Gemini Omni 1.2と1.1を比較：実際の動画で検証した違い
Gemini Omni 1.2と1.1を同じプロンプトで並べて比較。15秒のワンテイク、解像度別の 1秒あたりの実際の料金、そして1.2でも変わらなかった制限まで、生成した動画で検証しました。
Gemini Omni 1.2 Flashは、Googleの第3世代のOmni動画モデルです。テキスト、画像、動画から音声付きのクリップを生成します。Omni 1.1からの一番大きな変化はひと言で言えます。より長いテイクを、より安く。Googleは2026年11月5日にリリースし、私たちはその4日後にBananaBananaの本番環境へ組み込み、それ以来1.1と並べて運用しています。
結論： Omni 1.2は1回のテイクで3〜15秒を生成でき（1.1は10秒まで）、1秒あたりの料金はどの解像度でもおよそ30%下がりました。720pなら1秒$0.10が$0.07になります。音声は相変わらず常にオン、延長の上限は今も40秒、先頭フレームと末尾フレームの間をつなぐクリップも10秒が上限のままです。新しく作るなら、1.1にとどまる理由はほとんどありません。
以下では、数字、両モデルに同じプロンプトを通した結果、そして今でも1.1を選ぶ意味があるケースを見ていきます。
Gemini Omni 1.1と1.2で何が変わったのか？
動いた数字は2つ。そこに品質面の主張がいくつか付いてきました。Googleの発表によると、クリップの長さは「3秒から15秒まで1秒刻み」で最大15秒に伸び、720pは1秒$0.07に値下がりし、リップシンクがより明瞭に、複数話者の条件付けがはっきり区別されるようになり、「不要なジャンプカットが大幅に減った」とのことです。モデルカードには、出力に引き続き目に見えないSynthIDの透かしが入ることも書かれています。
現在、当プラットフォームでの2世代の違いは次のとおりです。
| Omni 1.1 Flash | Omni 1.2 Flash | |
|---|---|---|
| 1回のテイク | 3–10秒 | 3–15秒 |
| 先頭＋末尾フレーム | 最大10秒 | 最大10秒 |
| シーン延長 | 1回あたり+3–10秒、合計40秒 | 1回あたり+3–10秒、合計40秒 |
| 動画から動画への編集の元動画 | 最初の10秒 | 最大15秒 |
| 360p / 720p（1秒あたり） | $0.03 / $0.10 | $0.02 / $0.07 |
| 1080p / 4K（1秒あたり） | $0.15 / $0.30 | $0.10 / $0.20 |
| 音声 | 常にオン | 常にオン |
私たち自身の課金ログから一つ補足します。1.2が1秒あたりに消費する出力トークンは1.1とまったく同じです（720pで1秒5,792、4Kで17,376）。モデルの仕事量が減ったわけではありません。Googleがトークン単価を100万あたり$17.50から$12に下げただけで、1秒あたりの節約はそこから素直に出てきます。
Gemini Omni 1.2 Flash、720pで10秒、音声あり。プロンプトの要約：自転車の整備士がボルトを締め、顔を上げて "Most squeaks come from one loose bolt. Check this one first, then ride." と話す。コスト：$0.70。
同じプロンプトで比べると、1.2はどうなのか？
1つのプロンプトを、まったく同じ設定で両方の世代に通しました。16:9、720p、ちょうど10秒。デニムのエプロンを着けた短いグレーヘアの女性、自転車工房、セリフは1行、"single continuous shot, no scene cuts"、そして彼女の声とレンチのカチカチという音、部屋の環境音を求め、音楽はなしと指定した "Audio:" の行です。
同じプロンプトをGemini Omni 1.1 Flashで、720pで10秒。コスト：$1.00。
フレームごとに見て気づいたこと：
- どちらもワンショットを守った。 ffmpegでシーン検出をかけたところ、どちらのファイルでもカットはゼロでした。1.1ではこの指示がかなり効きます。書かないと、Omniはクリップを勝手に複数のアングルに編集しがちです。
- どちらもセリフを話した。 どちらの女性も、同じパスで生成された声で、台本どおりの一文をカメラに向かって話します。1.2の音声トラックははっきりと大きく（平均レベルで約4 dB高い）、ミックスせずに投稿するなら便利です。
- 見た目の指定には1.1のほうが忠実だった。 プロンプトどおりの短く刈ったグレーヘアになったのは1.1で、1.2はあご丈のボブにしてきました。小さなことですが、「平均的に良い」が「どのテイクでも良い」という意味ではないと思い出させてくれます。
- 1.2はレンチを小道具として使った。 話しながらレンチをレンズのほうへ掲げていて、1.1版よりも本物のクリエイター動画らしく見えます。
これはベンチマークか？違います。クリップは1組だけですし、Omniは毎回違うテイクを返します（構図を固定するシードはありません）。それでも分かるのは、1.2が1.1の得意だった点を何も失っておらず、同じ10秒で$0.30安かったということです。
15秒のテイクは本当に意味があるのか？
5秒増えた以上の意味があります。10秒はつかみ（フック）には十分ですが、ひとつの動作を最初から最後まで見せるには短い。注ぐ動作の始めから終わりまで、製品の開封、カメラに向けた短いレビュー。1.1では、10秒を生成してから延長するしかありませんでした。
Gemini Omni 1.2 Flash、720pで15秒をワンテイク。プロンプトの要約：陶芸家がろくろで器を成形し、木のコテでならし、ワイヤーで切り離して板の上に持ち上げる。音声はろくろのうなりと濡れた粘土の音、音楽なし。コスト：$1.05。
正直、途中で崩れると思っていました。Omniには、プロンプト後半の出来事（"then she cuts it free…"）を落として、きれいだけれど動きのないシーンを返してくる癖があります。今回は違いました。手が器の壁を立ち上げ、コテが入り、11秒あたりでワイヤーが底の下をくぐり、14秒目には器がろくろから持ち上げられます。4つの工程、ワンテイク、カットなし。1本のクリップで証明できることは多くありませんが、これはまさに、以前のOmniが私たちの手元で何度も静止したシーンに押しつぶしてきたタイプの多段階プロンプトです。
次はお金の話です。1.1で15秒を得るには、10秒のクリップ（$1.00）に5秒の延長を足す必要があります。延長は延長後の全長で課金されるので、2段目だけで15 × $0.10 = $1.50。合計は**$2.50です。1.2なら同じ15秒がワンテイクで$1.05**。半分以下で済み、延長で元の見た目からずれていくおそれのある工程も省けます。
Gemini Omni 1.2は1本いくらかかるのか？
1秒ごとに解像度別で課金され、音声も込みです。
| 解像度 | 1秒あたり | 3秒 | 10秒 | 15秒 |
|---|---|---|---|---|
| 360p（下書き） | $0.02 | $0.06 | $0.20 | $0.30 |
| 720p | $0.07 | $0.21 | $0.70 | $1.05 |
| 1080p | $0.10 | $0.30 | $1.00 | $1.50 |
| 4K | $0.20 | $0.60 | $2.00 | $3.00 |
Googleが公表している1.2の価格は、4つの解像度で1秒あたり約$0.0232、$0.0695、$0.1043、$0.2085です。当サイトではセント単位に丸めていて、4Kは$0.20に切り下げています。
チャージのボーナスを使えば、実質単価はさらに下がります。暗号資産で$50以上入金すると残高に5%、$100以上なら10%が加算され、有効なプロモコードがあれば各入金にさらに10%が上乗せされます。つまりコード付きで暗号資産を$100入金すると残高は$120になり、720pの1秒は約**$0.058**、720pで15秒のクリップ1本は約$0.88になる計算です。カード、PayPal、SEPAでの支払いには入金ボーナスは付きません。
私のやり方はこうです。まず360pで下書き（15秒まるごとで$0.30）、そこでタイミングとカメラワークを詰め、残すテイクを720pで生成し直します。下書きと本番は別々の生成なので、本番が下書きをフレーム単位でアップスケールしたものにはならない点は覚えておいてください。全モデルの料金表は料金ページにあります。
変わらなかったこと：Omni 1.2の制限
15秒の上限はどこにでも当てはまるわけではありません。みんなが最初につまずくのがここです。
- 先頭・末尾フレームを使うと今も10秒まで。 2枚のキーフレームの間で12秒のクリップを試したところ、GoogleのAPIは "Interpolation duration 12 seconds exceeds maximum duration 10 seconds" で拒否しました。現在はスタジオとMCPサーバーが課金の前にこのケースを10秒に抑えるので、ユーザーがこのエラーに当たることはありません。
- 延長は1回あたり3–10秒の追加で、合計40秒まで。 15秒から始めれば、少ない回数でそこへ届くだけです。冒頭や途中に挿入することはできません。
- 音声はオフにできない。 Omniのクリップには必ず音声トラックが付きます。無音が必要なら、Veo 3.1は音声なしで生成でき、Wan 3.0は追加料金なしで音声をオフにできます。
- シードなし、ネガティブプロンプト欄なし、1リクエストにつき1サンプル。 入れたくないものはプロンプトに書きます（"no music"、"no dialogue"）。たいていは効きますが、いつもではありません。
- セリフの編集は制限されている。 モデルカードによると、動画を編集すると人物の話す内容まで変えられるため、Googleは当面この機能を制限しています。
Google自身も、速いスポーツの動き、台本の急な切り替え、複雑な物理表現については改善を続けていると述べています。私の意見としては、ボールが正しく跳ねるかどうかが肝になるショットなら、まず360pで下書きを作るのがおすすめです。
Omni 1.1から1.2に乗り換えるべきか？
新しいプロジェクトなら、乗り換えるべきです。機能は同じで、テイクは長く、どの解像度でも約3分の1安い。新規の案件で、1.1がスペック上勝つ場面は思い浮かびません。
1.1を残す意味があるのは2つのケースです。1.1で作ってきたシリーズの続きで、エピソード間の見た目を揃えたい場合。あるいは、1.1向けにプロンプト一式を調整してきて、その仕上がりがまさに欲しいものである場合（上の髪型のテストは、2つのモデルがプロンプトを違うふうに読む小さな例です）。どちらの世代もジェネレーターとMCP経由で引き続き使え、クリップごとに選べます。
覚えておきたい日付もあります。Googleのリリースノートによると、2026年12月3日からGemini APIは gemini-omni-1.1-flash へのリクエストを1.2にルーティングします。当サイトでは今のところ両方とも選択できます。こちら側で変更があれば、この記事を更新します。
Omni APIが何を受け付け、何を拒否するのかをさらに詳しく知りたい方は、Gemini Omni Flash APIレビューをご覧ください。サンプルクリップを多数載せたモデルページはGemini Omni 1.2です。
FAQ
Gemini Omni 1.2は1.1より優れていますか？
スペック上は優れています。10秒ではなく15秒のテイク、約30%安い料金で、機能は同じです。Googleはリップシンクがより明瞭になり、不要なジャンプカットも減ったとしています。私たちの比較テストではどちらもセリフ1行をワンショットでこなし、料金は1.1の$1.00に対して1.2は$0.70でした。
Gemini Omni 1.2の動画は最長何秒ですか？
1回の生成で3〜15秒、1秒単位で指定できます。先頭と末尾の両方のフレームを使う場合の上限は10秒です。それより長いシーンは延長で作ります。1回あたり3–10秒、合計で最大40秒です。
Omni 1.2で10秒のクリップはいくらですか？
720pで$0.70、360pで$0.20、1080pで$1.00、4Kで$2.00、いずれも音声込みです。失敗した生成は自動で返金されます。
Omni 1.1はまだ使えますか？
使えます。Omni 1.1 FlashはジェネレーターとMCPサーバーで1.2と並んで引き続き利用でき、クリップごとに世代を選べます。Googleは2026年12月3日から、1.1へのGemini API呼び出しを1.2にルーティングする予定です。
Omni 1.2で音声なしの動画は作れますか？
作れません。Omniのクリップには必ず音声トラックが付きます。"Audio:" の行で音の内容を指定したり、"no music, no dialogue" と指示したりはできますが、完全に無音のクリップが必要ならVeo 3.1かWan 3.0を使ってください。