GoogleはI/O 2026でGemini Omniを発表しました。これは、タイムラインやキーフレームを使わず、自然言語の会話で動画を編集できるマルチモーダルモデルです。バブル彫刻、液体ミラー、バイオリニストのバイラルデモが証明しているのは、単なるテキストから動画への生成ではなく、「手元にある動画をテキストで編集する」という真のパラダイムシフトです。これは動画制作における「iPhoneカメラ」の瞬間と言えます。音声やオーディオ編集機能、Proプランが意図的に省かれている点も注目すべきポイントです。
午前1時。30秒のクリップ編集に4時間費やし、プロジェクトファイルは47レイヤーに。手首が痛くなるまでキーフレームをいじり倒したところで、クライアントから「照明をもう少し暖かみのある感じにできる？」というメッセージ。プロとして、あなたはまた一からやり直そうとしています。
それが仕事でした。それが「かつての」仕事でした。
2026年5月19日、Googleはそれを静かに過去のものとしました。
I/O 2026で、同社はGemini Omniを発表しました。これは、動画編集という作業を、かつては10年先と思われていたものへと変貌させるマルチモーダルモデルです。それはつまり、**「普通に会話する」**ということです。
コアとなる約束：動画を「操作」するな、「対話」せよ
このサービスのすべてを一行で表すと、「動画を操作するのではなく、やりたいことを伝えるだけ」になります。
Googleの発表は単刀直入です。「すべての指示は前回の指示に基づきます。キャラクターは一貫性を保ち、物理法則は維持され、シーンはそれまでの経緯を記憶しています」
これはVeoのアップデートではありません。Google DeepMindのプロダクトページは、より分かりやすく表現しています。「Gemini Omniは、動画版のNano Bananaと考えてください」。昨年、Nano Bananaは写真編集をやりたいことを打ち込むだけの簡単な作業に変えました。今、Omniはそれを動画で実現します。
ファミリーの最初のモデルであるGemini Omni Flashは、すでにGeminiアプリ、Google Flow、およびYouTube Shortsで利用可能です。
そして、このカテゴリ全体に対する考え方を再定義するような一節があります。TechCrunchによるDeepMindチームへのインタビューで、リサーチエンジニアのGabe Barth-Maronは、人々がOmniで作成しているものを「パーソナライズされたミーム」と表現しました。
これが本質です。動画制作は「クラフト（職人技）」から「エクスプレッション（自己表現）」へと移行しました。かつてiPhoneが一眼レフの牙城を崩した時と同じ流れです。
Twitter（X）を席巻するデモ動画
マーケティングコピーを読むだけでは不十分です。今回の発表を決定づけたのはデモでした。現在、以下の3つが大きな話題となっています。
- バブル彫刻： 石の彫刻のクリップをOmniに入力し、「この彫刻をシャボン玉にして」と指示すると、構図と照明、影はそのままに、彫刻が周囲の光を反射する半透明の石鹸素材に変化します。
- 液体ミラー： 手が鏡に触れる動画で、「鏡を美しく波立たせて、腕を鏡のように反射する素材にして」と指示します。Windows Reportが報じたように、波紋は物理的に外側へ広がり、腕のクローム素材には実際の部屋の様子が反射されます。
- 連続編集： Googleのバイオリニストのデモでは、ステージから別の環境への移動、さらに肩越しのアングルといった3段階の編集が同じ被写体で行われています。3つの編集すべてにおいて、人物の顔、姿勢、楽器の持ち方が一貫して保たれています。
これは「テキスト・トゥ・ビデオ（動画生成）」ではなく、「テキスト・トゥ・エディット（既存動画の編集）」です。その違いは些細に見えるかもしれませんが、すべてを変える力があります。
クリエイターが熱狂する理由
この発表が他のモデルリリース以上に反響を呼んでいる理由は単純です。Omniは、生成動画における最悪のループを断ち切ったからです。
従来のループ： 生成する → 気に入らない → プロンプトを書き直す → 90秒待つ → まだ微妙 → 繰り返し。
新しいループ： 生成する → 「照明をゴールデンアワーにして」 → 完了 → 「カメラの動きをゆっくりにして」 → 完了。
Android Centralも厳しい評価を控えていません：「Gemini Omniの登場で、従来の動画編集アプリがまるで古代の遺物のように感じられるかもしれない」。TechRadarも同様の視点で、プロンプトごとにリセットされるのではなく、編集全体を通じて動きの一貫性が保たれる点を評価しています。
開発者たちもすでに動き出しています。開発者掲示板のV2EXでは、ある中国人開発者がリリース当日に試用し、こう投稿しました。「動画内のオブジェクトをチャットベースで修正する――この種の対話こそが明らかに未来の方向性だ。速度と一貫性は期待以上だった」。Xでは免疫学者でAIコメンテーターのDerya Unutmaz博士が、基調講演直後に「すごい！Google DeepMindがGemini Omniという驚異的なAIマルチモーダルを発表した。動画のクオリティが非常に高い！すぐに試すべきだ！」と投稿しました。
AI界のインフルエンサーと開発者コミュニティが同時に同じ反応を示している時、それは真の転換点を目撃している証拠です。
Googleが慎重になっている部分
良いことばかりを書くのは無責任というものでしょう。
Engadgetは懸念点に触れています。「Veo 3.1や他の動画生成アプリの主な問題は、動画が『不気味の谷』現象に陥りがちで、ユーザーから敬遠されることだ。出力品質がGoogleの過大な主張に見合うものか見極める必要がある」。
また、DataCampの実機検証では、投石機が弾を後ろに飛ばすといった物理的なバグも報告されています。まだ公式のベンチマークスコアも公開されていないため、第三者による検証はこれから数週間かかる見込みです。
さらに、意図的な「欠落」もあります。それは既存動画内での音声およびオーディオ編集です。Google自身が認めている通り、同社は「この機能を責任を持ってユーザーに提供する方法を模索中」です。翻訳すると、ディープフェイクのリスクが深刻であり、最も危険な機能はまだ公開を控えているということです。
すべてのOmniクリップには、Googleの目に見えない電子透かし「SynthID」と「C2PA」によるコンテンツ認証情報が付与され、Geminiアプリ、Chrome、検索内で由来が検証可能になっています。これはオプションではなく、現在の必須要件です。
あなたのワークフローに何をもたらすか
誇大広告を削ぎ落とせば、真に新しい価値が見えてきます：
- ツールは「会話」そのものになる： タイムラインもレイヤーもキーフレームも不要。言葉だけで完結する。
- フィードバックループが劇的に短縮される： 90秒かかっていた再生成が、10秒の微調整に変わる。
- プロの参入障壁が下がる： センスさえあれば、Slackでメッセージを送るのと同じ速度で動画を反復編集できるため、ボトルネックは「実行力」から「アイデア」へと移る。
マーケティングチーム、インディーズクリエイター、教育者、あるいは「10秒の短いクリップが必要」なすべての人にとって、これは転換点です。モデルが完璧だからではなく、**「インタラクションのパターン」**がようやく正しい形に到達したからです。
未来の動画編集にソフトウェアは不要。必要なのはボキャブラリー（語彙力）だけだ。
最後に ― 実際に開発を行っている方へ
このようなモデル発表の裏にある不都合な現実をお伝えします。次の四半期までには、「世界最高の動画モデル」と謳う新しいモデルがさらに3つ登場するでしょう。それぞれが異なるSDK、異なる認証フロー、異なるレート制限、異なる料金体系を持っており、あなたのチームはそれぞれを導入するのに1週間、前のモデルを破棄するのにまた1週間を費やすことになります。
その問題を解決するのがAtlas Cloudです。
私たちは、開発者に300以上のモデルにアクセスできる単一のエンドポイントを提供します。主要な基盤モデルから、最先端のオープンソースリリース、画像・動画・推論に特化した専門モデルまで、すべてを網羅しています。たった1行のコードでモデルを切り替え、SDKを再統合することなくベンチマークを比較できます。その時々のトレンドに合わせてモデルを展開し、何も書き換えることなく次世代のモデルへ乗り換えることが可能です。
AIの世界で唯一確かなことは、「リーダーボードは毎週火曜日に変わる」ということ。その変化に備えた開発をしましょう。
