Gemini Omni Flash API レビュー：プレビュー版の真の実力を検証
Gemini Omni Flash APIの実機レビュー：gemini-omni-flash-previewが実際にサポートする機能、 Flow限定機能、動画1本あたりのリアルなコストを解説。
Gemini Omni Flashは、動画を出力できるGoogle初の「any-to-any」マルチモーダルモデルです。テキスト、画像、または過去の生成結果を入力すると、音声付きの短い720p動画が返され、日常会話の言葉で指示するだけで編集を続けることができます。Googleは2026年6月30日にNano Banana 2 Liteとともにパブリックプレビューを開始し、APIモデルIDは gemini-omni-flash-preview です。
要点だけを知りたい方へ結論：Gemini Omni Flash APIは、テキストからの動画生成（text-to-video）、画像からの動画生成（image-to-video）、最大10枚の対象画像（開始フレームとの組み合わせ可能）を使用した参照動画生成（reference-to-video）、対話型編集、および入力した動画の動画対動画編集（video-to-video）をサポートしています。1080p、シード値、ネガティブプロンプトパラメータ、動画の延長（extension）、音声のオフ機能はサポートされていません。動画尺の制御パラメータもドキュメントには記載されていませんが、フィールド自体は存在し機能します（詳細は後述）。Google Flowのデモを見てAPIにも同様のツールキットを期待していた場合、拍子抜けするかもしれません。当サイトではリリース週にジェネレーターへ組み込みましたので、本レビューはマーケティングページではなくエンドポイントが実際に返す結果に基づいています。
Gemini Omni Flash APIで実際にできること
APIでは、Veoが使用する generateVideos エンドポイントではなく、Interactions API（interactions.create）を介してOmni Flashを提供します。インタラクションは状態を保持（stateful）するため、この違いは重要です。各レスポンスには後から参照できるIDが含まれています。
GoogleのOmniドキュメントと1週間のエンドポイント検証によると、現在以下の5つのタスクが機能します。
- Text-to-video：プロンプトを入力し、音声を施した720p動画を出力。
- Image-to-video：画像を最初のフレームとし、プロンプトで動きを指定。
- Reference-to-video：対象画像により新しいシーンでもキャラクターや製品の整合性を維持。リクエストには最大10枚まで指定可能で、Veoとは異なり開始フレームと組み合わせることができます。
- 対話型編集：
previous_interaction_idと短い指示を送信することで、元の動画の構成を保ちながら指定した変更を適用。 - Video-to-video編集：実際の動画をコンテンツとして
task: "edit"で送信すると、スタイルが変更されて返されます。インタラクションIDは不要で、Veoのレンダリング結果やスマホの動画などモデルが作成していない動画にも利用可能です。注意点として、出力尺は常に入力と同じになり、入力は最大10秒に制限されます。
上記の動画は独自のパイプラインを通じて gemini-omni-flash-preview から直接出力された実際のサンプルです。プロンプトは1つだけで、「こぼれたインクの中を漂う紙の小船」、カット割りさせないための「single continuous scene」、そして紙の擦れる音や水波の音を求める「Audio:」行を指定し、最長の10秒で生成しました。音声をオンにしてお聴きください。音声もAIによって生成されています。
動画は24fpsで3秒から10秒です。ドキュメントに尺のパラメータは記載されておらず、リリース当初はモデルが長さを自動決定していると考えていました。しかし、リクエストフォーマットは密かに長さの指定を受け付けており、その精度は確実です。3秒を指定すれば3.008秒の動画が生成され、3秒分が請求されます。当サイトのジェネレーターではこの設定を公開しているため、 BGMに合わせた動画制作も運任せではなくなりました。
プロンプトは、APIが設定として公開していない項目をコントロールする手段にもなります。放置するとモデルは複数のカットに分割しがちなため、「single unbroken shot, no cuts」は必須の指示となっています。 [0-3s] ... [3-6s] ... といったタイムコード指定も機能し、引用符で囲んだテキストは驚くほど正確に画面上のテキストとして描画されます。
音声は2つ目の嬉しいサプライズです。すべての生成動画には環境音、効果音、指示すれば会話などの音声が含まれます。ただし音声をオフにする設定はありません。制御手段はテキストのみのため、プロンプトの末尾に「Audio: ...」を追加することで適切に制御できます。
FlowにあってAPIにないもの
Google Flowは複数のモデルを組み合わせた製品ツールであり、その統合環境こそが素のAPIに欠けている部分です。Flowにはマルチショットシーンを作成するScene Builderや、カメラコントロール（ショットタイプ、アングル、動き）のプリセットが存在します。解像度についてよく誤解される点ですが、Flowもデフォルトのレンダリングは720pです。1080pや4Kは、生成モードの違いではなく、Veoレンダリングに対するダウンロード時のアップスケーリング選択肢として提供されています。これらツール群は gemini-omni-flash-preview には存在しません。
1週間の検証に基づく比較は以下の通りです。
| 機能 | Flow / Geminiアプリ | Gemini Omni Flash API |
|---|---|---|
| 解像度 | 720p描画（ダウンロード時に1080p/4K選択可） | 720pのみ、24 fps |
| クリップ長 | Scene Builderでカットを連結 | 3–10秒（正確に指定可能） |
| カメラ制御 | ショット、アングル、動きのプリセット | テキストプロンプトのみ |
| 動画の延長 | 可能（Veo経由） | 非対応 |
| 既存動画の編集 | アプリ内Remix機能 | 対話型、または任意の動画へのvideo-to-video |
| 音声 | オン（UI制御あり） | 常にオン（プロンプトのみで制御） |
| シード / ネガティブプロンプト | ユーザーから隠蔽 | 非対応 |
| 1リクエストの生成数 | 1本ずつ | インタラクションにつき1本（sampleCountなし） |
ドキュメントでは制限について明記されています。動画の延長や補間は「非対応」とされ、システム指示、Temperature、ネガティブプロンプトパラメータも同様です。APIスキーマには3秒制限で動画参照が記載されていますが、モデルがまだ正しく処理できないことが記載されています。
プレビューAPIはGoogle自社ツールで提供されている機能の限られたサブセットです。プレビューとしては一般的ですが、クライアントから1080p納品を求められた際に上限が720pである点は注意が必要です。
対話型編集こそが真価を発揮する機能
編集機能こそがOmni Flashの真骨頂です。動画を生成した後に、最初の結果の previous_interaction_id を添えて「ジャケットを赤くしてカメラワークを遅くして」と送信すると、モデルは元の構図を維持したまま変更を適用して再生成します。ファイルの再アップロードやマスク指定、タイムライン操作は不要です。
GoogleのGemini Enterpriseドキュメントによると、コンテキストが維持されている間は最大3回まで連続編集が可能です。実際には各編集で毎回720pの再レンダリングが行われるため、回数を重ねるごとに細部がわずかにブレていきます。看板の文字よりも人物の顔の方が一貫性を保ちやすい傾向にあります。
運用上の注意点として、Google側の親インタラクションには有効期限があります。以前生成した動画を編集しようとすると、参照先のIDが404エラーを返すことがあります。BananaBananaでは期限切れ動画として処理し試行コストを返金していますが、APIを直接利用して開発する場合はこの仕様を考慮してください。
Gemini Omni Flashの料金
Googleのリリース発表によると、Omni Flashの価格は生成動画1秒あたり $0.10 です。3秒の動画は $0.30 、10秒の動画は $1.00 となります。
BananaBananaではこのレートをそのまま適用しており、 $0.10 /秒で3秒（ $0.30 ）または10秒（ $1.00 ）を選択できます。編集も完全な再描画となるため同額で、出力は元動画と同じ長さになります（伸ばしたり縮めたりすることはできません）。同日リリースのNano Banana 2 Liteは1枚あたり $0.03 です（GoogleのAPI価格は1K画像で $0.034 ）。料金詳細は料金セクションをご確認ください。
1秒あたり10セントの価値はあるでしょうか。通常なら動画生成と音声制作を別々に行う必要がある音声付きカンプ作成においては、非常に魅力的です。3秒のテスト生成ならVeoよりも安く済みます。一方で無音のBロール用途であれば、Veo 3.1 Fastの方が高解像度かつ低コストで作成できます。
Omni FlashとVeo 3.1の使い分け
結論として、両者は役割を分担しています。
選択のポイントとして、品質の差は解像度だけではありません。Veo 3.1は動きや物理現象の描写がはるかにリアルです。水の動き、生地のシワ、物体同士の衝突などが自然に表現されます。Omni Flashも良好な結果を出しますが、物理表現の破綻が目立つ場合があります。
リアルな4K出力、正確な動画尺（4〜8秒の整数指定）、無音出力、後からの延長、あるいは最初と最後のフレーム指定が必要な場合は Veo 3.1 を選択してください。最初と最後のフレームに同じ画像を指定して完全なシームレスループを作成する手法は、背景動画の制作に最適です。
ターゲットがスマートフォン画面の場合は Omni Flash が適しています。TikTok、Shorts、Reelsでは圧縮後に720p以上の差が出にくく、音声が同時に生成され、対話型編集により試行錯誤の時間を大幅に削減できます。
2日間の検証を経た私のワークフロー：横画面のクライアントワークでは、Omni Flashで3秒の試作（ $0.30 ）を行ってコンセプトを固め、採用案をVeoで本制作します。縦画面のSNS用動画であれば、Omni Flashの出力結果をそのまま採用することも多くあります。
両モデルともBananaBananaジェネレーターで利用可能です。機能や制限、料金をまとめた概要はGemini Omniページでもご確認いただけます。
FAQ
gemini-omni-flash-previewとは何ですか？
2026年6月30日にパブリックプレビューとして公開されたGoogleの対話型動画生成モデル「Gemini Omni Flash」のAPIモデルIDです。Interactions APIを介して音声付きの720p動画（3〜10秒）を生成・編集します。
Gemini Omni Flashで1080pや4Kの動画を生成できますか？
できません。APIの出力は24fpsの720pのみです。Google Flowもデフォルトは720pで描画され、1080pや4KはVeoレンダリングのダウンロード時に提供されます。高解像度出力が必要な場合はVeo 3.1をご利用ください。
Omni Flash APIで動画の長さを指定できますか？
可能です。リクエストフォーマットは長さの指定を受け付け、フレーム単位で一致した動画が出力されます（3秒指定で3.008秒出力、3秒分が請求）。当サイトのジェネレーターでは3〜10秒の選択UIを提供しています。ただし編集の場合は、元動画の長さを引き継ぎます。
Omni Flashは常に音声を生成しますか？
はい。すべての動画に生成音声が含まれており、無効化するパラメータはありません。希望する音声（または「quiet ambient room tone」などの無音に近い指定）をプロンプトに記載してください。
Omni Flashで既存の動画を延長したり補間したりできますか？
動画を長くすることはできません。延長（extension）や補間は非対応で、スキーマ内の extend タスクも非対応の旨を返します。代わりに、生成された動画への対話型編集や、Veoなどの既存動画に対するvideo-to-video編集を利用できます。出力の長さは入力動画の長さを維持します。