Google、高速画像生成「Nano Banana 2 Lite」と対話型動画編集「Gemini Omni Flash」を発表
2026年7月2日 13:10
米Googleは2026年6月30日（現地時間）、2つの新しい生成メディアモデル「Nano Banana 2 Lite」と「Gemini Omni Flash」をリリースした。これにより開発者は、高速な画像生成から対話型の動画編集までをシームレスにつなぐ連携パイプラインを、商業的に実用可能な低コストで利用できるようになる。両モデルはすでに「Google AI Studio」および「Gemini API」で提供が開始されている。
■画像から動画へ：低コストで実現するシームレスな連携パイプライン
今回発表された2つのモデルは、組み合わせてパイプラインとして活用することで真価を発揮する。開発者は「Nano Banana 2 Lite」で生成した画像を直接「Gemini Omni Flash」に渡して動画化（アニメーション化）し、さらに「Interactions API」を通じて、カメラアングルの調整、キャラクターの入れ替え、照明の変更といった指示を自然言語で送りながら、1セッションにつき最大3回までの連続した編集・微調整を行うことができる。
この一連の流れこそが、これまでのAIメディアスタックには低価格帯で存在しなかった「高速画像生成」と「文脈を維持する対話型動画編集」を統合した新しいワークフローである。
■Nano Banana 2 Lite：職人技ではなく「量産」のための高速・低コストモデル
「Nano Banana 2 Lite」（モデル識別子：gemini-3.1-flash-lite-image）は、Googleの4層からなる「Nano Banana」画像モデルファミリーにおいて、最も高速かつ低コストなモデルである。Googleは、従来の「Nano Banana」（gemini-2.5-flash-image）をレガシー層と位置づけ、本モデルをその直接的なアップグレードとして位置づけている。Googleによると、本モデルは「速度とコストが最大の制約となる、迅速なアイデア出しや高速度な開発者パイプライン」向けに構築されているという。
「4秒」というレイテンシー（遅延時間）は、この分野の計算を一変させる。従来の画像生成は、インタラクティブなループに組み込むには時間がかかりすぎていた。開発者が複数のプロンプトを試すには、待機し、結果をバッチ処理し、調整する必要があった。しかし、4秒という速さであれば、ライブデザインツールやECサイトのコンフィギュレーター、あるいはユーザーが結果を待つ消費者向け機能の中に直接組み込むことが可能になる。
Google AI StudioおよびGemini APIのリードを務めるローガン・キルパトリック氏は、この効果を「魔法」のようだと表現している。生成が思考よりも速くなれば、クリエイターはプログレスバーを待つために作業の流れを中断されることなく、創作活動に没頭し続けることができる。
速度を重視しているものの、Googleは、Nano Banana 2 Liteが広告やマーケティングのユースケースで最も重要となる「信頼性の高いプロンプト追従性」「複数回生成におけるキャラクターの一貫性」「画像内の判読可能なテキスト表示」の3つの機能を維持していると説明している。ArtlistのAIコンテンツ＆イノベーション担当ディレクターであるイダン・ヨナス氏は、このモデルについて「思考がほぼ瞬時にビジュアルに変換されるクリエイティブプロセス」を可能にすると評価している。また、Figmaの共同創業者兼クリエイティブディレクターであるイタイ・シフ氏は、Nano Banana 2 Liteは「クリエイティブな流れを維持しながら迅速に反復するのに最適だ」と述べている。
なお、本モデルは公開されている画像生成リーダーボード「Arena」で5位に位置している。同ランキングの首位はOpenAIの「gpt-image-2」で、5月に発表されたMicrosoftの「MAI-Image-2.5」が4位となっている。現在のNano Bananaファミリーは、速度に特化した「Nano Banana 2 Lite」、汎用オプションの「Nano Banana 2」、そして速度よりも正確性を重視する複雑なプロフェッショナル向けの「Nano Banana Pro」で構成されている。
■Gemini Omni Flash：対話型編集がワークフローを変える理由
これまでリリースされた主要なAI動画ツールのほとんどは、「生成して書き出す」というパラダイムで動作していた。ユーザーがプロンプトを送信し、モデルがクリップをレンダリングし、変更が必要な場合は最初からプロンプトを再入力するか、別の編集アプリケーションに移行する必要があった。このパラダイムこそが、1秒あたりの価格に関わらず、AI生成動画の試行錯誤にかかる実質的なコストを押し上げていた要因である。
「Gemini Omni Flash」（gemini-omni-flash-preview）は、アーキテクチャとAPI設計の組み合わせによってこのパターンを打破する。このモデルはGeminiのマルチモーダル推論エンジンをベースに構築されており、画像、音声、動画の個別のパイプラインを継ぎはぎするのではなく、すべての入力タイプを同時に推論して統合された出力を生成する。Google DeepMindのプロダクトマネジメントディレクターであるニコール・ブリクトヴァ氏は、これを「Geminiの知能とメディアモデルのレンダリング機能を組み合わせる進化における次のステップ」と表現しており、Veoのアップデートではなく、推論とレンダリングを1つのシステムに統合した新しいモデルであることを明示している。
その実用的な成果が、連続した編集にわたってセッション履歴を維持する「Interactions API」である。開発者は、参照画像から10秒の動画クリップを生成し、モデルに照明の調整と再レンダリングを求め、さらに背景要素の変更を依頼するといった一連の操作を、モデルがこれまでの文脈を保持したまま、すべて1つのセッション内で行うことができる。現在の実装では、1セッションあたり最大3回までの連続編集に制限されている。
また、Geminiはレンダリングプロセスに世界の知識を取り入れている。歴史、生物学、物語の論理、そして重力や流体力学の近似的な挙動を含む物理学に関するGeminiの学習データを活用し、見た目はそれらしいが物理的に破綻している動きではなく、現実世界の予測に合致した一貫性のあるシーンを構築する。
Gemini Omni Flashの価格は動画出力1秒あたり0.10ドル（約16.3円、1ドル=163円換算）で、これはGoogleの「Veo 3.1 Fast」と同等である。Googleはこれら2つの製品を明確に区別しており、Veo 3.1は高品質な一発（ワンショット）のクリップ生成に優れ、Gemini Omni Flashは複数のアセットタイプを組み合わせる反復的かつ対話的なワークフロー向けに設計されていると説明している。
競合状況にも注目すべき点がある。2026年6月23日に発表されたByteDanceの「Seedance 2.5」は、最大30秒のクリップ、4K出力、および最大50個の参照入力を同時にサポートしている。一方、Gemini Omni Flashは現在、クリップの長さが最大10秒に制限されている。Googleはこの制限について、モデルの制約ではなく、計算需要が高い時期にアクセスを広げるためのデプロイ上の決定であると説明しており、今後はより長い再生時間に対応する予定だとしている。また、より高性能な「Gemini Omni Pro」モデルも計画されているが、正式なリリース日は未定である。
■Gemini Omni Flashが現時点で「できない」こと
Googleは公開されたローンチ文書の中で、Gemini Omni Flashの現在の制限事項を透明性をもって開示している。Gemini APIでは、音声参照のアップロードはまだサポートされていない。また、最大3秒までの動画参照はAPIスキーマ上では受け付けられるものの、現時点ではモデルによって正しく処理されない。シーンの切り替えやパンニング（カメラの横移動）時のキャラクターの一貫性にも課題が確認されている。Googleは、現在のリリースについて、本番環境向けのサービスとしてではなく、開発者向けのプロトタイピングツールとして扱うことを推奨している。
さらに、実在の人物の名前や肖像を含む動画の生成や編集は拒否される。そのようなリクエストが送信された場合、モデルは入力をブロックした旨のメッセージを返す。このフィルターはGoogleの「責任あるAI（Responsible AI）」の原則に沿ったものであり、ディープフェイクのリスクを制限するが、実在の人物が登場する歴史的再現などの正当なクリエイティブ用途も制限されることになる。
■ローンチ初日からWPP、Adobe、Invideoが統合を表明
企業による導入はすでに始まっている。広告大手のWPPは、クライアント向けに制御されたAIコンテンツ制作を大規模に提供するため、Gemini Omni Flashを同社のエージェントプラットフォーム「WPP Open」に統合し、アセットのローカライズ、製品の入れ替え、動的なスタイル変換などのテストを行っている。Adobeも、「Nano Banana 2 Lite」と「Gemini Omni Flash」の両方を「Adobe Firefly」に導入する計画を発表した。Adobeのプロダクト担当シニアディレクターであるマット・チョーティン氏は、「これら2つのモデルは、プロ仕様のツールと業界トップクラスのクリエイティブAIモデルを接続されたワークフローで提供するというAdobeの戦略を強化するものであり、クリエイターにアイデアを形にするための柔軟性とコントロールを提供する」と述べている。
AI動画プラットフォームのInvideoは、Gemini Omni Flashの視覚効果（VFX）機能により、従来の映画制作技術とAI生成エフェクトを同一の制作物の中で融合させる新たな可能性が開かれると報告している。
なお、両モデルで生成されたメディアには「SynthID」の電子透かしが埋め込まれ、「C2PA」のコンテンツ資格情報（Content Credentials）をサポートしている。これにより、Geminiアプリ、Chrome内のGemini、またはGoogle検索を通じて、AI生成メディアの認証やオリジンの追跡が可能となる。
■背景：AIスロップ（粗製乱造コンテンツ）への懸念とエンタープライズへのシフト
今回の発表は、生成AIによる画像や動画の市場が、品質に対する逆風に直面している中で行われた。2026年6月の調査によると、TikTokの動画の約60％がAI生成コンテンツに分類されており、ソーシャルプラットフォームに溢れる機械製のメディアを指す言葉として「AI slop（AIスロップ：AIによる粗製乱造コンテンツ）」という表現が日常会話に定着しつつある。Googleは、Nano Banana 2 Liteや関連ツールを消費者の創作向けではなく、広告やエンタープライズ用途として一貫して位置づけることで、この逆風を部分的に回避しようとする戦略をとっている。
これとは別に、Googleが最近インディーズ映画スタジオのA24と結んだ7500万ドル（約122億2500万円、1ドル=163円換算）の提携は、プロの映画制作へのAIの進出を懸念するクリエイティブコミュニティから批判を浴びており、ネット上でファンからの強い反発を招いている。
開発者がこれらのモデルを本番パイプラインに導入すべきかを評価するにあたり、最も明確な基準はGoogle自身による区分である。Nano Banana 2 Liteは、職人技のような品質よりも速度を重視して構築された大量アイデア出し用のツールであり、Gemini Omni Flashは、まだパブリックプレビュー段階にある対話型の反復編集ツールである。どちらも提示された価格ですぐに利用可能であり、標準的な開発者アクセスにウェイティングリスト（待ち行列）は不要である。
■注目ポイントQ&A
●Nano Banana 2 Liteとは何ですか？また、どのくらい高速ですか？
Nano Banana 2 Lite（gemini-3.1-flash-lite-image）は、Googleの画像生成モデルファミリーにおいて最も高速かつ低コストなモデルです。テキストから画像を約4秒で生成でき、価格は1画像あたり0.034ドル（約5.5円、1ドル=163円換算）です。速度とコストを重視する開発者向けパイプライン向けに設計されており、Google AI StudioやGemini APIのほか、Google検索のAI機能、Geminiアプリ、Googleフォトなどの消費者向けサービスでも利用可能です。
●Gemini Omni Flashは他のAI動画生成ツールとどう違いますか？
従来の多くのAI動画ツールは、動画を一度生成した後に変更を加えたい場合、最初からプロンプトを再入力する必要がありました。一方、Gemini Omni Flashは「Interactions API」とマルチモーダル推論エンジンを使用し、会話形式での連続した編集に対応しています。ユーザーは自然言語で変更を指示でき、モデルは前回の編集文脈を維持したまま変更を適用します。ただし、現在はクリップの長さが最大10秒に制限されているほか、APIでの音声参照アップロードが未対応であること、シーン切り替え時のキャラクターの一貫性に課題があることなどの制限があります。
●Nano Banana 2 LiteとGemini Omni Flashを組み合わせて使用することはできますか？
はい、それがGoogleの想定している主なユースケースです。開発者はNano Banana 2 Liteで生成した画像を、そのままGemini Omni Flashに参照画像として渡して動画化し、さらにInteractions APIを通じて1セッションあたり最大3回まで対話形式で編集することができます。Googleはこの連携パイプラインを示すデモアプリケーションとして、ユーザー写真を観光地に合成して動画化する「Anywhere」や、部屋の模様替えをシネマティック動画でプレビューする「Space Lift」などを公開しています。
●4秒という画像生成速度の裏にある、エンジニアリング上のトレードオフは何ですか？
Nano Banana 2 Liteは、画質（再現度）よりも処理能力（スループット）を最適化することで4秒という低レイテンシーを実現しています。つまり、品質最優先ではなく速度最優先のモデルです。Googleは、この最適化を行ってもプロンプト追従性やキャラクターの一貫性、テキストの可読性は維持されていると説明していますが、画質や複雑なプロフェッショナル用途の推論が最優先される場合は、上位モデルである「Nano Banana 2」や「Nano Banana Pro」の使用が推奨されています。
元記事: Google Launches AI Image and Video Tools: 4-Second Images, Conversational Video Editing