Gemini Omni Flashは、当社の「初回出力比較テスト」で首位を獲得しましたが、圧勝というよりは接戦の結果でした。. 8つの同一のプロンプトにおいて、Omniは5つのタスクで勝利し、Veo 3.1 Fastの3勝を上回り、総合スコアは4.124/5対4.009/5で終了した。 Omniは指示により忠実に従い、当社の接続ルートを通じてより迅速に結果を返しました。一方、Veoは、より印象的なビジュアル仕上げ、より安定した被写体、そしてより優れた音声結果を生み出しました。.
その違いこそが、本当のポイントなのです。「Omni Flash」は、短いクリップを生成し、その後も対話を通じてその編集を継続できるように設計された720pモデルです。一方、「Veo 3.1」は、ネイティブオーディオ、高解像度モード、先頭・末尾フレームの制御、動画拡張機能を備えた、より幅広い製品ファミリーです。 どちらを選ぶべきかは、単一の「美しさ」スコアよりも、正確な初回実行と迅速な反復作業が必要か、それともより映画的なアプローチで長編かつ高解像度の作品制作を目指すかによって決まります。.
AIワークフロー全体を1つのワークスペースで管理したい場合は、, グローバルGPT が現実的な方法です。それに加えて Gemini オムニフラッシュ さらに、Veo 3.1では、最先端のチャット、リサーチ、画像、動画モデルが統合されているため、複数のAIツールを個別に購入することなく、アイデアを形にし、プロンプトを磨き上げ、ビジュアルを生成し、最終的な映像に最適な動画モデルを選択することができます。Proプランの年間料金は $10.80/月, 一方、Unlimitedは $25/月 また、Veo 3.1へのアクセスが含まれています。.
Omniがテストで勝利、Veoはより高い生産上限を維持
Gemini Omni Flashは、Veo 3.1 Fastを0.115ポイント差でリードしている。.
Omniは、モーション、制約、物理演算、カメラの方向、およびテキストの部門で優勝した。.
| 優先度 | より良いフィット感 | なぜ |
|---|---|---|
| 以下のプロンプトをそのまま使用してください | Gemini オムニフラッシュ | 制約のあるシーンにおいて、平均的な遵守率が高く、より正確に完了している。. |
| 映画のような仕上がり感と被写体の安定性 | ベオ 3.1 速い | 視覚的品質および時間的一貫性において、より高い平均値。. |
| 高速720p処理 | Gemini オムニフラッシュ | 当ルートでの平均タイムは29.29秒、さらに会話部分の編集も施しました。. |
| このテストにおける「オーディオ優先」のシーン | ベオ 3.1 速い | カフェで撮影した映像の方が、音声レベルがはるかに高く、実用的なものでした。. |
| 4K、フレーム制御、または拡張 | Veo 3.1 ファミリー | これらは、Omniの現在の720pという上限を超える、Veoワークフローのオプションとして文書化されています。. |
結論： 高速で命令に敏感なショート動画には、より適したデフォルト設定として「Omni」を選択してください。映像の完成度や、より広範な制作パイプラインが重視される場合は、「Veo」を選択してください。.
目次
Gemini Omni Flash と Veo 3.1 の比較概要
この比較を最も明確に理解するには、「Veo 3.1」を単一の固定された製品として扱うのをやめるのが一番です。. Googleドキュメント 「スタンダード」、「ファスト」、「ライト」の各バージョン。今回の実機テストでは、 ベオ 3.1 速い, というのも、速度重視のポジショニングと720p API価格の両面で、Omni Flashに最も近いティアだからです。 4K、最高画質、あるいはVeoの全機能セットについて言及する場合、それはより広範なVeo 3.1ファミリーを指しており、すべてのFast出力でそれらの設定が使用されるという主張ではありません。.
| 能力 | Gemini オムニフラッシュ | Veo 3.1 ファミリー |
|---|---|---|
| 公式モデルの認定 | プレビュー；モデルID gemini-omni-flash-preview | Gemini APIでのプレビュー。Standard、Fast、Liteの各モデルIDは個別に記載されています。 |
| 主な業務 | 高速な動画生成と、自然言語によるマルチターン編集 | 映画のような操作感、高解像度モード、および拡張機能を備えた動画生成 |
| 出力長 | 3～10秒 | 4秒、6秒、または8秒。一部の上級モードでは8秒が必要です。 |
| 決議 | 720p、24 FPS | 720p、1080p、または4K。Lite版は4Kに対応していません。 |
| アスペクト比 | 16:9 または 9:16 | 16:9 または 9:16 |
| オーディオ | 動画とともに生成されました。現在のAPIでは、アップロードされた音声リファレンスはサポートされていません。 | セリフや効果音など、ネイティブに生成された音声 |
| 参照入力 | テキスト、画像、動画、および動画参照・編集作業 | 画像から動画への変換に加え、最大3枚の参照画像 |
| 編集と続編 | ステート管理型の会話型編集；ビデオ拡張や先頭・最終フレームの補間なし | 最初と最後のフレームの生成および7秒間の動画延長機能。Veo APIガイドには、これに対応する対話型編集ループは記載されていない。 |
| 来歴 | Invisible SynthID による透かし処理 | SynthID電子透かし |
この機能の違いは、マーケティング上のラベルよりも重要です。Omniは、会話にエディタが組み込まれたビデオモデルのように動作します。つまり、生成→変更を依頼→残りを保持→継続という流れです。一方、Veoはショット生成システムに近い動作をします。フォーマット、参照元、フレーム、解像度を定義し、シーケンスを構築または拡張します。 一方は修正作業に最適化されており、もう一方はより広範なレンダリングパイプラインを提供します。.
各ティアを比較する前に、Veo製品ファミリーについてより詳しく知りたい場合は、当社の 「Veo 3.1」ガイドの全文 この資料では、モデルとその主なアクセス経路について解説しています。.
公開ベンチマークが実際に示していること
人工分析 ブラインド比較を通じて動画モデルをランク付けします。投票者は、同じテキストプロンプトまたは入力画像から生成された2つの出力映像を閲覧し、どちらのクリップがどのモデルによって生成されたかを知らされない状態で、好みのものを選択します。 これらの投票結果をもとにEloレーティングが算出されます。これは、モデルベンダーに自社のデモリールを評価してもらうよりもはるかに有用ですが、あくまで好みを問うテストであり、プロンプトの完全性や物理的な正確性を実験室で測定するものではありません。.
音声付きの人工知能分析ランキング
テキストから動画へ
画像から動画へ
2026年7月15日時点のデータ。テキストから動画への変換サンプル数：Omni Flash 3,488件、Veo 3.1 7,411件、Veo 3.1 Fast 8,235件。 画像から動画へのサンプル数は、それぞれ2,834、6,926、7,319です。新しい投票やモデルが追加されるにつれて、順位は変動します。.
その差は決して微々たるものではありません。Omniは、テキストから動画への変換においてVeo 3.1 Fastを150 Eloポイント、画像から動画への変換において124ポイント上回っています。 Veoの2つのモデルはいずれも、より多くのサンプルで評価されているため、Omniがリードしているのは、単に初期の小さなテストに登場したからという理由だけではありません。Artificial Analysisが投げかける「人間ならどちらの結果を見たいと思うか？」という問いに対して、このスナップショットではOmni Flashの方が優れたモデルであると言えます。.
しかし、その文には後半部分が必要です。ブラインド投票では、より魅力的な構図、より滑らかな動き、より優れた色彩、あるいは単に一目で好感の持てる演出が評価される可能性があります。 しかし、それだけでは、モデルが要求されたオブジェクトをすべて保持しているか、カメラの動きが正確な経路に沿っているか、ブランド側がクリップを効率的に修正できるか、あるいは出力が4Kで納品可能かといったことは分かりません。だからこそ、リーダーボードは実地テストの代替となるのではなく、実地テストのための仮説を立てるためのものなのです。.
Google DeepMindも次のように報告している Omni Flashが総合的な好感度および指示の順守度において、他の主要な動画モデルを上回ったという内部の動画編集評価。人間の評価者が504件の編集例について出力結果を比較した。 これは、対話型編集が真の強みであるというGoogleの主張を裏付けるものですが、これはベンダーが実施した調査であり、公開された資料には直接比較可能なVeo 3.1スコアが記載されていません。したがって、我々はこれをOmniの編集機能への注力に関する証拠として扱うものであり、比較全体に対する独立した評価とは見なしていません。.
Gemini Omni Flash 対 Veo 3.1 の価格比較
Googleでは、これらのモデルの料金を、動画の出力が正常に行われた秒数に基づいて算出しています。以下の表は、 Gemini 開発者向け API の価格ページ そして、この比較に関連するクリップの長さごとのコストを算出します。この記事で取り上げられている料金表はこれだけです。以降の推奨事項では、これを繰り返すのではなく、この実用的なトレードオフを参照しています。.
| モデル | 公式APIレート | 6秒間の720p動画 | 8秒間の720p動画 | 8秒間の高解像度オプション |
|---|---|---|---|---|
| Gemini オムニフラッシュ | $0.10/秒 | $0.60 | $0.80 | 720pを超える解像度では利用できません |
| Veo 3.1 スタンダード | 720pまたは1080pで$0.40/秒、4Kで$0.60/秒 | $2.40 | $3.20 | $3.20（1080p）、$4.80（4K） |
| ベオ 3.1 速い | 720pで$0.10/秒、1080pで$0.12/秒、4Kで$0.30/秒 | $0.60 | $0.80 | 1080pでは$0.96、4Kでは$2.40 |
| Veo 3.1 Lite | 720pでは$0.05/秒、1080pでは$0.08/秒 | $0.30 | $0.40 | 1080pでの解像度は$0.64。4Kには対応していません。 |
この料金表に関する最も重要な結果は、次のとおりである。 Omni FlashとVeo 3.1 Fastは、いずれも720pで1秒あたり$0.10のコストがかかります。. したがって、配信された6秒のファイルはおよそ$0.60に相当します。しかし、当社の接続テストルートでは、6秒の要求にもかかわらず、Omniは6.02秒のクリップを返したのに対し、Veoは8.00秒のファイルを返しました。 その結果、このバッチにおける配信ファイルの推定値は、クリップあたり約$0.60および$0.80となりました。Veoの2秒の超過については、ルート形式の不一致によるものと見なし、基礎となるモデルが6秒の動画を生成できない証拠とは見なしていません。.
Veo Standardは別の選択肢です。その高い価格に見合う価値として、品質重視のグレードへのアクセスと、Omniでは実現できない解像度が得られます。 Omniを「Veoの4分の1の価格」と呼ぶのは、比較対象が明確に720pまたは1080pのVeo Standardである場合にのみ正確です。 Veo Fastと比較する場合は誤りであり、4K出力のためにVeoが選択される場合は不完全な比較となります。この割高感は、追加の解像度やStandardティアのレンダリング品質が、その後の制作プロセスを通じて維持される場合にのみ意味を成します。.
定価には、クリエイターが最も負担に感じるコスト、すなわち「リロール」のコストも反映されていません。5回の試行を要する安価なクリップは、1回の試行で完成する高価なクリップよりもコストが高くなる可能性があります。当社のポリシーでは品質向上のためのリロールが禁止されており、保存された16ファイルすべてが有効であったため、このバッチでは「最初に有効と判定されたファイル1件あたりのコスト」を報告することができます。 ただし、これは「使用可能な結果1件あたりのコスト」を普遍的に保証するものではありません。そのコストは、各プロジェクトの受け入れ基準によって異なります。Googleによると、音声処理や安全上の問題によりブロックされたVeoの生成については課金されませんが、プラットフォームレベルの課金体系は、API経由の直接課金とは異なる場合があります。.
定期購読および一般向け製品へのアクセスについては、以下の各ガイドをご覧ください。 Veo 3.1 サブスクリプション価格 そして Veo 3.1は無料かどうか. 上記の数値は開発者向けAPI料金であり、一般ユーザー向けプランの価格ではありません。.
実地試験の設計方法
公正な比較を行うには、最も簡単な「逃げ道」を取り除く必要があります。私たちは同じ8つの英語のプロンプトを使用し、16:9・720pで6秒間の動画を対象とし、シーンに応じて自然な音声を要求し、最初に得られた有効な出力を評価対象としました。 プロバイダー側のエラーについては、デコード可能なファイルが得られるまで再試行が可能でしたが、見栄えの悪い有効な結果は置き換えることができませんでした。この最後のルールが重要なのは、品質の再試行を行うと、レビューが知らぬ間に「ハイライト集」のようなものになってしまうからです。.
同じ要件、最初の有効な出力、品質に基づく再実行なし
| モデル | Gemini Omni Flash および Veo 3.1 Fast |
|---|---|
| プロンプトに関する方針 | 両モデルに対して同一のプロンプトテキストを使用。モデル固有の書き換えは行わない。 |
| 目標出力 | 6秒、16:9、720p、シーンに合わせた音声付き |
| ポリシーの実行 | 最初の有効な出力が記録されました。プロバイダーの失敗については再試行が可能ですが、品質の再処理対象となる有効なクリップは受け取られていません。 |
| 得点 | 保存された最初の有効な出力に基づいて判定された、0～5の編集スコア |
| 測定されたルート速度 | 当社の連携ワークフローにおけるエンドツーエンドの待ち時間であり、汎用的なモデルのみのレイテンシに関する主張ではありません |
スコープ この実機テストによるVeoの結果は、テスト対象の経路における「Veo 3.1 Fast」に関するものであり、すべてのVeoティアやコンシューマー・サーフェスに適用されるものではありません。.
加重スコアは、プロンプトへの準拠度と視覚的品質にそれぞれ20%、動きのリアリズムと時間的一貫性にそれぞれ15%、音声の一致度・速度・信頼性および実用性にそれぞれ10%を割り当てています。 これらの評価項目を区別しているのは、見た目が素晴らしいクリップであっても、本来の目的を果たせない場合があるためです。形が変わる製品のボトルは、実用的な広告とは言えません。テキストがほぼ正しいだけのポスターは、正しいとは言えません。自然なカフェの雰囲気も、カップに溶け込んでしまう手を救うことはできません。.
保存された16ファイルのすべてに、AACオーディオトラックが含まれています。オーディオスコアの評価は意図的に控えめに行われており、トラックの有無、測定されたレベル、周波数特性に基づいており、「要求されたすべてのサウンドキューが完璧に聞き取られ、識別された」といった根拠のない主張には依拠していません。.
実証実験の結果：8つのプロンプト、2つのモデル
各テストでは、それぞれ異なる失敗パターンを特定しています。重要なのは、8人の「見栄えの良い」被写体を見つけることではありません。プロンプトで「人物」「特定の物体」「衝突」「制御されたカメラの動き」「音と映像の同期」「読みやすいテキスト」、あるいは「型破りな視覚的アイデア」などを要求された際、モデルが依然として信頼できるかどうかを確認することにあります。 総合的なテスト結果ではOmniが5対3で勝利していますが、個々のクリップを見ると、0.115ポイントという得点差がなぜ僅差なのかがわかります。.
テスト1：人間の動きと顔の一貫性
このテストがなぜ重要なのか
雨に濡れたトラッキングショットは、モデルが些細なミスを犯していても映画的な雰囲気を醸し出します。顔、手、傘、歩調、そして後退するカメラの動きが一体となって映し出される様子を見れば、そのシーンが首尾一貫したものなのか、それとも単に雰囲気だけを演出したものなのかがわかります。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 32.1秒 | 104.9秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 4.4 | 3.5 |
| 画質 | 4.3 | 4.6 |
| モーション・リアリズム | 4.1 | 3.3 |
| 時間的一貫性 | 3.8 | 4.6 |
| 音声照合 | 3.7 | 3.8 |
| 加重合計 | 4.225/5 | 3.935/5 |
その女性はただ滑るように歩くのではなく、しっかりと歩いている。黄色いコート、傘、雨、路地、そして逆方向へのトラッキングショットは、すべてこのカットの中で維持されている。顔と髪はわずかに揺れている。.
顔、フード、傘、そして路地の描写は、極めて安定感があり、洗練されています。しかし、上半身の被写体の動きがあまりにも少ないため、求められていた「歩く」という動作が、むしろ静止したポーズのように見えてしまいます。.
評決： Veoは一貫性という点で優れていますが、Omniの方が実際のモーションの要件をより説得力を持って満たしており、指定された長さのフォーマットで結果を返します。.
正確なプロンプトを表示する
6秒間のシネマティックな動画を、アスペクト比16:9、解像度720pで制作してください。 黄色いレインコートを着た若い女性が、透明な傘を手に、雨の降る夜の東京の路地を歩いています。濡れた舗道にネオンサインが映り込んでいます。カメラは彼女の前をゆっくりと後退しながら追います。自然な体の動き、顔や手の動きの一貫性、リアルな雨の描写、テキストのオーバーレイなし。.
試験2：製品の商業品質
このテストがなぜ重要なのか
製品動画は容赦がありません。カメラがガラス瓶の周囲を回る間、瓶のシルエットは一貫して保たれなければなりません。また、動くハイライトは、被写体を再描画するのではなく、その特徴を際立たせるものでなければなりません。カメラが周回する途中で製品の姿が変わってしまっては、洗練された映像だけでは不十分です。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 27.2秒 | 103.1秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 3.6 | 3.8 |
| 画質 | 4.2 | 4.6 |
| モーション・リアリズム | 3.7 | 4.2 |
| 時間的一貫性 | 2.8 | 3.7 |
| 音声照合 | 3.5 | 3.6 |
| 加重合計 | 3.725/5 | 4.005/5 |
黄金色の光と大理石の反射が高級感あふれる印象を与えますが、カメラが動くにつれて、ボトル本体、首、キャップのプロポーションや色合いが変化します。.
温かみのあるコマーシャル風の演出がより際立ち、ボトルの安定感も増しています。ただし、キャップとシルエットにはまだズレが見られるため、これは製品精度を追求したバージョンというよりは、あくまでコンセプト動画の段階にとどまっています。.
評決： Veoは、より実用性の高い商用モックアップを作成します。どちらのモデルも、軌道上において製品のアイデンティティを完全に確立しているわけではありません。.
正確なプロンプトを表示する
6秒間のプレミアム商品CMを作成してください。アスペクト比は16:9、解像度は720pです。黒い大理石のテーブルの上に、透明なガラスの香水瓶が置かれています。柔らかな金色の光が香水瓶を照らします。カメラはゆっくりと180度回転します。香水瓶の形状は一貫して維持される必要があります。ブランド名のテキストが読み取れるような表示や、余計な小物は一切含まないこと。.
テスト 3：複数オブジェクトに対するプロンプト順守度
このテストがなぜ重要なのか
これは意図的に華やかさを抑えたものです。モデルは、雪が降り続く中、カメラが固定された状態で、赤い自転車、青い壁、白い犬、そして黄色い傘が画面内に見えるようにしなければなりません。オブジェクトを落としたり、カメラを動かしたりした美しい出力は、指示を満たしていないものとみなされます。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 27.8秒 | 91.5秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 4.9 | 4.2 |
| 画質 | 4.1 | 4.4 |
| モーション・リアリズム | 4.0 | 3.8 |
| 時間的一貫性 | 4.6 | 4.5 |
| 音声照合 | 3.0 | 3.2 |
| 加重合計 | 4.360/5 | 4.065/5 |
赤い自転車、青い壁、白い犬、開かれた黄色い傘、舞い落ちる雪、そして固定されたカメラが、映像全体を通して鮮明に映し出されている。.
必要なオブジェクトや色はすべて写っていますが、傘が自転車と犬の後ろに一部隠れており、指定された個別のオブジェクトがはっきりとは確認できません。.
評決： どちらの出力も利用可能です。「Omni」はチェックリストをよりすっきりとした視覚的な回答に変え、文字通りのプロンプトの補完に最も近い結果となります。.
正確なプロンプトを表示する
6秒間のリアルな動画を、アスペクト比16:9、解像度720pで作成してください。青い壁に赤い自転車が寄りかかっています。その横には小さな白い犬が座っています。地面には黄色い傘が開いたまま置かれています。小雪が降っています。カメラは固定し、ズームは使用しないでください。動画全体を通して、これら3つの被写体がすべて画面内に収まるようにしてください。.
テスト4：物理演算と衝突のリアリティ
このテストがなぜ重要なのか
流体の動きの中には、物理的な不自然さが潜んでいることがよくあります。ここでは、その一連の動きを詳しく確認できます。ビー玉がらせん状の軌道に沿って転がり落ち、3つのベルに触れてから静止します。ここでは、説得力のある重力表現、適切なタイミングでの接触、安定した物体の形状、そして「合図に合わせてアニメーションで動かされた」という印象ではなく、自然な原因によって停止しているように見えるかどうかを確認します。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 32.0秒 | 87.5秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 3.3 | 2.8 |
| 画質 | 4.2 | 4.3 |
| モーション・リアリズム | 3.6 | 3.1 |
| 時間的一貫性 | 4.0 | 3.2 |
| 音声照合 | 3.3 | 3.4 |
| 加重合計 | 3.810/5 | 3.365/5 |
ビー玉は途切れることのない木製の軌道に沿って進み、3つのベルが現れますが、3つの別々の衝突と最終的な停止の場面は、はっきりと描かれていません。.
オブジェクトは滑らかに見えるが、ベルはゴーストのようなトランジションを経て登場し、大理石がベルの下を通り抜ける際に、はっきりと確認できる衝突判定が3回行われていないように見える。.
評決： Omniは、不具合が少ないシーケンスではあるものの、信頼できる物理シミュレーション結果とは言えません。どちらのモデルも、3回の衝突と最終停止を確実に完了させることはできません。.
正確なプロンプトを表示する
6秒間のクローズアップ動画を、アスペクト比16:9、解像度720pで作成してください。ガラス製のビー玉が木製のらせん状のレールを転がり落ち、3つの小さな金属製の鈴にそっとぶつかった後、最下部で止まります。重力の挙動は現実的であり、衝突は自然で、物体の形状は安定しており、被写界深度は浅いものにしてください。.
テスト5：映画的なカメラワーク
このテストがなぜ重要なのか
滑らかなドローンの映像は、そのモデルが連続的な3次元空間を理解しているかどうかを検証するものです。突然のカット、ゴムのように弾力のある峡谷の壁、あるいは妥当な視線経路がないにもかかわらず突然現れる川などは、真の意味でのカメラ操作なしに、壮観な映像を生み出す可能性があります。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 28.2秒 | 91.5秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 4.6 | 3.8 |
| 画質 | 4.4 | 4.8 |
| モーション・リアリズム | 4.3 | 4.4 |
| 時間的一貫性 | 4.1 | 4.5 |
| 音声照合 | 3.8 | 3.8 |
| 加重合計 | 4.390/5 | 4.235/5 |
このショットは高い位置から始まり、峡谷の壁の間を降りていき、川が映し出されるのは後半になってからである。わずかなトランジションの不自然さ以外は、求められた映像表現のルールに忠実に沿っている。.
映像の表現力は豊かで、カメラの動きも滑らかですが、冒頭のフレームから川が見えているため、意図された「驚き」の効果が薄れてしまっています。.
評決： Veoが「イメージ・ポリッシュ」部門で優勝。Omniは「ディレクテッド・カメラ・ストーリー」部門で優勝し、テストでも僅差で勝利を収めた。.
正確なプロンプトを表示する
6秒間の映画的なドローン映像を作成してください。アスペクト比は16:9、解像度は720pです。カメラは砂漠の峡谷の上空から始まり、2つの岩壁の間を滑らかに下降し、夕暮れ時の小さな川を映し出します。カメラの動きは滑らかで、急なカットはなく、現実的なスケール感があり、温かみのある自然な照明を表現してください。.
テスト 6：ネイティブオーディオとシーンマッチ
このテストがなぜ重要なのか
音質とは、単に「音が聞こえるかどうか」というだけのものではありません。注ぐ動きはミルクの流れと合っていなければならず、カフェは「空っぽ」というよりは「静か」な雰囲気が感じられるべきであり、モデルは音楽を流さないという指示を厳守しなければなりません。また、クローズアップ映像に不備があると音声では補えないため、手元やカップ、泡の状態もチェックします。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 27.8秒 | 106.7秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 3.6 | 4.0 |
| 画質 | 4.6 | 4.5 |
| モーション・リアリズム | 4.5 | 4.5 |
| 時間的一貫性 | 4.5 | 4.6 |
| 音声照合 | 2.3 | 4.0 |
| 加重合計 | 4.120/5 | 4.265/5 |
注がれる様子や、次第に広がっていくラテの模様は、視覚的に素晴らしいです。保存された音声トラックは非常に静かであるため、後処理を行わないとあまり役に立ちません。.
水差し、小川、コップ、そして完成した泡の模様は、長めのテイクを通じて安定して表現されています。その音声トラックは、音量レベルとダイナミックレンジが大幅に広がっています。.
評決： 視覚的な面では接戦ですが、Veoの方が「オーディオ優先」という要件をより満たしています。この判断は、個々の音の要素に関する根拠のない主張ではなく、トラックの臨場感、測定された音量、および周波数特性に基づいています。.
正確なプロンプトを表示する
自然な音声入り、16:9、720pの6秒間の動画を作成してください。静かなカフェで、バリスタがコーヒーカップにスチームしたミルクを注いでいる様子です。音声には、ミルクが注がれる柔らかな音や、カフェのほのかなBGMを含め、音楽は入らないようにしてください。クローズアップショットで、泡の動きがリアルに表現されているものにしてください。.
テスト7：テキストのレンダリング精度
このテストがなぜ重要なのか
リクエストされたフレーズは十分に短いため、隠れる余地がありません。モデルは「AI VIDEO TEST」を正確に表示し、カメラがズームインしても読み取り可能な状態を維持し、人がポスターの前を通り過ぎる間も、ポスターを遮ることなく文字を保持し続けなければなりません。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 28.3秒 | 100.9秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 4.5 | 3.6 |
| 画質 | 4.2 | 4.3 |
| モーション・リアリズム | 4.0 | 3.9 |
| 時間的一貫性 | 4.7 | 4.3 |
| 音声照合 | 3.0 | 3.0 |
| 加重合計 | 4.315/5 | 3.860/5 |
“「AI VIDEO TEST」という文字は、ズームインしても鮮明で読みやすいままです。通行人がポスターのごく一部を遮っているため、「視界を遮らない」という指示は完全には守られていません。.
この構図は概ね安定していますが、その人物は体格がはるかに大きく、パスをする際にポスターのより広い範囲を遮ってしまっています。.
評決： Omniは、どちらの出力も「ノンブロッキング」という条件を完全に満たしているわけではありませんが、テキストと意図された構成をより確実に保持します。.
正確なプロンプトを表示する
6秒間の動画を作成してください。アスペクト比は16:9、解像度は720pです。スタジオの壁に貼られた真っ白なポスターには、まさに「AI VIDEO TEST」という文字が記載されています。人物がポスターの前を通り過ぎますが、ポスターが隠れないようにしてください。カメラはゆっくりとズームインします。文字が読みやすく、変更されないようにしてください。.
テスト8：クリエイティブ・マクロ・リアリズム
このテストがなぜ重要なのか
小さなロボットシェフは、独創的なテーマと写実的な写真表現を融合させています。その表現においては、漫画的な美学に陥ることなく、ロボットの体を安定させ、ケーキ作りの動作を分かりやすく表現するとともに、蒸気や小麦粉の粒子といった繊細な効果を物理的に説得力のあるものに仕上げる必要があります。.
| メートル法 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 出力ファイル | 6.02秒 · 1280×720 · 24 FPS · AAC | 8.00秒 · 1280×720 · 24 FPS · AAC |
| 接続経路の所要時間 | 30.8秒 | 93.0秒 |
| 納品ファイル一覧の概算費用 | $0.60 | $0.80 |
| 速やかな遵守 | 3.9 | 4.4 |
| 画質 | 4.5 | 4.8 |
| モーション・リアリズム | 4.0 | 4.4 |
| 時間的一貫性 | 3.4 | 4.5 |
| 音声照合 | 3.5 | 3.5 |
| 加重合計 | 4.050/5 | 4.345/5 |
ロボットやケーキ、蒸気、マクロ撮影の映像は魅力的ですが、いくつかの急激なカットチェンジにより、ロボットの本体の見た目がアングルごとに一貫性を欠いています。.
骸骨のシェフは一目でそれとわかる姿のままですが、ケーキや湯気、小麦粉、調理器具、そしてミニチュアスケールが組み合わさることで、より統一感のある作品となっています。.
評決： Veoは、より力強いミニチュアストーリーと、より安定感のある主人公像を描き出しています。.
正確なプロンプトを表示する
6秒間のシネマティックな動画を、アスペクト比16:9、解像度720pで作成してください。ミニチュアのキッチンで、小さなロボットシェフがイチゴケーキを作ります。作風は、アニメ調ではなく、写実的なマクロ写真風とします。小さな鍋から蒸気が立ち上り、小麦粉の粒子が空中に舞い、ロボットの金属製のボディは一貫した質感で描かれます。.
オムニの粘り強さとスピードが、Veoのフィニッシュを0.115ポイント上回った。
5つのタスクで勝利。プロンプトへの準拠度と経路速度において最も優れていた。.
3つのタスクで優勝。ビジュアルの仕上がり、安定性、音響の面で最も優れていた。.
| 平均寸法スコア | オムニ・フラッシュ | ベオ 3.1 速い | リーダー |
|---|---|---|---|
| 速やかな遵守 | 4.100 | 3.763 | オムニ |
| 画質 | 4.313 | 4.538 | Veo |
| モーション・リアリズム | 4.025 | 3.950 | オムニ |
| 時間的一貫性 | 3.988 | 4.238 | Veo |
| 音声照合 | 3.263 | 3.538 | Veo |
| スピードと信頼性 | 5.000 | 3.500 | オムニ |
| 実用的な使いやすさ | 4.138 | 4.175 | Veo、ほぼ同点 |
| 加重合計 | 4.124 | 4.009 | オムニ |
読み方： 総合スコアは、単に最も美しいフレームを撮ることだけでなく、求められたショットを確実に撮れたかどうかを評価するものです。Veoのビジュアル面での優位性は確かにありますが、この評価基準の下では、Omniの指示への順守や処理速度の速さという点が、わずかに高い価値を持つ結果となりました。.
720pのレートは同じだが、返される再生時間と待機時間が異なる
| 測定されたバッチ結果 | Gemini オムニフラッシュ | ベオ 3.1 速い |
|---|---|---|
| 公式の720pレート | $0.10/秒 | $0.10/秒 |
| 平均エンドツーエンドの経路所要時間 | 29.29秒 | 97.40秒 |
| 平均返却期間 | 6.02秒 | 8.00秒 |
| 配信されたファイル1件あたりの概算リスト価格 | $0.60 | $0.80 |
| 約8ファイル分のバッチ処理費用 | $4.80 | $6.40 |
| 保存済み、デコード可能な出力 | 8/8 | 8/8 |
境界： 今の時代は、モデルのみのインフラストラクチャではなく、連携されたワークフローが評価の対象となります。Veoルートでは、6秒のリクエストに対して8秒のファイルが返されました。これにより、ファイルの配信にかかる時間の推定値は上昇しましたが、これを「Veoでは6秒の出力を生成できない」という主張に一般化すべきではありません。.
より大きな違い：反復開発と生産管理
ベンチマークの争いでは、この比較が「最初のレンダリング結果がどれほど美しく見えるか」という競争のように見えてしまうかもしれません。実際には、最初のレンダリング結果が得られた後、各モデルの性能差が最も顕著に現れます。.
Omni Flashは、「考えを変える」ことを基本コンセプトに設計されています
～を通じて GoogleのInteractions API, Omniのセッションでは、前回生成された動画が記憶されます。 シーン全体を再アップロードしたり、説明を書き直したりすることなく、照明の変更、オブジェクトの削除、背景の差し替え、スタイルの変更などを依頼できます。Googleによると、開発者は最大3つの編集を連続して実行できるとのことです。これにより、プロンプトは単発の制作指示から、対話の始まりへと変わります。.
その代償として、Omniの現在のAPIには明確な限界があります。出力解像度は720pに限定され、シーンの延長や、指定された開始フレームと終了フレーム間の補間処理は行えず、アップロードされた音声リファレンスも受け付けません。その価値は、長編動画のパイプラインのあらゆる段階を網羅することではなく、短いクリップ内での制御可能な反復処理にあるのです。.
Veo 3.1は、ショットの定義と拡張を中核としています
Veoは、最終的な出力形式がすでに決まっている場合に役立つ機能を提供します。 参照画像を使って被写体を誘導したり、開始フレームと終了フレームを指定したり、高解像度の出力を選択したり、Veoが生成したクリップを7秒単位で延長したりすることができます。Googleでは最大20回の延長が可能ですが、延長後の出力は720pに制限されており、延長するたびに被写体の姿や動きがずれてしまうリスクが高まります。.
だからこそ、「どちらのモデルが優れているか」という問いには、2つの正当な答えが存在するのです。 探索的で修正の多い作業の場合は、Omniをおすすめしやすいでしょう。一方、8秒間の4Kショット、フレーム間の制御されたトランジション、あるいは元のクリップを超えて継続しなければならないシーケンスなど、明確なエンドポイントが求められる案件では、Veoの方が魅力的になります。あなたが選んでいるのは、単なるレンダリングエンジンではなく、クリエイティブなループなのです。.
ネイティブサウンドについてさらに詳しく知りたい方は、以下をご覧ください。 Veo 3.1 のオーディオ処理方法. 拡張機能のワークフローについては、当社のガイドをご覧ください。 Veo 3.1 動画の長さ 短い世代がどのようにしてより長い配列になるかを説明しています。.
どのモデルを使うべきか？
一般的な第一候補としては、当社の検証結果から「Gemini Omni Flash」が推奨されます。 このモデルは比較テストで優勝し、前述の2つの「Artificial Analysis」リーダーボードで首位を占めており、当方の評価ルートでは有効な出力に到達するまでの時間が約3倍速かった。ただし、正確な短編動画の処理性能よりも、安定したシネマティックな仕上がり、より力強い音声表現、4K対応、フレーム制御、あるいは拡張性を重視する場合は、この推奨事項は変わる。.
反復が積である場合は、Gemini Omni Flash を選択してください
Omniは、ラピッドコンセプト、ソーシャルクリップ、制約のあるプロンプト、読みやすいテキスト、参照に基づく変換、および最初の結果を確認した後にブリーフが変更されることを想定しているチームに最適です。 8つのタスクのうち5つで勝利を収め、プロンプト順守度では平均4.100/5を記録しました。その「パブリック・プリファレンス」における優位性は、ワークフローに強力な出発点を提供します。つまり、編集の利便性を得るためだけに、明らかに質の低い第1世代の生成結果を受け入れる必要はないのです。.
納期よりも仕上がり品質を重視する場合は、「Veo 3.1 Fast」をお選びください
720pにおいて、「Fast」は「Omni」に代わる最も優れた直接的な選択肢です。このレンズは、製品・CM、カフェ・オーディオ、クリエイティブ・マクロの各テストで優勝し、画質平均値でも4.538対4.313でトップとなりました。 文字通りのタイミングや、接続経路における最速の応答速度よりも、被写体の安定性や洗練された第一印象が重視される場合には、Fastを選択してください。また、プロジェクトの要件に応じて、より高い解像度やより構造化された撮影制御に移行できる製品ファミリーの一員であり続けることができます。.
出力の上限が割高分を正当化できる場合は、「Veo 3.1 スタンダード」を選択してください。
「スタンダード」は、すべての短いクリップにとって妥当なデフォルト設定というわけではありません。これは、そのショットが重要であり、反復作業にかかるコストよりも、最高のレンダリング品質と4Kでの配信が優先される場合に検討すべき設定レベルです。これはベンチマークの結果に基づく決定ではなく、制作上の判断です。つまり、4Kオプションに価値があるのは、最終的な配信チャネル、編集、そして視聴者がその違いを十分に活かせる場合に限られます。.
作成と修正が別々の段階である場合は、両方を使用してください
ブランドへのこだわりよりも、複数のツールを組み合わせたワークフローの方が実用的である場合があります。Veoでは、高解像度またはフレーム単位で制御されたマスターショットを定義でき、Omniでは、サポートされているアップロード済み動画に対して、短編動画の迅速な生成や会話内容の変更を行うことができます。 ただし、地域的および技術的な制約があります（EEA、スイス、英国ではOmni API経由でのアップロード済み動画の編集は利用できません）。したがって、これは検証すべきワークフローとして扱うべきであり、すべてのインターフェースですべての機能が利用可能であるという保証ではない点にご留意ください。.
ワークフローにおけるGlobalGPTの位置づけ
グローバルGPT これは、最終的な動画プロンプトがまだ存在しない段階で作業を開始する場合に最も役立ちます。これにより、計画、プロンプトの作成、生成、モデルの比較といった一連の作業を、複数のアプリに分散させることなく、1つのワークスペース内でまとめて行うことができます。.
- 企画書を作成する： GPT-5.6 Sol、Claude Opus 4.8、Gemini 3.1 Pro などのモデルを活用して、大まかなコンセプトを、被写体、カメラ、動き、スタイル、音に関する明確な要件へと落とし込みましょう。.
- 下書きの作成と比較： 高速で命令に敏感なジェネレーションには「Gemini Omni Flash」を使用してください。また、作業内容に合わせて異なるモーションスタイルやコストプロファイルが適している場合は、「Sora 2」、「Kling 3.0」、および「Seedance 2.0」をお試しください。.
- 洗練されたパスへと移行する： 最短納期よりも、映像的な仕上がりと被写体の安定性を重視する場合は、Veo 3.1を使用してください。.
年間課金の場合、Proプランは $10.80/月 また、Veo 3.1を除くほぼすべてのビデオモデルに対応しています。Unlimitedは $25/月 さらに、Veo 3.1へのアクセス機能も追加されており、完全な比較ワークフローを構築したい場合には、こちらの方が適しています。その 価格ページ 各プランのモデルへのアクセス権限をすべて一覧表示しています。.
4K、拡張、またはフレーム固有の制御に依存するプロジェクトについては、本番運用前に、関連する公式APIワークフローでそれらの設定を確認してください。.
本比較の限界
- テスト対象は「Veo 3.1 Fast」であり、「Veo 3.1 Standard」や「Lite」ではありません。. 公式の系統学的特徴は、実証的証拠とは区別して記載されている。.
- ある出力結果は現実的ではあるが、統計的に網羅的ではない。. 「リロール不可」というルールは、最初の挑戦には代償を払う一方で、再挑戦すれば結果が異なる可能性があるという体験を反映しています。.
- エンドツーエンドの遅延には、接続経路が含まれます。. これは、Googleのインフラやすべてのプロバイダーについて、普遍的な約束であると解釈すべきではありません。.
- Veoルートでは、6秒のリクエストに対して8秒のファイルが返されました。. 届いたファイルの評価と価格設定は行いましたが、このコネクタの不一致を、Veo自体に6秒の出力機能がないことの証拠とは見なしていません。.
- オーディオレビューは、一部が楽器に基づいています。. AACトラック、ラウドネス、ピーク、周波数特性を検証しましたが、要求されたすべての手がかりを耳だけで特定できたとは主張しません。.
- 共有されたテストは、720pのテキストから動画への変換です。. 画像から動画への変換、会話型編集、最初・最後のフレームの生成、映像の延長、および4Kについては、別途テストを行わない限り、公式機能の比較対象となります。.
- 公開リーダーボードは変動します。. 人工知能による分析結果は、ある時点でのスナップショットに過ぎず、Googleは安定版リリース前にプレビュー版モデルを修正することもあります。.
よくある質問
Gemini Omni Flashは、Veo 3.1よりも優れていますか？
当社の検証結果によると、命令依存性の高い720p動画においては、Gemini Omni Flashの方が優れたデフォルト設定であることが示されました。 当チームの初回出力テストでは、Veo 3.1 Fast 5-3を5.009/5対4.124/5で上回り、現在、音声付きの人工知能分析によるテキストから動画への変換および画像から動画への変換のランキングで首位に立っています。 Veoは、1080p、4K、先頭・末尾フレームの生成、拡張などを含む、映像の安定性とワークフローの幅広さにおいて依然として優れています。.
「Veo 3.1 Fast」は「Veo 3.1」と同じものですか？
No. Veo 3.1 Fastは、同シリーズの中で速度を重視したバージョンです。ネイティブオーディオや、同シリーズの主要な生成制御機能の多くに対応していますが、価格設定や最適化のターゲットはStandardとは異なります。Fastの実機テスト結果は、Standardの最高画質モードの直接的なテスト結果として提示すべきではありません。.
Gemini Omni FlashとVeo 3.1、どちらが安価ですか？
720pの場合、「Omni Flash」と「Veo 3.1 Fast」は、いずれも1秒あたり$0.10という同じ公式APIレートを示しています。 今回のバッチ処理では、Omniは$0.60程度で約6秒のファイルを生成したのに対し、テストしたVeoルートでは$0.80程度で約8秒のファイルを生成しました。 Veo Liteはより安価ですが、Veo StandardおよびVeoの高解像度モードはより高価です。.
Gemini Omni Flashは4K動画に対応していますか？
いいえ。Googleの現在のモデルページによると、Omni Flashの出力解像度は720p、24 FPSとなっています。 Veo 3.1およびVeo 3.1 Fastは、対応する8秒モードで4K出力が可能ですが、Veo 3.1 Liteの最大解像度は1080pです。.
Gemini Omni Flashでは、既存の動画を編集できますか？
はい。Omni Flashはステートフルな対話型編集に対応しており、Files APIを通じてアップロードされた動画を編集することができます。ただし、EEA、スイス、および英国では、アップロードされた動画の編集機能は利用できません。また、現在のAPIでは、音声編集、動画の延長、およびアップロードされたオーディオ参照の編集には対応していません。.
Gemini Omni Flash と Veo 3.1 は音声を出力しますか？
はい。どちらも動画付きのオーディオトラックを生成します。 当カフェでのテストでは、Veoで保存されたトラックの音量は著しく大きく、ダイナミックレンジも広かったのに対し、Omniのものは極めて音量が小さかった。プロンプトの設定は依然として重要であり、会話、環境音、音楽、あるいは不要な音について具体的に記述する必要がある。Googleによると、音声処理や安全チェックによってブロックされたVeoの出力については課金されないとのことだ。.
Veo 3.1は無料で入手できますか？
Gemini Developer APIの料金表では、無料プランでVeo 3.1は提供されていません。Google AI Studio、Gemini、Flow、サブスクリプション、またはサードパーティのプラットフォーム経由でのアクセスについては、各プラットフォームごとに独自の制限やプランのルールがあるため、別途検討する必要があります。.
Veo 3.1の動画を商用利用してもいいですか？
商用利用については、動画が生成されたサービスの利用規約、プロンプトおよび参照素材に関する権利、ならびに現地の法律によって異なります。有料広告やクライアント向け業務でクリップを使用する前に、該当する利用規約をご確認ください。当社の Veo 3.1 商用利用ガイド その質問について詳しく解説しています。.
最終評決
Gemini Omni Flashは、今回の比較において総合優勝を果たしました。. 8つのファーストアウトプット課題のうち5つで勝利し、5点満点中4.124点を獲得したのに対し、Veo 3.1 Fastは4.009点にとどまった。また、制約付きのプロンプトへの準拠度も高く、テストルートを通じた処理速度もはるかに速かった。 この差はごくわずかであるため、Veoを全面的に時代遅れあるいは劣っていると断じるには早計である。Veoは、より優れたコマーシャル作品を生み出し、より力強い音声結果を出し、最も一貫性のあるマクロシーンを構築した。.
実用的な判断は明確です。忠実な短いクリップを素早く作成する必要があり、その過程で会話形式で修正を重ねる予定がある場合は、Omniを使用してください。 映画的な仕上がり、被写体の安定性、4K出力、最初と最後のフレームの制御、あるいは映像の延長が、厳密な6秒間の納品や迅速な反復作業よりも重要である場合は、Veoを使用してください。実際に実施した比較テストではOmniが勝利しましたが、より幅広い制作ツールセットという点では、依然としてVeoが優れています。.
ご自身のプロンプトを使って、このワークフローを試してみてください： GlobalGPTを開く, 、チャットモデルを使ってコンセプトの概要をまとめ、それをより具体的な動画プロンプトに落とし込み、その概要をGemini Omni FlashやVeo 3.1、あるいはそのシーンに適した他の動画モデルに入力します。複数の案から選択する場合、 価格ページ 各パッケージで利用可能な具体的なモデルの一覧を示しています。.
