Gemini Omniデモ：AI動画のテキスト処理が向上

GoogleはまだGemini Omniを正式発表していないが、RedditユーザーがGeminiアプリ内でこの新モデルを発見した。ユーザーがアプリを開くと、「Gemini Omniで作成」というポップアップが表示され、新しい動画生成モデルとして説明されていた。生成された動画のうち、特に黒板のクリップが注目を集めている。

黒板の動画では、教授がチョークで数学の証明を書きながら解説しており、文字がはっきりと読め、動作も自然で物理的にもほぼ説得力がある。AI動画では従来テキストの扱いが難しかったが、このデモは大きく進歩したことを示している。音声、動き、リアリズムのすべてが高いレベルに達しており、通常のAI動画デモとは異なる衝撃を与えている。

Omniに関する公式情報はほとんどない。Max Weinbachがメタデータを分析したところ、OmniはVeoの拡張である可能性が高い。VeoはGoogleが開発を進めてきた動画生成モデルで、Omniの出力はVeoから大幅に進化している。来週のGoogle I/Oで正式発表され、詳細が明らかになるだろう。

黒板の結果は印象的だが、スパゲッティテストは別の課題を示している。元のプロンプト（ウィル・スミスがスパゲッティを食べる）はガードレールでブロックされたため、ユーザーは変更して「海滨レストランで2人の男性が白いテーブルクロスのテーブルに近づき、会話しながらスパゲッティを食べる」とした。動画ではスパゲッティが空の皿に突然現れ、食事の動作と噛むタイミングが合わない。別のRedditユーザーがByteDanceのSeedance 2で同じプロンプトを実行したところ、より一貫性のある結果が得られた。Omniはすべての面で優れているわけではなく、テキスト処理は革新的だが、複雑な物理的相互作用にはまだ荒い部分が残る。

もう一つの見落とされがちな問題は使用コストだ。これら2つの動画（黒板とスパゲッティ）で、そのユーザーのGoogle AI Proプランの1日クォータの86%を消費した。動画生成はクォータを大量に消費するため、正式発表後すぐに問題となるだろう。

GoogleはOpenAIがSoraを閉鎖した後、動画分野に引き続き注力すると述べている。Omniはそのコミットメントの証明と言える。黒板の結果はテキストレンダリング問題に真の進展があったことを示しているが、すべてのプロンプトで一貫しているわけではない。来週には全貌が明らかになる。それまでは、黒板の動画を二度見する価値がある。