モデルの位置づけ
Googleの、動画の生成・編集・延長・アップスケーリングに重点を置いたマルチモーダルモデル。Gemini APIとGoogle Cloudで一般提供されている。(blog.google)
主な能力と用途
- テキストや画像などを参考に、音声を同期した動画を生成できる。対話を重ねながら背景や商品、照明などを編集でき、最初と最後のフレームを指定した生成や動画延長にも対応する。(blog.google)
- 通常の動画生成・編集は3〜15秒で、1秒単位で長さを指定できる。360p、720p、1080p、4Kに対応する。最初と最後のフレームを指定する場合は3〜10秒。(blog.google)
- 商品動画、バーチャル試着、広告、説明動画などの制作に利用できる。人物や商品の参照情報を保ち、会話、リップシンク、カメラワークを伴う映像を生成できる。(blog.google)
制限
- Googleは、速いスポーツ動作、急激な脚本変更、複雑な物理表現について改善を継続中としている。生成物にはSynthIDの透かしが付く。人物の発話を動画編集で変更する機能は制限されている。(blog.google)
- Google Cloudの仕様では、入力上限は131,072トークン、出力上限は260,640トークン。コンテキストキャッシュ、バッチ推論、関数呼び出しは非対応。対応機能は提供プラットフォームによって確認が必要。(docs.cloud.google.com)
- 音声入力については、モデルカードは入力として音声を挙げる一方、Google Cloudのモデル仕様は音声入力を非対応としている。利用する環境の仕様を確認する必要がある。(deepmind.google)
料金
Gemini Developer APIのStandard有料枠、米ドル（USD）。無料枠は利用不可。入力はテキスト・画像・動画が100万トークンあたりUSD 1.50。出力はテキストが100万トークンあたりUSD 9.00、動画が100万トークンあたりUSD 12.00。出力料金には思考トークンを含む。音声入力の料金は当該料金表では確認できなかった。(aistudio.google.com)
動画出力はトークン消費量に基づく課金で、公式の実効額は720pで約USD 0.07/秒。その他の解像度では、360pが約USD 0.023/秒、アップサンプリングを伴う1080pが約USD 0.104/秒、4Kが約USD 0.209/秒。これらは動画出力の換算額であり、入力料金は別途発生し得る。Google Cloudや各アプリの料金をこのAPI料金と同一とは扱わない。(aistudio.google.com)
料金確認日：2026年11月14日。公式料金表 (aistudio.google.com)
発表日と公式資料
- 公式発表日・Google Cloud記載のリリース日：2026年11月5日。入力情報の2026年11月6日とは異なる。(blog.google)
- Google公式発表
- Google Cloudモデル仕様
- Google DeepMindモデルカード