GoogleのGemini Omni 1.2 Flash、動画を最長15秒に

たとえば、持ち手に特徴のあるマグカップを紹介するお店を考えます。最初の10秒でカップ全体と持ち手を見せ、さらに5秒あれば、手に取ったときの大きさを伝えられます。下は各モデルの長さの上限を使った架空の構成です。想定した場面や商品の形が保たれているかは、出来上がった動画で確認します。

Googleが紹介した会話形式の編集では、最初の動画を作ってから変更を頼みます。お店がマグカップの写真を渡して動画を作り、次にカップと構図を残したまま照明を変えるよう頼む場面です。写真はモデルに残してほしい特徴を伝える手がかりです。編集後にカップの形や文字が保たれたか、お店が元の動画と見比べます。

%% マグカップ動画の編集手順 · 架空の例
flowchart TD
  A["お店が商品写真を渡す"] --> B["モデルが最初の動画を作る"]
  B --> C["お店が照明の変更を頼む"]
  C --> D["モデルが編集した動画を作る"]
  D --> E["お店が持ち手と文字を確認"]

同じマグカップ動画でも、お店の人が個人向けGeminiで直接頼む方法と、開発者がお店のアプリをモデルにつなぐ方法があります。APIはプログラム同士で依頼と結果をやり取りする仕組みです。使える条件は経路によって違います。

720pは縦720行で表示する動画の解像度です。Gemini APIの標準料金表は、720p動画1秒を使用量の単位である5,792トークンに換算し、動画出力100万トークンにつき12米ドルを適用します。秒単価を先に丸めると15秒の目安に差が出るため、表では計算の最後に丸めました。 Gemini API料金表