会話だけで動画が作れる時代が来た

Google I/Oで発表された「Gemini Omni」は、テキスト・画像・音声・動画を一つのモデルで扱える動画生成AIです。要は、「この部分をもっと明るくして」「日本語でテロップを入れて」と会話感覚で指示するだけで、動画の生成から編集まで完結できる仕組みです。これまでの動画生成AIは「出力して終わり」でしたが、Gemini Omniは対話しながら仕上げていける点が構造的に異なります。編集ソフトの操作知識がなくても、言葉で詰めていけるのが今回の発表の核心です。出典はGoogle I/O 2025の公式発表および@shota7180による情報整理です。

動画生成AIはここ1年で急速に増えましたが、「生成はできても編集が難しい」という壁が残っていました。Runway・Kling・Soraなどのツールはクオリティが上がる一方、「思った通りの仕上がりにするには試行錯誤が多い」という声が続いていました。Gemini Omniが注目される理由は、その試行錯誤を「会話」で処理できる点です。入力モダリティがテキスト・画像・音声・動画すべてに対応しているため、「この動画にこの画像のトーンを合わせて」といった複合的な指示も一度の会話で渡せます。また、日本語テキスト入り動画の生成に対応している点は、日本語コンテンツを作る人にとって実用上の大きなポイントです。これまで日本語テロップの精度は多くのツールで課題でした。Googleのマルチモーダル基盤であるGeminiが動画生成・編集にまで統合されたことで、「一つのインターフェースで完結する」という方向性がより現実的になっています。無料で動画・画像を量産できる自社運用ツール登場でも触れたように、ツールの乱立から「どれか一本に集中する」フェーズに移行しつつある流れの中で、Gemini Omniはその候補として浮上してきています。

Q. 既存の動画生成AI（RunwayやKlingなど）と何が違うの？ RunwayやKlingは「動画を出力するツール」として機能しますが、Gemini Omniは「会話しながら編集を進められる」点が構造的に異なります。発表内容によると、テキスト・画像・音声・動画を同時に入力として扱えるため、「この部分だけ差し替えて」「もう少し明るいトーンに」といった指示を重ねながら仕上げられます。既存ツールでは一度出力したものを別の工程で編集する必要がありましたが、Gemini Omniはその工程を会話の中に収める設計です。

Q. 日本語テロップはどの程度使えるの？ 発表内容では「日本語テキスト入り動画の生成が可能」とされています。ただし、実際の精度（フォント・レイアウト・文字化けの有無）は公式デモ映像で確認するのが確実です。過去の動画AIツールでは日本語テロップの品質にばらつきがあったため、自分のユースケースに合うかどうかはデモを見た上で判断することをおすすめします。

Q. 今すぐ使えるの？それとも待ちが必要？ Google I/O時点での発表であり、全機能がすぐに一般公開されているわけではありません。Google AI Studio経由でGeminiの最新モデルには現在アクセスできますが、動画生成・編集の全機能がいつ・どの範囲で開放されるかは公式のアップデート情報を追う必要があります。io.google/2025 またはGoogle AI公式ブログで最新状況を確認するのが確実です。