の計算は極めて明快です。
Gemini Omni 1.2 Flash では、720p の 15 秒フルクリップ 1 本が 1.05 ドル。完成動画 1 分間分で 4.20 ドルです。
過去に取り上げた競合ツールの価格と比較してみましょう。Seedance 2.5 の場合、5 秒の 480p クリップで定価ベース約 1 秒あたり 0.10 ドルでした。定価ベースで見ても、30% 値下げされ 720p を標準とする Gemini Omni 1.2 Flash の 0.07 ドルという単価は、より高い解像度でありながら明確に割安です。
ここに「リロール(再生成)係数」を掛け合わせてみます。従来の制作スタイルを想定してください。15 秒クリップを 10 本生成し、手の変形、ロゴの崩れ、衣装の不整合によって 4 本を没にしたとします。投じた費用は 14.70 ドルですが、手元に残る成果物は不完全なものばかりです。
Gemini Omni 1.2 Flash であれば、その 4 回の失敗は 4 回の「編集ターン」で解決できる可能性があります——手の形状を直し、ロゴを整え、服の質感を修正するだけで、すでに支払った 10 本の良好なベースをそのまま生かせます。得られるコスト削減効果は 30% どころではありません。これまでゴミ箱に捨てていた無数のやり直しコストそのものが消滅するのです。
例えば 60 話構成の縦型ショートドラマなど、まとまった量を量産する場合、この差は複利のように効いてきます。15 秒×60 話は合計 900 秒。720p の一発生成であればわずか約 63 ドルです。しかし、実際の制作予算を左右するのはこの 63 ドルという基本料ではなく、「何回手戻りが発生するか」なのです。

マルチターン対話型編集こそが真の主役
Google の公開デモを見れば、そのパラダイムシフトは一目瞭然です。
あるデモでは、一度生成した 1 本のクリップをベースに、対話ターンを重ねて背景だけを次々に差し替えていきます——縞模様の天幕、オークの森、白馬のいる厩舎、市場の広場、石造りの城へと変更しながらも、登場人物の演技、鎧に反射するハイライト、カメラの構図は完璧に固定されています。
別のデモでは、波打つタコのアニメーションから始まり、次のターンでその流体的な運動軌跡を寸分違わずトレースしたドレスを纏うダンサーへと被写体を置換しています。
これは全く新しい制作形態であり、Gemini Omni 1.2 Flash が真に提供している価値です。クリエイターはもはや「大量に出力させて当たりを引くまで待つ」必要はありません。1 つの成果物に対して複数ターンの指示を出し、フルプライスの再生成を繰り返すことなく、Gemini Omni 1.2 Flash の編集機能を使って派生バリエーションを自在に納品できるのです。
これは、すでに静止画の世界で起きている「モデルの純粋な生成力ではなく、局所編集の精度こそが真の差別化要因になる」という現象が、動画生成の領域にも完全に波及したことを意味します。
参照画像の固定が標準の制作手法になる
今回の発表でビジネス上最も直接的なインパクトを持つのが「参照素材への忠実性」であり、その象徴がバーチャル試着(Virtual try-on)です。
モデル写真 1 枚と、3着の衣装の前後商品写真を組み合わせることで、Gemini Omni 1.2 Flash は 360 度回転とマッチカットを含む 15 秒の試着シークエンスを生成します。モデル固有の顔立ちだけでなく、各衣服の仕立て、ドレープ、背面の細部まで完璧に維持されます。
これがデモの枠を超えて実務でも再現できるなら、その恩恵は絶大です。既存の EC 用商品写真を取り込むだけで、再撮影なしにそのまま高品質な動画広告へと昇華できます。
現場で厳しく検証すべきポイントは実務的な細部です。カメラがパンした際にパッケージの微細な文字が潰れないか、アスペクト比を変更した後にコーポレートカラーが狂わないか、といった点です。

複数話者の対話制御:見落とされがちな確固たる前進
自然なリップシンクは今や標準機能です。しかし、複数話者の個別音声条件付けはそうではありませんでした。Gemini Omni 1.2 Flash はここを突破してきました。
Google の説明によれば、シーン画像、キャラクター、口元の参照、そして 1 秒の音声サンプルを与えるだけで、Gemini Omni 1.2 Flash はサンプリングされた各音声を正しい登場人物へと自動的にルーティングし、15 秒のシーン全体にわたって感情豊かなタイミングで喋らせることができます。この技術はすでに Flow、企業向け Gemini、Google Vids に実装されています。
解説動画、社内研修ビデオ、あるいは 2 人の人物が会話するあらゆるシーンにおいて、これはこれまで「実用に耐えない」として AI 動画の採用を見送る最大の原因となってきた障壁を取り払うものです。
発表を冷静に見極めるための 4 つの視点
導入にあたって留意すべき客観的な事実:
すべてのサンプルは Google 自身が選定したもの。 パンテオンの FPV 飛行、文字の狂いがないモーショントラッキング表示、バーチャル試着など、公開されている Gemini Omni 1.2 Flash のデモはすべてメーカーによって選ばれたベストケースです。
0.07 ドルは 720p の価格。 1080p や 4K の出力にはアップスケール処理が必要であり、その工程には別途追加のコストと処理特性が伴います。見出しの単価は制作工程の「中間地点」のコストです。
15 秒はネイティブの生成上限。 それ以上の長さに伸ばすには動画の延長(Extension)操作が必要となり、動画の延長こそが歴史的に破綻やキャラクター崩れを招いてきた最大の難所です。
独立した第三者によるベンチマークがまだ存在しない。 参照素材への追従性やモーフィングの減少といった主張は、第三者が固定プロンプトセットを用いて検証して初めて確定的な事実となります。
現場でまず検証すべき 4 つのテスト
自身の業務フローに組み込む前に、以下の 4 点を自社データで検証してください:
参照素材を多用した商品ショット:カメラが 360 度回り込んでもロゴが破綻せず維持されるか?
2 人の会話シーン:カットが切り替わっても、それぞれの声が正しい人物に紐づき続けているか?
連続編集チェーン:1 つの良好なクリップに対し、5 回連続で対話編集を重ねてみる。ターンを追うごとに画質やディテールが劣化しないか?
15 秒のワンカット連続カメラワーク:デモ映像を盲信せず、不自然なジャンプカットが発生していないか自身の目で確認する。
今すぐ試せるプロンプト
参照画像への忠実度をテストするには、AI が勝手に誤魔化せない「特徴的なディテール」を持つ被写体を選ぶのが鉄則です:
以下をコピーして Fanch AI に貼り付け(モデル選択:gpt_image_2):
A clean studio product photograph of a rectangular matte-black aluminium beverage can standing on a pale sand plinth against a seamless warm grey backdrop: subtle brushed metal texture on the body, a plain unmarked label band in deep teal wrapping the middle, condensation-free clean surface, soft directional studio light from the left with a gentle contact shadow. Precise edge definition, fine detail in the metal grain, 16:9 framing, 8K detail, no people, no brand logos, no text overlay.
この高品質な静止画を Gemini Omni 1.2 Flash の参照画像として読み込ませ、カメラを周回させた後でも中央のティール色の帯が寸分違わぬ色と形状を保っているか確認してください。それこそが、実務に耐えうるかを測る真の試金石となります。
なぜ Fanch AI がこのワークフローに不可欠なのか
Gemini Omni 1.2 Flash の登場によって、動画制作は「参照フレーム(キャラクター設定シート、商品写真、スタイル定義)」を起点とする手法へと完全にシフトしました。つまり、最初に入力する 1 枚の静止画の完成度が、動画全体の一貫性と破綻の有無を決定づけます。そして、この「最初の静止画を完璧に仕上げること」こそが、全工程の中で最も安価にコントロールできる領域なのです。
Fanch AI はプロンプトに忠実な専用画像モデルを提供しており、高価な動画生成クレジットを消費する前に、構図、ライティング、質感が完璧に整ったリファレンス画像を自在に作り込むことができます。
