GoogleはI/O 2026で、マルチモーダル生成モデル「Gemini Omni」を紹介した。Geminiの知能と同社の生成メディアモデルを組み合わせ、「あらゆる入力からあらゆるものを創る」ことを目指すモデルで、当面は動画出力から始めた。将来的には画像やテキストなど、任意の入力から任意の形式の出力を生成できるようにする方針も示した。
入力はテキスト、画像、動画、音声を組み合わせられる。写真や短いクリップ、文章といった異なる参照を一つのまとまった動画に変換できるのが特徴で、音声については開始時点では音声参照のみに対応し、その他の音声入力は順次拡大するとした。重力や運動エネルギー、流体力学といった物理現象への直感的な理解も強化し、より現実らしい場面生成を狙った。
ファミリー初のモデルは「Gemini Omni Flash」で、生成した動画は会話形式で編集できた。簡単なプロンプトで映画のようなズームを適用したり背景を変えたりでき、キャラクターの同一性や声を場面をまたいで保つ一貫性も改善したと説明した。
提供は同日から始まり、GeminiアプリとGoogle Flowでは世界のGoogle AI Plus、Pro、Ultra加入者向けに順次展開した。YouTube Shorts RemixとYouTube Createアプリでは18歳以上の利用者が無償で使えた。開発者や企業向けのAPI提供は今後数週間での展開と案内した。
コメント 公開後に受付予定
記事の内容について意見・情報をお寄せください。投稿は確認後に表示されます。