Googleの新AIツール「Omni」で自分自身をビデオクローンできる——興味津々でありつつも懸念も

本日、Googleは「Gemini Omni」を発表しました。これはAI動画生成の能力をまったく新しいレベルに引き上げるツールです。同社はこの発表を、以前にNano Bananaが画像生成にもたらした革新に例えています。Omniは本日から段階的に提供開始されますが、筆者は発表前に試用する機会を得られませんでした。

GoogleはOmniを「Geminiの推論能力と創造能力の融合」と説明しています。同社によると、「Omniでは、画像、音声、動画、テキストを入力として組み合わせ、Geminiの現実世界知識に基づいた高品質な動画を生成できます」。Omniは「動画から始まる」ものの、この新しいモデルは「あらゆる入力からあらゆるものを作り出す」ことができるため、将来的には他のメディアタイプも生成できるようになると見られています。

Omniは複数のモデル階層で提供され、最初は「Gemini Omni Flash」から始まります。この機能はGeminiアプリ、Google Flow、YouTube Shortsに統合されます。ウェブ版のGeminiがOmniをサポートするかどうか、あるいはブラウザでFlowインターフェースを使用する必要があるかは、まだ明らかになっていません。

自分自身をクローン 筆者はこの機能に魅力を感じつつも、プライバシーへの懸念や悪用の可能性を危惧しています。Googleによれば、アバター機能で自分の声を使った動画を作成でき、「自分自身のデジタルバージョンを作成し、自分が見て聞こえるような動画を生成できる」とのことです。YouTubeチャンネルを定期的に運営する筆者にとって、これは興味深い提案です。ただし、デジタルアバターにすべてを任せてしまうと、自身のスピーキングスキルが低下するリスクもあります。Googleは、これらの動画にSynthIDデジタル指紋技術を組み込み、Omniで生成されたことを検証可能にすると述べています。

物理モデル Omniは生成する動画に物理法則を組み込みます。Googleは「重力、運動エネルギー、流体力学などの力に対する直感的な理解が向上した」と述べ、Geminiの知識を活用して「パターンマッチングをはるかに超える方法で言語、画像、意味を結びつける」としています。短いプロンプトから詳細な動画を構築し、複雑な概念を説明する解説動画を生成できるとのことです。

入力の多様性 Nano Bananaの初期の特徴の一つは、画像を再文脈化する能力でした。Omniはこれを動画に拡張し、画像、テキスト、動画、音声から「一貫性のある出力」を生成します。現時点では音声入力は音声録音のみですが、同社は「間もなく他の種類の音声入力を提供する」としています。ユーザーはシーン作成、スタイルマッチング、自然言語による記述、キャラクターの一貫性保持などが可能です。

会話型編集 Omniでは自然言語による動画編集が可能です。Googleは「すべての指示は前の指示に基づいて構築されます。キャラクターは一貫性を保ち、物理法則は維持され、シーンは以前の内容を記憶します」と説明しています。ユーザーは動画内の要素を変更できます。インポートした動画から障害物を除去したり、オブジェクトや背景を変更できる機能は大きな利点です。ただし、各プランでのクリップ長や編集範囲はまだ不明です。

その他の注目機能として、「特定のものを変更する、またはすべてを変更する」があります。動画が自分では決して撮影できなかったものの出発点となったり、撮影した動画にOmniでアクションの変更や新しいキャラクターの追加、瞬間の変換が可能です。

未確定の詳細 Googleは動画フォーマットや解像度を明らかにしていません。プロフェッショナルツールとして16:9の4Kや8Kに対応するのか、それともYouTube Shorts向けのツールなのかは不明です。筆者は、この機能がFinal Cut、Premiere Pro、DaVinci Resolveなどの編集ソフトと統合されることを期待しています。Omniの機能はGoogle APIを通じてエンタープライズ顧客や開発者に提供される予定です。また、Nano Bananaと同様に動画にダイヤモンドウォーターマークが埋め込まれるのか、もしそうならばプロフェッショナルな利用を妨げる可能性があります。ウォーターマーク除去オプションの有無や、サードパーティによる除去ツールの登場が注目されます。