Gemini Omni 1.2 Flash公開 最長15秒で料金は3割安く

これまで10秒の動画に払っていた約1ドルで、15秒の動画を作れるようになります。Googleは11月5日、動画の生成と編集のモデルGemini Omni 1.2 Flashを一般提供しました。使えるのはGemini APIと、Google CloudのGemini Enterprise Agent Platformです。

項目	1.1 Flash	1.2 Flash
1回で作れる長さ	3〜10秒	3〜15秒
動画の出力100万トークン	17.50ドル	12.00ドル
720pの1秒	約0.10ドル	約0.07ドル
720pの10秒	約1.01ドル	約0.70ドル
720pの15秒	作れない	約1.04ドル

1.1の10秒の額は、720pの1秒を5,792トークンとして計算しました。1.2の額はGoogleの公表値です。Googleは30%の値下げと説明しますが、下がるのは動画の出力だけで、入力と文章の出力の料金は1.1と同じです。また、Gemini APIの有料枠では利用の上限が2倍になりました。

下書きは360pで作ると安い

料金は解像度でも変わります。次の表の1秒の値はGoogleの公表値で、15秒の額はトークン数から計算しました。

解像度	1秒	15秒
360p	0.023ドル	約0.35ドル
720p	約0.07ドル	約1.04ドル
1080p拡大して作る	0.104ドル	約1.56ドル
4K拡大して作る	0.209ドル	約3.13ドル

そのためGoogleは、360pか720pで下書きを作り、気になる部分は続けて指示で直し、良いものだけを高い解像度にする流れを勧めます。今回は、作った動画を拡大するだけの指定も加わりました。360pからは720pと1080pへ、720pからは1080pと4Kへ拡大できます。

長くなり、途中で崩れにくくなった

新しくできることの中心は、1回で作れる長さです。3〜15秒を1秒単位で指定でき、会話しながらの編集も15秒全体に使えます。背景や商品の差し替え、照明の変更、縦横比の切り替えを、最初から作り直さずに頼めます。

見本に合わせる力も上がりました。人物、商品、作風の画像は6枚まで渡せます。Googleによると、顔や服、パッケージの文字、ブランドの色が、カメラの角度が変わっても保たれやすくなりました。3秒までの見本の動画は、3〜10秒の生成なら3本、11〜15秒の生成なら1本まで使えます。編集や延長にも見本の画像を使えるようになり、自然なせりふと口の動き、複数の話者の演じ分けも改善したといいます。

一方で、延長は今も1回3〜10秒で、合計30秒までです。最初と最後のコマを指定してつなぐ生成も、10秒を超えられません。

Google Cloudでは、seedの指定で同じ出力を再現できるようになり、処理能力を予約するProvisioned Throughputにも対応しました。

日本から使うときの注意

• Googleの資料で完全に対応するのは英語だけで、ほかの言語は評価の対象外です。日本語のせりふは動いても結果にばらつきがあるので、試してから使うのが安全です。
• Gemini APIに無料枠はありません。Google Vidsなら追加料金なしで15秒の動画を作れ、GeminiアプリではGoogle AI Ultraの契約者向けに提供を始めました。
• 発表は音声の手がかりも挙げますが、APIの資料では、音声の入力は今の版では使えないとあります。
• 実在の特定の人物が写った画像は、アップロードして使えない場合があります。
• 速いスポーツの動き、台本の急な切り替え、複雑な物理の動きは、Googleも改善の途中と説明します。