Googleの新しいマルチモーダル動画生成・編集AIである「Google Omni」の使い方と活用方法を解説した動画。テキスト、画像、動画、音声の入力から高品質な動画を生成・編集できる。従来のモデルを凌駕する高い物理演算能力を誇り、環境に応じた物体の挙動を正確に再現する。さらに、プロ向けの作業環境であるGoogle Flowを活用した効率的な生成手順や、プロンプトによるカメラアングルの制御、実写映像の編集、スケッチを用いた高度なモーションコントロールなど、クリエイター向けの強力なVFX機能やストーリーボード作成機能の実態を明かしている。
Google Omniの基本とプロ向け環境Google Flow
Google Omniは、テキスト、画像、動画、音声の入力から動画を作成および編集するための、Googleの新しいマルチモーダル動画AIです。本日は、皆さんが知っておくべきことのすべてをご紹介します。
多くの人は、新しいGeminiを開いてサイドタブの動画をクリックし、そこからGoogle Omniを利用しています。この領域は、さまざまなテンプレートから始められるため、初心者には特に便利ですが、大半の人が日常的にGoogle Omniを使う方法としては最適とは言えません。
もし皆さんが、より多くの作業をこなすためにプロフェッショナルな環境でGoogle Omniを使用したいのであれば、Google Flowに移動してください。ここは、すべてのGoogleモデルを専用のアプリーケーション内で使用し、はるかに迅速に作業を進めることができるGoogleのFlow領域です。まだこの存在を知らない人がほとんどです。Google Omniを使って最大限の成果を引き出したいのであれば、この方法で行うことになります。
ここで新規プロジェクトを作成をクリックすると、画像や動画を生成できるキャンバスが開きます。Omniを使用する際、下の動画をクリックすると、8秒の領域のすぐ下にOmni Flashが表示されます。このモデルを最も効果的に活用し、最大限の実力を引き出すためには、ここでOmniを使用する必要があります。
Google Flowの領域を使用する際、右上の部分をクリックすると、Google Flowのクレジット残高がどれだけあるかを確認できることを覚えておいてください。そのクレジット数に基づいて、一定数の画像や動画を生成できます。例えば、こちらの私の動画セクションに移動すると、Google Omni Flashで1本の動画を生成するのに25クレジットを消費することがわかります。私の残高を見ると20,000クレジットあるので、全く問題ありません。
通常、通常のGoogleアカウントをお持ちの場合、毎日約50のデイリークレジットが付与されますが、これらのデイリークレジットは翌日に持ち越されません。そのため、ご自身のGoogleサブスクリプションに応じて、十分なクレジットがあるかどうかにご注意ください。
このOmni Flashは、V3からの特に優れたアップグレードと言えます。そのパフォーマンスの高さから、動画クリップを生成する際のデフォルトモデルになると思います。Omni Flashの標準的な使い方は、単純に自分が望む動画を生成することです。これはVO3.1と全く同じように機能しますが、より優れた機能を備えています。
例えば、ロンドンの通りを走るF1カー、と言って生成をクリックしてみます。皆さんに品質の違いを理解してもらうために、まずはVO3.1で生成された実際の映像をお見せします。
最初に、ロンドンの通りを走るF1カーというプロンプトによる、VO3.1の品質のクリップです。これを見ると、車は指示通りに機能しています。ロンドンの街並みを駆け抜けていますが、最後に少し不自然に素早くバックしています。
Google Omniによる複数シーンの自動生成とプロンプトのコツ
では、これをGoogleのOmniモデルで生成されたクリップと実際に比較してみましょう。ここでクリップを再生し始めると、Omniの際立った特徴の一つとして、動画クリップをプロンプトするだけで、デフォルトで複数の異なるシーンが生成されることがわかります。Gemini Omniでプロンプトを出すときは、モデルが常にカメラアングルを切り替えるということを理解しておく必要があります。左からのアングル、右からのアングル、ドリー撮影のアングルなど、これをデフォルトで行います。そのため、モデルに別の指示を与えない限り、このような結果になります。
別の例をお見せしましょう。こちらはVOの例で、ロンドンで警察に追われるF1カー、と指示したものです。F1カーがロンドンで警察に追われているのがわかります。非常に良い出来です。いくつかシーンがあるのが確認できます。
しかし、もう一度こちらに目を向けてGoogle Omniを見てみると、モデルが複数の異なるシーンを切り替えており、いくつかのエラーも見られます。
Omni Flashを使って動画を編集する方法に進む前に、理解しておくべきことがあります。このモデルを単に動画生成のためだけに使う場合、内部では基本的にジェネリックな処理が行われています。つまり、ベースとなるプロンプトを複数の異なる要素に分割し、自分で細かく指定しない限り、複数の小さなシーンを繋ぎ合わせて一つの動画を構成しているのです。
そのため、Omniがどのようにシーンを演出するかをコントロールしたい場合は、ロンドンの通りを走るF1カー、警察に追われている、というように指示します。しかし、ここでは4つの異なる要素を追加しました。まず、車がF1トラックから飛び出します。次に、ロンドンの通りに入ります。その後、ヘリコプターからの視点になり、最後にクラッシュします。この例では、F1トラックから飛び出し、ヘリコプターのアングルになり、最終的にクラッシュするのが見られます。
もちろん、Omniでは、カメラアングル1はこれ、カメラアングル2はそれ、といった形で自分でカメラアングルを変更することも可能です。これは驚くほど便利だと気づきました。例えば、このプロンプトでは、2秒ごとにOmniに何をすべきかを正確に指示しました。2秒時点で車が角を曲がり、4秒時点で、といった具合です。
ここで知っておくべきことがあります。何故か、そのようにプロンプトを出しても、GoogleのOmniモデルは、シーンをそのままストレートに記述する方を好みます。では、すべてのインターバルでカメラアングルに何かをさせたいとしましょう。2秒の時点でフェラーリが角を曲がるようにしたいとします。それがこの最初のクリップです。2秒の時点で角を曲がっています。そして4秒の時点で、タイヤを輝かせ、オレンジ色のブレーキディスクにしたいと指示します。6秒の時点で、バリアにクラッシュする空撮映像になり、8秒の時点で、人々が確認するために駆け寄ってきます。
確かにこれは正確ですが、このように発生しがちなエラーもいくつか見られます。例えば、お気づきになるか分かりませんが、ここでクラッシュする際に車の向きが変わってしまっています。車が前を向いていたのに、そのまま後ろ向きにひっくり返っています。これは非常に奇妙な現象です。そしてもちろん、この人たちは車から逃げ出しています。
今度は、全く同じプロンプトをタイムスタンプを入れずにOmniで試してみました。すると、こちらではより正確なブレーキディスクを表現した車が得られます。そして最終的にクラッシュし、その後、実際に人々が駆け寄ってきます。もちろん、バリアを通り抜けて走ってしまっているので少し奇妙ですが、シーン全体の正確性の観点からは、より自然に見えます。
そのため、もし望むならタイムフレームを指定したシーンを使うこともでき、それは非常に正確で的確なものになります。しかし、シーンがそれほど複雑でない場合は、タイムフレームなしでも試してみてください。Googleは時折その処理に苦戦することがあるからです。通常のプロンプトをプレーンテキストで入力するだけで、内部のモデルが実質的に機能して、どういうわけかそのプロンプトをより良いものに仕上げてくれます。
物理現実の再現と背景・時間帯の高度な編集
次に、動画を編集する方法をお見せします。ここには、レーストラックを走るF1カーの別のショットがあります。これはかなり良く見えます。これが標準的なGoogle Omniモデルです。これを含めた理由は、Google Omniモデルが物理法則に基づいて変化することを皆さんに理解してほしかったからです。実際の動画は、物理的な条件に基づいて変化します。
例えば、私は地形を異なるものに設定しました。この地形で、路面を氷にしたいと指示しました。ここで確認できるのは、氷の上でタイヤがどのように機能するかを反映して、車が実際に少しゆっくりと動いているということです。多くの人は、このOmniモデルにおいて、Googleが物理的な現実性に焦点を当てることを決定したという事実を理解していません。この動画では、実質的に車が少し減速し、コーナーの周辺で速度が落ちています。非常に些細なことのように思えるかもしれませんが、プロンプトを出す際、物理的な現実性はかなりの重みを持ちます。
例えば、タイヤが大量の氷と雪を跳ね上げているのが見えます。これは、私たちが選択したランドスケープへ移動したからこそ表現されているもので、本当に重要です。
もちろん、今度はGeminiにそれを埃っぽいレーストラックに変更するように頼むと、当然、大量の埃や様々な破片が舞い上がり、車はレーストラック上でのコントロールに少し苦労することになります。
すべては皆さん次第ですが、全く同じシーンを維持したいと言うこともできます。皆さんに覚えておいてほしいのは、Google Omniは、行おうとしているあらゆる作業におけるVFXツールとして表現するのが最も適切であるということです。オリジナルのシーンがあり、例えば、今度は「全く同じ動画で、お城スタイルのトラックの周りをレースしている」と指示します。
最初の動画がこちらで、お城スタイルのトラックの周りをレースしている、と指示したものがこちらです。背景が一対一で変化しているのがわかり、これは非常に便利です。ここにお城スタイルのトラックが背景に見えます。走行が始まります。火花が散っているのが見えます。このコーナーを曲がり、最後に走り去るシーンになります。
最初のシーンをもう一度見ると、実際にはF1トラックを走っています。そこで火花のシーンがあります。そして周回しているシーンがあり、最後に走り去るシーンになります。背景がどこに変わるかに応じて、走行中の画像や動画が適用されます。
また、VFXでこれを使用する人々にとって便利だと思うのは、時間帯の変更です。時間帯を変更したいとき、昼間から夜間に変更することができ、他のすべては完全に同じ状態に保たれます。これも当然、非常に便利です。私はこのクリップで単純に、夜にしてください、と言っただけです。すべてが夜間になっています。
このように、複数の異なる要素を変更できます。もしこの動画で、車両に特定のテキストを入れたくない、あるいはその車両にテキストを入れたいといった要望があっても対応できます。それが非常にうまく機能した例を複数確認しました。
例えば、この車を編集したいとします。私は文字通りこのボックスに入力します。この例では、私自身のロゴを取り込んでプロンプトに追加し、「この車自体に、AI Gridをテーマにしたライブラリを車全体に適用してください。テーマを変更し、他は何も変えないでください」と指示します。
この動画を実際に見てみると、再生をクリックした際、私が適用したライブラリが車全体に実際に反映されているのがわかります。ここに、完全にすべてが含まれています。そして、これは以前と全く同じカメラアングルです。
実写映像の編集とGoogle DeepMindが示す高度な機能
ここまではアプリ内での単なる使い方を説明してきましたが、ここからはGoogleが提供してくれた素晴らしい例のすべてに目を通し、この動画編集がどれほど驚異的なレベルに達しているかをお見せしたいと思います。
ここにある例の一つは、画像に基づいて実際の動画を編集する方法です。リファレンス画像を使用して作成物を編集できるため、より高度なコントロールが可能になります。この例では、手が開いたときに、この画像に基づいた巨大な3D建築構造物を作り、上に向かって構築を開始し、手のひらに収まり、プリズムの光を反射させる、という指示が出されており、非常にクールに見えます。
手に関する同様の例が他にもあります。もう一度、太陽を現す、という指示が見られます。この例が示そうとしているのは、インプット画像が一緒にある限り、VFXの編集方法をより細かくコントロールできるということです。
多くの場合は、単にプロンプトを出して何かを出現させたいと考えますが、それが正確にどのように見えるか、どのようになるかが分からないことがあります。作成物の見え方をコントロールしたい場合は、インプット画像を追加して、作成物の外観を方向付けるのが合理的です。
例えばこちらでは、同じ走行動画ですが、インプット画像に特定のスケッチに基づいたフォトプレリスティックな飛行機械が含まれています。Nano Banana Proなどのソフトウェアを使ってこれらの画像を生成できるため、これは非常に便利だと思います。
Google DeepMindが示しているもう一つの例は、動画を複数の段階で編集する方法です。最も便利な機能の一つは、当然ながらアングルと背景の変更です。このインプット動画では、バイオリニストが背景にいて、非常に自然に見えます。
そして、追加された画像環境であるこの草地に変更できます。それだけでなく、ここで見られるようにオブジェクトを削除することもでき、これは本当に素晴らしいです。間違いなく超驚異的であり、行うのが非常に難しい処理です。
さらに、カメラアングルをバイオリニストの肩越しの位置に変更することもできます。伝統的な映画制作の現場において、カメラアングルを変更することは非常に困難な作業であるため、これは非常に有益だと思います。そのため、単にプロンプトを出したいだけの人にとっても、これは本当に役立つものになります。
カメラアングルを変更するプロンプトを出したいときは、世の中に多くの異なるカメラアングルが存在することを覚えておいてください。それらは簡単に検索できます。例えば、様々なカメラアングルを検索すれば、どれがクローズアップで、どれがドリーで、どれが三人称視点であるかが分かります。自分のシーンをどのように変更したいかを考える際に、これが役立ちます。
もう一つ便利なのは、オブジェクトの置換です。例えば、ここでは宇宙船がこのコロニーを飛び抜けています。そして、それをこちらのクルミに変更することができます。必要な作業は、宇宙船をあるオブジェクトに変更することだけです。時計に変更することもできます。今度は時計が飛び抜けているのが見えます。
このオブジェクトやキャラクターは、自分自身に変更することも、単にプロンプトで指示したものに変更することも可能です。ここでは赤いフリスビーがあり、こちらではワタリガラスになっています。結局のところ、これはクリエイターにとって最も価値のある機能の一つだと思います。
Notebook LMでの解説動画生成とモーション・スタイルの転送
また、Google DeepMindは、これを使用して解説動画を作成できることも示しています。これらの解説動画は決して長いものではありませんが、小さなショート動画やスニペットとしては十分に有用です。これは本当に便利なものだと思います。
デフォルトで、Omni FlashはNotebook LMで利用可能になっているはずです。大半の人はこれを知りませんが、Notebook LMに移動して動画オーバービューを選択し、そこにすべてのソースがあるとします。そこで動画オーバービューを生成すると、実際に動画モデルが使用され、おそらく2〜3分に及ぶ非常に大規模な動画が作成されます。
その動画の生成には、正確な時間枠は分かりませんが、私が最後にこれを行ったときは生成に非常に長い時間がかかりました。しかし、それらの動画は実質的に、あらゆる主題について教えてくれる本格的な教育動画です。
2〜3分に及ぶ本格的な教育動画が一体どのようにして生成されたのか疑問に思っている方は、必ずNotebook LMに移動し、ソースに基づいた動画オーバービューをクリックして、それを生成するよう指示してください。私の経験では、動画オーバービューの生成には30分から60分ほどかかりますが、最近のアップデートによって変更されている可能性もあります。
もう一度、Googleは複数のインプットを組み合わせられることを示しています。インプット動画、インプット画像、インプット音声、そして特定のプロンプトを入力することで、完全に異なる結果を得ることができます。これを複数の異なるスタイル、複数の異なる要素にわたって行うことができます。組み合わせたい要素やスタイルがたくさんある場合に非常に便利です。
そして、こちらが動きとスタイルの転送方法を示したものです。画像や動画からの動きとスタイルのリファレンスを、インプットに対して適用できます。ここには、男性が歩き回っているインプット動画があります。そして、インプットの画像とスタイルがあります。これら二つを組み合わせると、どのような外観になるかが確認できます。
こちらの別の例では、プロンプトは、このクリスタルのような素材で作られたバラ、となっています。バラが成長するインプット動画と、クリスタルのインプット画像があり、非常に美しく見えます。
次にキャラクターの入れ替えに進みます。これは比較的シンプルです。自分自身のインプット動画を入れ、特定のスタイルの画像を入力すれば、実質的に「私をこのキャラクターに置き換えてください」と指示できます。
ただし、Gemini Omniは他のAIツールと比較して、拒否されるケースがかなり多いことを覚えておいてください。理由は定かではありませんが、Googleのツールは実在の人間や、著作権で保護されている可能性のあるキャラクターに対して本質的に敏感です。そのため、特定のキャラクターに変更しようとする場合は、マーベルやDC、あるいは一般に知られている有名なセレブリティなど、著作権で保護された有名なキャラクターに似ていないことを確認してください。そうしないと、プロンプトが機能せずに戻ってくるだけになります。
ここでは他のキャラクターが生成されているのが見えます。ええ、本当にうまく機能しています。そして、ここには「私をこのキャラクターに変えてください」という別のスタイルがあり、これもかなり良く見えます。
スケッチからの動画生成とストーリーボード機能
ここからは、Googleがあまり説明しておらず、大半の人が実際には知らない秘密の機能について触れたいと思います。それは、図面を動画に翻訳できる機能です。スケッチをリアルな動画に変換し、落書きを使って個々の要素がどのように動くべきかを指示することができます。
これは、Google Geminiにアップロードする前に画像の上に描画できるクリエイティブなキャンバスを持っている場合、非常に便利です。これがなぜそれほど便利かというと、車や特定のオブジェクトに特定のルートをたどらせたい、あるいは特定のエリアを追従させたいことがよくあるからです。
この例では、インプット画像によって、魚が完全に計算された軌道をたどっているのがわかります。こちらの例でも、鳥が実際に360度回転し、その後反対方向に飛び続けているのが見えます。これは、オブジェクトを細粒度にコントロールしたい人にとって非常に便利な機能です。大半のAIツールや動画作成ツールにはあまり備わっていないものですが、私はこれが超高機能であると気づきました。
もう一つの便利な機能は、画像のストーリーボードを実際に使用して、単一のクリップからストーリー全体を作成できることです。画像が動画内で何が起こっているかを正確に方向付けられるという話をしたのを覚えているでしょうか。
この例では、彼らはこのストーリーボードを使用しました。ここには6つの異なる要素があります。まず車があり、次に男性、それから車が停車し、彼がピザを食べ、誰かと話し、最終的に走り去ります。
2枚のインプット画像を使用し、10秒の映画的な表現でストーリー全体に従うようGoogleに要求することで、より多くのコントロールが可能になります。シーンごとに追従するだけでなく、各シーンがどのように見えるかを実際に確認できるからです。
入力するその画像と、当然ながらキャラクターとしての自分自身、あるいはそれがどんなキャラクターであれ、そのリファレンス画像があれば、非常に具体的なコントロールを求める人々にとって、これもまた超便利なものになると思います。これが、Google Omniに関する重要なポイントの一つです。
コメント