GoogleのOmniがリークされた。AI動画は今や時代遅れに。

この週末、AIの世界にデジタルな動揺が走った。それはTwitterの思いがけない一角から始まった。フォロワー数の少ないある一般ユーザーが、標準のGoogle Geminiアプリ内で動画生成タブを探索中に、重要な詳細を発見した。そこには、通常のインターフェースの中に、繊細でありながらも衝撃的なテキスト行が現れた。「powered by Omni」と。これは内部開発者ビルドやテスト環境ではなかった。消費者向けのGeminiアカウントを持つ一般ユーザーがアクセスできる、本物の製品版リークだったのだ。そのユーザーは、モデルのライブ機能を実演する2本の動画の生成に成功した。

「powered by Omni」タグのスクリーンショットは、すぐにソーシャルメディアに火をつけた。Twitterは沸騰し、ユーザーはすべてのピクセルを分析し、Googleの謎めいた新しいAIモデルについて盛んに憶測を巡らせた。そのバイラルな反応は迅速かつ圧倒的で、事実上Googleに決断を迫った。主要なAI発表の伝統的な舞台である同社の年次I/O conferenceが目前に迫っている（5月19-20日）中で、この偶発的な開示は、彼らが綿密に計画していた発表スケジュールを先取りする形となった。

AI開発という高リスクで極秘性の高い領域におけるこのようなリークは、計り知れない重要性を持つ。Googleのような企業は、研究開発に数十億ドルを投資し、画期的な技術を極度の警戒心を持って守っている。Gemini Omniの予定外のデビューは、現在Geminiアプリで動作している既存のVeo 3.1モデルをはるかに凌駕する強力な新機能が明らかになったことを示している。リークされたデモには、複雑な数学的証明を書く教授や、詳細な「Will Smithスパゲッティベンチマーク」が含まれており、動画生成品質における根本的な飛躍を示唆しており、ByteDanceのSeedance 2と直接競合する。

偶発的なアクセスに関する初期分析は、Omniの途方もない規模と計算要件も示唆していた。わずか2本の短い動画を生成するだけで、Gemini AI Proプランのユーザーの1日あたりのクォータの驚くべき86%を消費した。この法外な使用量は、Veo 3.1や仮説上のSora 2の消費量をはるかに上回り、Omniの巨大な基盤アーキテクチャと、生成あたりの計算コストの高さを示している。このリークは単なる一瞥ではなく、マルチモーダルAIにおける新たなフロンティアの時期尚早な宣言だった。

リークされたデモは、Omniの機能に対する一般の最初の見解を提供し、すぐに新たなベンチマークを設定した。最初の動画では、教授が伝統的な黒板に三角恒等式を書き、各ステップを説明していた。このデモンストレーションは、前世代のAI動画モデルにとって悪名高い課題であった、前例のないテキストレンダリングの明瞭さと、驚くほど一貫性のある手の動きを明らかにした。

2番目のデモは、AIのリアリズムにとって悪名高い難題である、悪名高き「Will Smithスパゲッティベンチマーク」に取り組んだ。それは、白いテーブルクロスと豪華なアクセサリーが完備された高級レストランで、海辺で食事をする2人の高貴な男性、うち1人は50代の成熟したアフリカ系アメリカ人男性を描写していた。Omniの出力は、非常にリアルな動き、正確なオブジェクトの相互作用、そして微妙な人間の動作を実現し、複雑な多オブジェクトシーンの高度な処理能力を証明した。

ByteDanceのSeedance 2との直接的な並列比較が、両モデルに同一のプロンプトを使用して行われました。Seedance 2は高品質なビジュアルを生成しましたが、Omniの出力は、特に教授の筆跡や食事客の微妙な動きにおいて、より自然な流れ、優れた細部、そして少ない視覚的アーティファクトを示すことがよくありました。この結果は、Omniが現在のトップティアの生成モデルと少なくとも同等であり、微妙ながらも優れている可能性を示しています。

生の生成能力を超えて、リークされたクリップはOmniのより深く、マルチモーダルな能力を示唆していました。メタデータとユーザーインターフェースの要素は、透かしの除去、オブジェクトの入れ替え、自然言語指示によるシーンの書き換えなど、高度なチャット内編集機能を示唆していました。これらの微妙な手がかりは、単にビデオを生成するだけでなく、印象的な推論と文脈認識をもってシーン要素を理解し、操作するモデルであることを示しています。

しかし、このような洗練された出力は、かなりの計算コストを伴います。報告によると、わずか2つのOmniビデオを生成するだけで、月額20ドルのGemini AI Proプランのユーザーの1日の割り当ての驚くべき86%を消費しました。この使用率は、1日あたり15〜20回の生成を許可するVeo 3.1、あるいは現在廃止されたSora 2のそれをも劇的に小さく見せ、Omniの基盤となるアーキテクチャが実質的に大きく、より多くのリソースを必要とすることを示唆しています。

Omniは、Googleの既存のVeo 3.1からの単なる段階的なアップデートではなく、明確な大きな変化を表しています。ビデオのリミックス、チャットでの直接編集、テンプレートの活用といった実証された能力は、これを包括的なマルチモーダルな強力な存在として位置づけています。Google I/Oの直前というこのリークのタイミングは、AIビデオ生成およびより広範なマルチモーダルAIの状況を再定義する可能性のある、差し迫った画期的な発表を強く示唆しています。

Googleの既存のビデオ生成モデルであるVeo 3.1は、現在、内部コードネームToucanのもとでGeminiアプリを動かしています。ビデオを生成する能力はあるものの、その出力は最近のOmniのデモンストレーションと比較すると見劣りします。Proプランのユーザーは通常、使用制限に達するまでにVeo 3.1で1日あたり15〜20回の生成を行います。

Omniは、「Veo 4」の単なるイテレーション以上のものを明確に表しています。リークされた使用データは、莫大な計算コストを明らかにしています。2つの短いビデオプロンプトが、Gemini AI Proプランのユーザーの1日の割り当て全体の驚くべき86%を消費しました。この途方もなく高価なリソース要求は、Veo 3.1をはるかに超え、Sora 2のようなモデルの報告されたコストさえも上回ります。

このような劇的なコストは、リークされたデモで見られたテキストレンダリングの比類ない明瞭さと一貫した動きと相まって、根本的なアーキテクチャの変更を示唆しています。Omniは品質において世代的な飛躍を提供し、Veo 3.1をはるかに置き去りにし、ByteDanceのSeedance 2のようなトップティアのモデルに直接挑戦しています。これは段階的な改善ではなく、パラダイムシフトです。

AIモデルの開発では、既存のフレームワークを洗練させるマイナーなイテレーションがよく見られます。しかし、Omniは真の「ステップチェンジ」を体現しているようで、Veoフレームワークの単なるアップグレードではなく、完全な再設計を示しています。Googleの最後の主要なビデオモデルリリース以来の大きな空白は、この評価を裏付けています。リークとGoogleの潜在的なI/O発表に関するさらなる洞察については、読者はGemini Omni leak reveals Google's next AI video tool ahead of I/O 2026 - Digitを参照できます。

「Omni」という名称が示唆する膨大な計算要件とマルチモーダルな意味合いは、根本的に新しい基盤技術を示唆しています。Googleは、ビデオ生成だけでなく、多様なモダリティを処理できる統一されたアーキテクチャを備えた、はるかに大規模で複雑な基盤モデルを開発した可能性があります。これには、高度な拡散トランスフォーマーや、複雑なシーンや動的なテキスト全体で前例のない一貫性と忠実性を実現するために設計された斬新な生成アーキテクチャが含まれる可能性があります。

Omniは、ByteDanceのSeedance 2、AlibabaのKling、OpenAIのSoraといった確立された巨人たちに直接挑戦し、激しい競争の場に即座に参入します。初期のリークされたデモは、Omniが全体的なビデオ品質においてSeedance 2と同等であり、それらの映画のような出力の区別を困難にしていることを示唆しています。これにより、Googleは単なる参加者としてだけでなく、初日からトップティアの競争相手として位置づけられ、自社のVeo 3.1の現在の能力を上回る可能性があります。

しかし、Omniが真に優れているのは、特に複雑な要素における細部への綿密な注意と忠実性です。教授のデモでは、テキストレンダリングにおける前例のない明瞭さと、驚くほど一貫性のある手の動きが鮮やかに示されました。これらは、一部の著名なものを含む多くの生成モデルが依然としてつまずく領域です。生の生成を超えて、Omniの主張される機能は高度な編集にまで及び、ユーザーがシーンを直接操作できるようにします。

これには以下が含まれます。 - 透かしを正確に削除する。 - フレーム内の特定のオブジェクトを交換する。 - 簡単なチャット指示でシーン全体を書き換える。

GoogleのOmniに対する積極的な推進は、AI競争で勢いを取り戻すための戦略的な必須事項を示しています。GeminiとVeo 3.1（コードネーム Toucan）の一般公開後の反応に続き、Omniは単なる反復的なアップデートではなく、世代的な飛躍であるように見えます。この大規模な投資は、Googleが急成長するAIビデオ分野をリードし、最近大きな注目を集めている手ごわいライバルに対して確固たる地位を築こうとする野心を強調しています。

Omniの究極の切り札は、噂されているエージェント機能である可能性があり、Soraのような純粋な生成モデルとは根本的に異なります。テキストプロンプトから単にビデオを作成するのではなく、Omniは会話インターフェース内で複雑な編集および操作タスクを直接理解し、実行すると報じられています。これにより、動的なビデオ操作、リミックス、および反復的な制御が可能になり、単なる一発生成エンジンではなく、クリエイティブなパートナーへと変貌します。このエージェントとしての可能性は、コンテンツクリエイターにとって全く新しいワークフローを切り開く可能性があります。

しかし、このような高度な機能には、かなりの計算コストが伴います。Omniでわずか2本のビデオを生成するだけで、月額20ドルのGemini AI Proプランのユーザーの1日の割り当ての86%を消費したと報じられています。参考までに、同じプランのVeo 3.1では1日あたり15～20回の生成が可能であり、Sora（利用可能であれば）では数十本の短いクリップが許可されます。この厳しい使用制限は、モデルの巨大な基盤アーキテクチャとそのリソース集約的な性質を示唆しており、生成ごとにかなりの計算能力を必要とするAIビデオ技術における大きな進歩を表していることを示唆しています。

Googleの画期的な技術の真のコストは、リークされた使用状況指標によって明確になりました。Omniを使用したわずか2回の動画生成で、Gemini AI Proプランの1日の上限の86%という驚異的な量を消費しました。月額20ドルのこの広く採用されているプランは、通常、多様なAIインタラクションに対して十分な1日の許容量をユーザーに提供します。しかし、Omniの要求の厳しい性質は、わずか2つの短いクリップを生成しただけで、ユーザーが利用できるほぼすべてのリソースを使い果たし、このティア内でのカジュアルな使用や反復的な使用を事実上不可能にしました。

これをGoogleの現在のVeo 3.1（コードネーム Toucan）と比較すると、その違いは世代的で歴然としています。同じGemini AI Proプランのユーザーは、通常、Veo 3.1で1日の使用制限に達するまでに15〜20本の動画を生成できます。

Googleがリークされたモデルに「Omni」という名称を選んだことは、OpenAIのGPT-4o（「o」が明示的に「Omni」を意味する）との類似性を即座に想起させます。この命名法は、AI分野における重要な戦略的連携を示唆しており、次世代の人工知能に対する共通のビジョン、すなわち真に統合されたマルチモーダルモデルを示しています。

Googleが「Omni」という名前を採用したことは、専門化された単一目的のAIモデルを超えた意図的な動きを示唆しています。これは、Veo 3.1のような既存の動画生成器の単なるアップグレードではなく、根本的なアーキテクチャの転換を意味します。同社は、多様なデータタイプをシームレスに統合できるAIを発表する準備ができているようです。

真のオムニモーダルAIは、現在のシステムの限界を超越します。このようなモデルは、テキスト、音声、画像、動画など、あらゆる入力の組み合わせを受け入れ、これらのモダリティのいずれか、またはそれらの組み合わせで出力を生成できます。これは、これまで達成できなかった全体的な理解と生成能力を表しています。

Google独自のVeo 3.1（コードネーム Toucan）、ByteDanceのSeedance 2、AlibabaのKling、OpenAIのSoraを含む現在の主要モデルは、主に「テキストから動画」または「テキストから画像」の生成器として機能します。これらはそれぞれの特定の領域で優れていますが、Omniが約束する、すべての感覚データタイプにわたる統合された流動的なインタラクションを欠いています。

この変化は、ユーザーがAIとどのように対話するかを根本的に変えます。動画クリップを入力し、その内容について口頭で質問し、生成された画像、編集された動画セグメント、およびテキストによる要約を応答として受け取ることを想像してみてください。Omniは、このような複雑なマルチモーダルなインタラクションを日常的なものにすることを目指しており、これは重要なパラダイムシフトを示しています。GoogleのAI機能の詳細については、GoogleのAIアシスタント Geminiに会うことができます。

クリエイティブなワークフロー、情報処理、人間とコンピューターのインタラクションに対する影響は計り知れません。オムニモダリティは単に優れた動画に関するものではなく、真に人間のように相互接続された方法で情報を認識し表現するAIに関するものであり、異なるメディア形式間の境界線を曖昧にします。

「Omni」は単なるモデルを超越し、Googleの広大なAI帝国にとって深遠な戦略的転換を示唆しています。この名称は、OpenAIのGPT-4o（「o」が「全方向性」または「全能」を意味する「Omni」を表す）を反映しており、Googleがしばしば断片化されていたAIの取り組みを、単一の統一されたブランドアイデンティティの下に統合しようとしていることを示唆しています。リークされたタグは、単なる新しい動画生成器をはるかに超える野心を示唆しており、Googleがその高度なAI機能を世界に提示する方法の包括的な再評価を潜在的に表しています。

Googleの多様なAIブランド（動画生成のVeo、静止画作成のImagen、音声合成のMusicLM、その他多数の専門モデル）が個別の存在感を体系的に失い、近い将来、それらが包括的なGemini Omniの傘下に吸収され、シームレスに統合される未来を想像してみてください。これにより、真のマルチモーダルな強力なAIが誕生します。この統合は、Googleの広大なAIポートフォリオを大幅に合理化し、開発者とエンドユーザーの両方に一貫性のある直感的なインターフェースを提供できるでしょう。

このような抜本的な再構築がGoogleにもたらす利点は、間違いなく計り知れません。同社は以下から多大な恩恵を受けるでしょう： - マーケティングとブランディングの簡素化により、多数の異なる製品ラインにおけるユーザーの混乱を大幅に軽減。 - 研究開発パイプラインの統合により、前例のないクロスモーダルなイノベーションと共通のアーキテクチャ効率を促進。 - 高度なマルチモーダルAI機能が単一の強力なインターフェースからシームレスにアクセスできる、より直感的で一貫したユーザーエクスペリエンス。 この合理化された統合アプローチは、OpenAIやByteDanceのような急速に進化するライバルに対するGoogleの競争優位性を増幅させることを約束します。

しかし、AIの完全な統合という野心的な道は、かなりのリスクと途方もない課題を伴います。移行が綿密に管理され、適切に伝えられなければ、Googleは、特にVeoやImagenのような専門的で微調整されたツールに慣れている既存ユーザーベースのかなりの部分を意図せず疎外してしまう可能性があります。さらに、根本的に異なるAIアーキテクチャ、トレーニング手法、膨大なデータセットを真に統一された一貫性のあるマルチモーダルモデルに統合するという純粋な技術的課題は、途方もない規模のエンジニアリングの偉業を提示します。すべてのモダリティで一貫した高忠実度なパフォーマンスを確保し、退行を防ぐには、前例のないリソース、調整、および反復的な改善が求められるでしょう。

Googleは、Omniの一般公開に向けて3つの異なる道を歩む可能性があります。最も影響が少ないのは、既存の動画生成の取り組みを単にリブランドすることです。このシナリオでは、Veo 4が発表され、Omniは内部コードネームに格下げされるでしょう。このような動きは、リークされたデモや認識されている世代的飛躍によって生じた期待を裏切り、失望させることになります。

2番目の、より現実的なシナリオは、並行した製品ローンチです。GoogleはOmniを新しい独立したプレミアムサービスとして導入し、現在のVeoと並行して明確な2層サービスを構築する可能性があります。これにより、GoogleはOmniの高度な機能をより高い価格で収益化し、プロフェッショナルユーザーに対応しつつ、Veoをより広範なアクセス性のために維持することができます。

しかし、最も野心的で変革的な道は、Googleが「Omni」という名称の可能性を最大限に引き出すことです。この革新的なシナリオでは、テキスト、画像、音声、動画のすべてのモダリティをシームレスに処理できる単一の統合マルチモーダルモデルのライブステージ発表が想定されます。このような発表は、Googleを瞬時に業界のリーダーとして位置づけ、OpenAIのSora、ByteDanceのSeedance 2、AlibabaのKlingといった競合他社を飛び越えることになるでしょう。

この3番目のシナリオが最も可能性が高く、影響が大きいと思われます。リークされた利用状況の指標では、2つのOmniビデオ生成がGemini AI Proプランの1日の上限の86%を消費していることが示されており、莫大な計算コストとVeo 3.1とは根本的に異なるアーキテクチャを示唆しています。これは単なるアップグレードではなく、飛躍的な変化です。OpenAIのGPT-4o（「o」は統一されたマルチモーダル機能を表す「Omni」を意味します）との直接的な類似性は、Googleが包括的で網羅的なAIを目指していることをさらに示唆しています。

さらに、単一の統合されたOmniモデルを立ち上げることは、Googleのしばしば断片化されたAIイニシアチブを統合するという、より広範なブランド戦略と一致します。これは単なる製品発表ではなく、意図の表明であり、競争環境を再定義し、AIが達成できることへの期待を再構築する決定的な瞬間となるでしょう。業界は単なる反復ではなく、革命を待ち望んでいます。

Omniは単純なビデオ生成ツールの境界を超え、エージェンティックなAIツールへの深い転換を示唆しています。このモデルは単にテキストプロンプトを受け取ってビデオをレンダリングするだけでなく、複雑な指示を理解し、多段階のタスクを調整し、他のデジタルサービスと連携することを目指しており、クリエイティブなワークフローを根本的に変革します。

「Omni、Google Driveから最高のクリップを見つけて、30秒の予告編に編集し、ナレーションを追加してYouTubeに公開して」といったコマンドを発行することを想像してみてください。この単一の指示には、一連の高度なアクションが含まれています。Omniは、クラウドストレージにアクセスし、関連する映像をインテリジェントに識別し、複雑なビデオ編集操作を実行し、音声を合成し、その後、公開プロセス全体を管理する必要があります。

これは、現在のAIモデルで主流の「プロンプトと生成」パラダイムをはるかに超えています。Omniは推論を統合しており、一連の依存するアクションを計画・実行することを可能にします。異なるアプリケーション間でデータをナビゲートし操作するためにブラウザのようなアクションを実行し、絶え間ない人間の監視なしに多段階タスクに優れています。

このような機能は、AIを受動的なコンテンツ工場から能動的なデジタルアシスタントへと変革します。単に望ましい出力を記述するだけでなく、AIに複雑なプロジェクトを*実行*するように指示するへの移行は、AIアシスタントにとって真の次のフロンティアを表しています。このレベルの自律性は、Googleがより良いモデルを構築しているだけでなく、まったく新しいカテゴリのインテリジェントなソフトウェアを構築していることを示唆しています。Googleのより広範なAIの野心と発表、および新しいマルチモーダル機能がエコシステム全体にどのように統合されているかについての包括的な概要については、読者は100 things we announced at I/O 2024 - Google Blogなどのリソースを参照できます。

このエージェンティックなアプローチは、前例のない効率性を解き放ち、クリエイターがプロジェクト全体をAIに任せられるようにすることを約束します。リークされたデモは印象的ですが、Omniの生成能力のヒントに過ぎません。その真の力は、Googleの広大なデジタルランドスケープ全体で洗練されたコマンドを実行する、完全に自律的なクリエイティブパートナーになる可能性にあります。

Omniの時期尚早なデビューは、AIビデオ開発競争を直ちに再調整します。OpenAIやByteDance、AlibabaのKlingといった競合他社は、ロードマップを加速させるという途方もないプレッシャーに直面しています。Googleの意図しない公開は、ライバル企業に未発表モデルの進展や既存モデルの強化を促し、Omniの前例のない忠実度とエージェンティックな機能に対応させ、業界全体を加速されたペースで前進させています。

クリエイター、開発者、ビジネスにとって、Omniは新たな、要求の厳しい時代を告げています。リークされた使用量指標—2つの動画生成がGemini AI Proプランの1日の上限の86%を消費—は、莫大な価格設定と計算の負荷の高さを示しています。この次世代に備えることは、計算リソースへの多大な投資と、非常に高性能でありながらリソースを大量に消費する、変革的な創造的可能性を秘めたエージェント型AIツールへのワークフローの適応を意味します。

広く利用可能な超リアルなAI動画の倫理的および安全性の影響は甚大です。Omniの高度な編集機能—動画のリミックス、透かしの除去、オブジェクトの入れ替え、チャット指示によるシーンの書き換え—は、誤情報やディープフェイクに関する深刻な懸念を引き起こします。規制機関やプラットフォームプロバイダーは、現実と合成コンテンツの境界を前例のない容易さと洗練さで曖昧にするツールに対処しなければなりません。

計算されたマーケティング戦略であろうと、真の誤りであろうと、Gemini Omniのリークは2026年の期待を決定的にリセットしました。この偶発的な公開は、AI動画生成におけるリアリズム、一貫性、エージェント的制御の新たな、より高いベンチマークを確立し、Veo 3.1のような現在のモデルをはるかに凌駕しています。業界は今、強力ではあるが高価な、マルチモーダルな未来の先駆けであるOmniの影の下で動いています。

Google Gemini Omniとは何ですか？

Gemini Omniは、Googleから偶発的にリークされた、未発表の新しいマルチモーダルAIモデルです。これは強力な動画生成および編集ツールであり、様々なAI機能を単一のシステムに統合する可能性があります。

Gemini OmniはGoogleのVeoとどう異なりますか？

初期デモでは、Omniが現在のVeo 3.1モデルからの大幅な進歩を示しており、優れたテキストレンダリング、動き、構図を見せています。「Omni」という名前は、専門化されたVeoとは異なり、動画だけでなく、より多くのものを扱う真のマルチモーダルモデルである可能性も示唆しています。

Gemini Omniの利用料金はいくらですか？

公式の価格は不明ですが、リーク情報によると、わずか2本の短い動画を生成するだけで、月額20ドルのProプランの使用量の86%を消費したとされています。これは、既存のモデルよりも大幅に高価で計算負荷が高いことを示しています。

Gemini OmniはSoraやSeedance 2のような競合他社よりも優れていますか？

比較では、Omniは生の動画品質においてSeedance 2のようなトップモデルと非常に競争力があることが示されています。その主な利点は、噂されている高度な会話型編集機能であり、競合他社よりも多用途なツールとなる可能性があります。