Gemini Omni 1.2 Flashは、Gemini APIとGemini for businessにおいて一般提供されています。企業、スタートアップ、クリエイターは、すでに自分たちのワークフローでGemini Omni 1.2 Flashを使用しています。途切れないクラッシュズームアウトの例として、Gemini Omni 1.2 Flashは、海岸線の接写から島の空撮ビスタまでを、自然なスケールでカット0の10秒の1ショットで連続的に引いていきます。最初と最後のフレームの一貫性の比較(1.1 vs. 1.2)では、Gemini Omni 1.2 Flashは屋外の開始フレームと室内の終了フレームを1回の連続したカメラのプッシュインでつなぎ、屋根の猫、箸に変わるスープのお玉、その他の細かな変化といった微妙な違いが見られます。
15秒生成と参照の追従の強化
Gemini Omni 1.2 Flashは、ネイティブな15秒の動画作成、マルチターンの対話型編集(multi-turn conversational editing)機能、および強化された参照の追従を導入しました。Gemini Omni 1.2 Flashでは、最長15秒までの動画をネイティブに生成・編集できます。これはOmni 1.1の10秒から延びた長さです。画像・モーションクリップ・音声の手がかりに含まれる細部は、動画の最初から最後まで保持されます。例として、モデル写真1枚と3着の服の前面・背面の製品写真を組み合わせると、360度回転とマッチカットをまたぐ15秒のバーチャル試着(virtual try-on)シーケンスが生成されます。この際、モデルの同一性と、各服のカット、ドレープ、背面の細部の一貫性が保たれます。
価格の引き下げと、編集・長さ指定・一貫性の強化
Googleは、Gemini APIとGemini for businessにおいて、Gemini Omni 1.2 Flashの一般提供（generally available）を開始しています。Gemini Omni 1.2 Flashは、価格がGemini Omni 1.1から30%下げられており、720p動画で1秒あたり$0.07で利用できます。大規模運用においても、360pまたは720pで素早く下書きを行い、クリップ全体を再生成する代わりに、追加の編集で細部を直して最良の作品を1080pまたは4Kにアップスケールすることで、コストを抑えることが可能です。
Gemini Omni 1.2 Flashは、くすんだピンクのサイクロラマ上で六角形の台座をせり上げながら、ポスターを層ごとに順に組み立てます。リブ付きガラス、暖かいフィラメント、多面体のクリスタル、そしてコイル状コードで作ったHALO、GLOW、LUMENの文字を組み上げ、素材、影、文字の細部をすべて最終フレームまで一貫して固定します。静的なスタジオ照明の展覧会ポスターと5層のアニメーションプロンプトを同じ条件で与えた例では、Gemini Omni 1.1 Flashは1.2ほど参照画像に近く一致しません。同じクリップを会話のターンごとに調整できる機能により、製品や背景の差し替え、照明や天気の変更、アスペクト比の切り替えなどを、最初からやり直さずに行えます。マルチターンの対話型編集は15秒のクリップ全体で機能し、再度の指示出しや再生成をせずに、異なる視聴者や配信先向けの広告バリエーションを作りやすくなります。
Gemini Omni 1.2 Flashでは、生成する動画の長さを3秒から15秒まで1秒刻みで指定でき、キャラクター・製品・スタイルの画像、最大3秒の短いモーションクリップ、音声の手がかりを組み合わせて生成を誘導できます。Gemini Omni 1.2 Flashは、顔、衣服、パッケージのtypography、ブランドカラーがカメラアングルをまたいで一貫して保たれるため、既存の製品写真やキャラクターシートをバーチャル試着クリップ、カタログスピン、ブランド動画広告にしやすいです。Gemini Omni 1.2 Flashは、モデル写真1枚と3着の服の前後の商品写真を組み合わせ、360度の回転やマッチカットをまたぐ15秒のバーチャル試着シーケンスを生成し、モデルの同一性と各服の裁断・ドレープ・背面のディテールを一貫して保ちます。最初から最後のフレームまで、キャラクター、物体、シーンの一貫性がより強く保たれ、動きやカメラの切り替えをまたいだ視覚的なドリフトやモーフィングが少なくなります。長さを3秒から15秒まで1秒刻みで指定できるため、1回の生成で、完結したストーリーを伝えたり、製品の解説動画を作ったり、ソーシャル広告を1本丸ごと制作したりできる余地が生まれます。最初と最後のキーフレームの間を補間する場合も、クリップを延長してより長いシーケンスを作る場合も、製品、キャラクター、小道具、環境はショットからショットへ一貫して保たれます。
会話の音声とカメラワークの表現
より滑らかで自然な音声の会話は、Flowで複数キャラクターの会話を演出する場合や、Gemini for businessで動画解説を作る場合、Google Vidsでアバター・音楽・ナレーション付きの洗練されたプロ品質の動画を作る場合に現れます。Gemini Omni 1.2 Flashは、温室のシーン画像1枚と、4つのキャラクター、口、1秒の音声の参照という条件付けのもとで、サンプリングした各音声を正しいキャラクターに割り当てます。さらに、表情豊かなリップシンクと自然なコメディのタイミングを用いて、15秒のアニメーションシーンを生成します。
Gemini Omni 1.2 Flashは、より流れるような自然な響きの会話、より明確なリップシンク、話者ごとに区別された複数話者の条件付けを備えたシーンを生成できます。温室のシーン画像1枚と、4つのキャラクター、口、1秒の音声の参照を条件にすると、Gemini Omni 1.2 Flashはサンプリングした各音声を正しいキャラクターに割り当て、表情豊かなリップシンクと自然なコメディのタイミングで15秒のアニメーションシーンを作ります。また、空間を大きく駆け抜けるFPVのフライスルーから劇的なズームアウトやオービットまで、複雑で連続的なカメラワークを演出でき、望ましくないジャンプカットが大幅に減り、スケールがより安定し、より洗練されたシネマティックな見た目になります。Gemini Omni 1.2 Flashは最長15秒のクリップを生成し、参照を従来よりよくまとめて保持します。より長いショット、複数ターン、およびカットのないトランジションにわたって、キャラクター、テキスト、カメラの動きの一貫性が保たれます。建築物の参照写真2枚を手がかりに、Gemini Omni 1.2 Flashは広場を横切り、ブロンズの扉を通り、パンテオンの格天井のドームを抜けてオクルスへ至る1回の連続したFPVドローン飛行を、ジャンプカットを0回にして演出します。15秒クリップの例として、Gemini Omni 1.2 Flashはスタイルフレーム1枚から、正確なスペルでモーショントラッキングされた注釈付きの4ショット・15秒のマクロ科学解説動画を生成します。マルチターンのモーション転送の例として、Gemini Omni 1.2 Flashはターン1で波打つタコを生成し、ターン2ではそのタコを、ガウンが正確に同じ流れるような動きを映すダンサーに置き換えます。最初から最後のフレームまでの一貫性（1.1と1.2の比較）の例として、Gemini Omni 1.2 Flashは屋外の開始フレームと室内の終了フレームを1回の連続したカメラのプッシュインでつなぎます。
提供基盤と利用できる製品
Gemini Omniは初めて一般提供となり、Google Cloudのエンタープライズ級のインフラとセキュリティに支えられています。Gemini OmniではProvisioned Throughputが利用可能であり、出力には知覚できないSynthIDの透かし(watermark)が付きます。
Gemini APIを使う開発者は、Google AI Studioでプロトタイプを作り、インタラクティブなスターターアプリを試し、開発者向けドキュメントと料金を確認できます。また、企業は、Gemini Omni 1.2 FlashをGoogle Cloud consoleで試し、APIを使ってエンタープライズ向けソリューションを構築できます。Googleアプリを使うすべての人は、Flowでシーンの演出とマルチターンの編集ができます。Google Vidsでは、Googleアカウントまたは Google Workspace のサブスクリプションがあれば、15秒のクリップを追加費用なしで生成できます。Geminiアプリでは15秒の動画を作成でき、これは現在Google AI Ultraの購読者向けに展開中です。また、Google Adsでは動画キャンペーンを拡大できます。
Gemini Omni 1.2 Flashは、動画を大規模に制作する企業、開発者、クリエイターに最適です。高速なスポーツのアクション、急速な脚本の変更、複雑な物理表現などについては、さらなる改善に向けた開発が続いています。Gemini Omni 1.2 Flashは、Googleの各製品と開発者向けプラットフォームに順次展開されており、11月5日から利用を始められます。