これを書いているのは2026年5月12日、Google I/Oのちょうど7日前です。もしこの記事の予測が5月20日までに大きく外れても構いません。記録に残すことの方が大事なので。もし当たれば、なおさら良いでしょう。
ここでやりたいのは、「Gemini Omni」について実際にわかっていることを整理し、憶測と事実を切り分け、発表があった際に/tools/text-to-videoやGeminiOmniスタック全体で何に賭けるかを説明することです。
アプリ内の文字列
最も具体的な証拠は5月5日に現れました。9to5GoogleのAPK解析が、Gemini Androidアプリ内で新しいリソースを発見したのです。
Create with Gemini Omni: meet our new video model, remix your videos, edit directly in chat, try templates, and more.
初めて読んだ時、いくつかの点が気になりました。
- 「Our new video model」 —— 単数形です。「video models」ではなく、「video and audio」でもない。Googleはこれを次世代のビデオ提供として位置づけています。たとえ（後で論じるように）モデル自体はその文字列が示すよりも汎用的であるとしても。
- 「Remix your videos, edit directly in chat」 —— これは、Nano Banana 2が画像に対して既に行っている、チャットネイティブな編集操作です。Googleは会話型編集のUXを動画に拡張しています。
- 「Try templates」 —— GoogleはGeminiアプリ内にテンプレート画面を用意しています。これはモデル自体ではなく、配布に関するヒントです。インディーデベロッパーは、自社の動画ツールが、コンシューマー向けGeminiアプリ内のワンタップテンプレートと競合することになるだろうと想定すべきです。
Testing Catalogが追跡記事で、アプリのデバッグビルドにおけるサンプル出力を公開しました。その美的感覚は、私がImagenで見たどのものよりもVeo 3.1に近く、テンプレートには画像から動画へのフローも含まれているようです。
なぜ「Omni」はリークが示唆する以上に大きいと思うのか
「Omni」という名前は、多くのことを示唆しています。Googleは軽々しくモデルを「Omni」とは呼びません。この命名選択から、三つのことが読み取れます。
一つのモデルであって、三つではない。 Googleが敷いてきたパターン——画像のコンテキスト内編集にはNano Banana、動画にはVeo、その他すべてにはGemini Flash——は、一つのチャットUIの背後にある三つの専門モデルでした。「Omni」は、それらの統合を意味していると私は読み解きます。画像と音声を一回のパスで。動画と画像を一回のパスで。おそらくはテキスト生成もメディア生成と同一の単一フォワードコール内に同居させることでしょう。
動画という枠組みは消費者向けの売り文句。 マーケティングチームは、発表の文字列に最もわかりやすい機能を置きます。「新しい動画モデル」は、「ネイティブ音声とチャットネイティブ編集機能を備えた統合マルチモーダル生成モデル」よりもキーノートで説明しやすいのです。しかし、デベロッパー向けの表面は、キーノートが示唆するよりもおそらく広範です。
Omni Referenceが実際の機能。 参照フレームを備えたVeo 3.1を使ったことがあれば、「被写体をクリップ全体にわたって固定する」というUXがどれほど強力かご存知でしょう。リークでは言及されていないが、「remix your videos」によって示唆されるキーワードは、ほぼ間違いなく——マルチリファレンスのOmniモードです。被写体、スタイル画像、スクリプトを渡し、一つのモデルに一貫性のある映像作品を生成させるのです。
Veo 3.1が既に実現していること
期待値を調整するために：Veo 3.1 Fastが既に実現していることはすべて、Omniが出荷する機能の下限です。現在、Veo 3.1 Fast（1秒あたり0.15ドル）で可能なこと：
- ネイティブ同期空間オーディオを備えた8秒1080p動画
- 参照フレームにロックされたキャラクターの一貫性（1～4枚の入力フレーム）
- 布、水、髪、屈折に対する物理認識モーション
- テキストから動画、画像から動画、短尺動画から動画へのリミックス
- 以前に生成したクリップへのチャット形式の編集（「0:03のところをスローダウンして」）
これは既に、この価格では驚異的な機能です。Omniが何を出荷しても、このベースラインと比較して評価されます。もしOmniがこれらの機能のすべての実用的バージョンを含んでいなければ、インディーデベロッパーは静かにVeo 3.1を使い続けるでしょう。
名乗りを上げて賭ける三つの予測
これまでGoogle I/Oの発表で外したこともあるので、適度に割り引いて聞いてください。
予測1: Omniの目玉機能は、単一プロンプト内でのマルチモーダル出力です。 単一のGeminiプロンプトを入力するだけで、動画、静止画像、ナレーション音声、おそらくは文字起こしを含む構造化オブジェクトを——すべて内部で一貫性を持つように共同生成されて——取得できるようになるでしょう。これは、「動画と音声を一回のパスで」から「すべてを一回のパスで」への明白な次のステップです。
予測2: 価格は各機能の合計を下回ります。 現在、30秒のナレーション付き解説動画を生成するには、少なくとも三回のAPI呼び出しが必要です。動画にVeo、ナレーションにTTS、サムネイル画像にImagen。もしOmniがこれらをバンドルするなら、Googleは合計の約70%で価格設定するでしょう。それが、インディーデベロッパーをマルチコールワークフローから引き離す楔となります。
予測3: 初日から使えるAPIは提供されません。 GoogleはI/Oでモデルを発表し、APIアクセスを数週間後に提供するという歴史があります。制御されたアクセスでの提供が予想されます。コンシューマー向けGeminiアプリにはすぐにOmniが搭載され、AI Studioには1週間以内、公開デベロッパーAPIにはI/Oの2～4週間後に提供されるでしょう。インディービルダーは、そのギャップを計画に組み込むべきです。
Omniが予想通りに提供されると仮定して私が出荷しているもの
この読みに基づいて、GeminiOmniコードベースで行った三つの具体的な賭けです。
ホームページに「Coming May 20」のプレースホルダー。 geminiomni-ai.comのヒーローセクションでは、Omni Modeを明示的に言及しています。ローンチが遅れても少し気まずい思いをするだけで済むように、キーワードを事前に確保しておきたいのです。ローンチ当日の午前3時（太平洋時間）に慌ててコピーを書き換えるよりはましです。
サーバーサイドのプロンプトルーティング。 四つのツール——テキストから動画、画像から動画、Nano Banana編集、PDFチャット——はすべて、モデルパラメータを持つ単一の内部エンドポイントを経由してルーティングされます。OmniのデベロッパーAPIが公開されたら、一つの設定値を変更するだけで、同じユーザー向けツールが新しいモデルを使い始めます。クライアント側の変更は不要です。
まだ独立した「Omni」UIは作っていません。 実際のAPIを見て、適切なUXラッパーが何かを決めるまでは、「Omni」とラベル付けされた5つ目のツールタイルは作りません。もしOmniの特徴的な機能が「一つのプロンプト、四つのメディアタイプ」であれば、適切なUIは四つの独立したツールではなく、単一のチャットボックスかもしれません。これは、ローンチ前にコミットしたいと思うよりも大きな製品判断です。
キーノート中に注目していること
5月19日～20日にI/Oのライブ中継を見るなら、インディービルダーが次に出荷すべきものに最も影響を与える三つのこと：
- 価格設定。 Omniの動画出力に対する1秒あたりの金額。Veo 3.1 Fast以下か同程度なら、計算は成り立ちます。3～5倍なら、Omniはデベロッパー向けの表面ではなく、消費者向け機能です。
- APIの提供時期。 Sundar PichaiやDemis Hassabisが「本日よりGemini APIで利用可能」と言うのか、「今後数週間かけてデベロッパーに展開」と言うのか。大きく異なる二つのタイムラインです。
- AI StudioのFreeティアにおけるレート制限。 Googleがここで設定する値は、インディーツールが自社のFreeプランで提供できる上限となります。
5月21日に、実際に何が起こったかを基に再度記事を書きます。それまで、これらの予測が外れることを歓迎します。
次に読む
— Lena
