Google DeepMindは2026年5月17日（Google I/O 2026にて）、マルチモーダル動画生成・編集AIモデル「Gemini Omni」を発表した。テキスト・画像・音声・動画を組み合わせたマルチモーダル入力から高品質な動画を生成するだけでなく、既存の動画を自然言語で編集できる点が最大の特徴だ。
動画編集機能では複数回の指示を重ねてシーンを変更できる。キャラクターの外観や動作、背景の設定を会話形式で調整しながら映像を仕上げていく形で、従来の複雑な動画編集ソフトを操作する知識がなくても映像制作が可能になる。物理演算の精度も向上しており、重力・運動エネルギー・流体力学などの自然な挙動を動画内で再現できる。
また、自分の声を使ったデジタルアバター動画の生成にも対応している。プレゼンテーションや教育コンテンツの制作で自分自身の分身を映像に登場させる用途が想定される。Geminiの持つ言語・画像・意味に関する知識を組み合わせることで、単なるパターンマッチングを超えた創造的な映像表現が可能とされる。
Gemini Omni FlashはGoogle AI Plus・Pro・Ultraの有料プランユーザーに向けて段階的に提供が始まっている。OpenAIのSora、GoogleのVeo2などの動画生成モデルが競合する分野に、Gemini Omniは「生成と編集の統合」という切り口で差別化を図っている。
