Gemini Omni 1.1 Flash の 40 秒シーンは 4 通の別々の請求書

今週の見出しに並ぶ数字は 40 です。Google の新しい映像モデルによる 40 秒のシーン — プロンプトを打てば 40 秒が返ってくる、というふうに聞こえます。

そうはなりません。gemini-omni-1.1-flash を 1 回呼ぶと返ってくるのは 3 秒から 10 秒 です。40 秒は、そのクリップをさらに 3 回延長して到達する長さで、合計 4 ジョブ、それぞれ別に課金されます。誰も嘘はついていません。Google 自身の発表 は継続についてはっきり書いています。ただ、その数字はその一文からずいぶん遠くまで旅をして、多くの人のところへ「1 回の生成あたりの数字」として届きました。

これは、カードを切る前に当社なら知っておきたい説明です。40 秒がいくらかかるのか、360p のティアは何のためにあるのか、そしてドキュメントに埋もれた制約 — そのひとつは、ヨーロッパの開発者を目玉機能から完全に締め出します。

40 秒は 4 つのジョブであり、4 通の請求書

映像モデルは出力 1 秒ごとに課金し、延長に割引はありません。継続は新規生成と同じだけかかるので、40 秒は 10 秒のクリップ 4 本として値段が付きます。どのティアでも同じです。

10 秒 × 4 を、それぞれの 1 秒あたり料金で計算したものです。当社の数字はライブのカタログから来ています。この記事が古びたときは、モデルページ が現在の数字を持っています。

Google の列にはひとこと要ります。この料金は驚くほど見つけにくいからです。完全な階段を載せている公式ページは 2 つあり、テキスト検索はそのどちらにも当たりません。ローンチ発表 では価格が画像の中に収まっています。人間には読めますが、Ctrl-F には見えません。Cloud pricing のページでは、100 万あたり $17.50 のメーターに対する 1 秒あたりトークン数として現れるので、掛け算するまで価格には見えません。まず開くであろうページ、つまり API の価格ドキュメントが与えるのは 4 段のうち 1 段だけ、720p の 「実効価格はおよそ 1 秒あたり $0.10」 です。

両者は一致します。ただし丸めの皺が一枚あります。発表はきれいに $0.03 / $0.10 / $0.15 / $0.30 と示し、トークンの計算はそのそれぞれより少し上に着地します。請求はトークンに従うので、上の列もそれに従っています。ティアごとの計算は ローンチ記事 にあります。

1080p の 40 秒で 5 ドル 40 セント、Google なら 6 ドル強。これは別テイクを 1 本も撮る前の店頭価格です。そして撮ることになります。ずれが出るのは最後の延長だからです。残す 1 本に加えて捨てる 2 本を予算に入れれば、仕上がった 40 秒のシーケンスは 5 ドルではなく 16 ドルになります。

360p の行は当社が負けていた行で、最近までここにもそう書いていました。それが動きました。当社のドラフト用ティアはいま 1 秒あたり $0.0297、Google の $0.0338 に対して 12 パーセント下です。ただし読み込みすぎないでください。fal は $0.03 にいます。差は 1 パーセント、勝利の衣を着た統計的ノイズであり、誰かが乗数をひとつ書き換えれば裏返る類のものです。下に書くドラフトの進め方は、どこから買っても成り立ちます。安いのが当社であることに、これまで一度も依存していません。

1.1 の本当の進化は長さではなく記憶

長さは以前からおおむね届いていました。それを使えるものにしているのは、継続するときにモデルが何を見ているかです。

6 月のプレビュー版は、延長しようとしているクリップの 最後の 1 秒 を読んでいました。1 秒でわかるのは画面に何があるかだけで、何が起きていたかはほとんどわかりません。だから延長は漂流しました。追っていたはずのショットが追わなくなる。ジャケットの色が一段ずれる。継ぎ目ごとに光が組み直される。

Gemini Omni 1.1 Flash は直前の映像を 最大 10 秒 読みます。10 秒あれば、ドリーがまだ動いていたこと、キーライトがどちら側から来ていたこと、コートがおおよそ何色だったことがわかります。4 部構成のシーケンスがそもそも成立するようになったのはこのためです。1.1 の目玉は長さだと言う人がいたら、話が逆です。長さは算数でした。記憶のほうがモデルです。

1080p と 4K はアップスケールであってレンダーではない

Google のドキュメントにある括弧ひとつが、何にお金を払うべきかを変えます。モデルリファレンス から、そのまま引くと 「1080p output (upscaled)」 と 「4K output (upscaled)」。モデルはその解像度より下でレンダリングし、拡大しています。階段の上のほうにあるのはディテールではなく、同じ情報を運ぶ大きなファイルです。

これで上の 4K の行の色合いが変わります。Google から、アップスケールされた出力の 40 秒に 12 ドル強。クライアントの仕様が 4K の寸法を要求するなら、払ってください。より良く見えるはずだと思って 4K を選んだのなら、ffmpeg でできるリサイズのために、Google の 720p 料金のちょうど 3 倍を払っていることになります。

360p で下書きし、720p で仕上げる

ここが実際にお金を節約する部分で、そして誰も見出しにしませんでした。

360p はここでは 1 秒あたり $0.0297 です。4 秒の下書きは 12 セント、720p の $0.36、1080p の $0.54 に対して。Google は 360p が 最大 60% 速い とも主張しています。当社が測ったものではなくベンダーの数字ですが、方向は明らかに正しいでしょう。

では算数です。あるショットで、動きが決まるまで 10 回試すとしましょう。具体的なカメラワークがあるものなら現実的な回数です。

• 1080p でまっすぐ 10 パス → $5.40
• 360p で 10 パス → $1.19、そのあと勝った 1 本を 1080p で再レンダリング → $1.73

最後に 1 回生成を足すだけで 68 パーセント引き です。360p のパスが何を教えてくれるかについては正直でいてください。構図、カメラの動き、頼んでいないカットをモデルが勝手に入れていないか。細かいテクスチャは判断できません。それを運ぶだけの解像度がないからです。

同じプロンプトを両方のティアで、同じシード、各 4 秒で走らせたものです。まず下書きから。

続いて、まったく同じプロンプトとシードの 720p レンダリングです。

どちらも暗いスレートの上の真鍮のストップウォッチ、カメラは左からドリーで寄り、暖かいキーライトが金属を斜めに舐めています。両方のプロンプトは、そのまま次のとおりです。

Editorial slow-motion macro shot of a brass mechanical stopwatch resting on a dark slate table, its second hand sweeping forward in a single continuous shot with no scene cuts. Camera performs a slow dolly in from the left, shallow depth of field, one warm amber key light raking across the metal, cool blue rim light behind. Fine dust drifts through the beam. Clean dark background, no text, no logos, no people. Sound design: a soft mechanical tick and low room tone, nothing else.

(プロンプトは英語のままにしてあります。モデルは英語でのみ評価されているためです。)

12 セント対 36 セント。下書きが教えてくれたのは、ドリーが読めること、そしてモデルが 1 ショットを保ったことです。踏み込む前に必要だったのはそれだけでした。ループはあの下で回してください。

延長は前にしか進まない

シーン延長は末尾に足すものであり、その制限の形がシーケンスの組み立て方を決めます。クリップの途中に挿入することはできません。前置きを作るために後ろ向きに延長することもできません。「終わりは残して最初の 4 秒を作り直す」はありません。この機能は一方向にしか動きません。3 番目のショットが間違っていたら、その下流はすべて一緒に捨てることになります。

ですから労力は前に寄せてください。最初の生成が、以降すべてのカメラの言葉、パレット、照明を決めます。そして安く直せるのはその区間だけです。3 回目の延長のころには 4 ジョブ分の深さにいて、後ろへ手を伸ばす方法はありません。

延長にできないことがもうひとつあります。人が話している映像を渡して新しいセリフを求めると、断られます。Google は発話の改変を制限しています。ローンチの報道は それを機能の欠落ではなく責任あるリリースのための意図的な保留と読んでいます。その解釈は記者のものですが、制限自体はドキュメントにあります。このモデルの上に吹き替え製品を作らないでください。

ヨーロッパの開発者は、この行を二度読んでください

ドキュメントに一文だけ埋もれています。EEA、スイス、イギリス では、アップロードした 映像の編集と延長は利用できません。

これは緩い制限ではありません。目玉機能 — 素材を取って続ける — が、ヨーロッパのほとんどで動きません。text-to-video と image-to-video は動きます。しかし、ユーザーがアップロードしたクリップを延長するツールを作る計画で、そのユーザーがベルリンやマンチェスターにいるなら、その計画は死んでいます。そして発表はそのことに一度も触れていません。

統合コードを 1 行書く前に、自分のデプロイ地域と突き合わせてください。ここに書かれた項目の中で、遅れて気づいたときにいちばん高くつくものです。

存在しないつまみ

テキストモデルから来ると、ここにはないパラメータに手が伸びます。Google のドキュメントはサンプリング面をまるごと未対応としています。temperature なし、top_p なし、システム指示なし、ストップシーケンスなし、ネガティブプロンプトなし。ひとつもありません。

唯一の制御面はプロンプトそのもので、サードパーティのドキュメントは上限を 40,000 文字としています。かなりの余裕ですが、この数字は Google 自身のリファレンスでは見つけられませんでした。普段サンプリングパラメータでやることは、すべて英語で書き込むしかありません。その英語をうまく書く方法については、プロンプト構文を別の記事 で扱いました。タグ構造とシーンカットの問題も含めてあるので、ここで繰り返す意味はありません。

ひとつ注意を。このモデルのサードパーティのスキーマドキュメントは temperature と top_p を受け付けるフィールドとして挙げており、Google のリファレンスは未対応だと言っています。どちらが正しいかは申し上げません。ふたつが食い違っている、と申し上げています。スキーマに載っているというだけでこれらのパラメータを前提に設計しないでください。まず、何かが変わるのかを試してください。

切れない音と、出られない英語

音声はどのクリップにもネイティブに生成され、オフにするスイッチはありません。パラメータもフラグもサイレントモードもありません。方向づけはできます — Sound design: の一文はきちんと働きます — が、断ることはできません。ブログへの埋め込みではプレイヤー側でミュートするということで、上の 2 本のクリップもそうしています。

音声をリファレンスとして渡すことも、生成された音声を後から編集することも、延長のためにアップロードした映像の音声を保つこともできません。3 つとも妥当な期待です。どれも対応していません。

言語のサポートはマーケティングが示唆するより狭く、完全に対応している言語は英語だけ です。日本語やその他は「評価されていない」と記載されています。結果が予測できない、という慎重な言い方です。プロンプトやセリフが英語でないなら、驚きの分を予算に入れてください。

入力パイプラインを設計する前に、リファレンスの上限を知っておいてください。映像リファレンスは 最大 3 本、各 3 秒 で、Google は一度に複数渡すと結果が劣化しうると注意しています。3 は目標ではなく上限として扱ってください。アスペクト比は 16:9 か 9:16、これも Google のものです。その隣に並べて引用される 2 つの数字はそうではありません。24 fps のフレームレートと reference-to-video の画像 1〜7 枚という範囲は、どちらもサードパーティのスキーマドキュメント由来です。すべてのフレームに SynthID の透かしが入り、それを外すスイッチを見せているプロバイダは見つかっていません。

何かを使う前に、これをしてください

順番に 4 つの確認です。最初のひとつが、残り全部を合わせたより多くの統合を殺します。

1. 自分の地域を確認する。 EEA、スイス、イギリスにいて、製品がアップロードされた映像を延長するなら、ここで止まってください。このモデルはその仕事をしてくれません。
2. クリップではなくシーケンスで値段を出す。 延長の回数を掛け、さらに実際に走らせるテイクの数を掛けてください。1080p の 40 秒は、ここでは最良でも $5.40、撮り直しを数えれば現実的にはその 3 倍です。
3. そもそも Omni が要るのかを問う。 Veo 3.1 Fast の 1 秒はここでは 1 セント、720p の Omni の 9 セントに対してです。ショットは 1 本、継続なし、フレーム補間なし、2 クリップ先で同じ顔をしていなければならない誰かもいない — その場合、その倍率は燃やしたお金です。
4. ループはドラフト用ティアの上に作る。 360p で回し、勝ったものを上げる。68 パーセントは丸め誤差ではありません。

Omni がその倍率に見合うのは、まさに 1.1 の機能が指している場所です。ショットを続けること、最初と最後のフレームの間を補間すること、静止画を動かすこと、あるいはカットをまたいで被写体を運ぶこと。その外では、1 本のクリップを買うための高い方法です。

ほかの角度は隣にあります。ローンチ当日に実際に出たもの、リーダーボードが言っていることと言っていないこと — 今週出回っているアリーナの順位は前の世代のものです — そして プラットフォームごとの価格の内訳。スキーマとライブの価格は カタログ にあります。

価格と製品条件は変わります。購入の判断をする前に、各プロバイダの現在の価格を確認してください。

よくある質問

Gemini Omni 1.1 Flash は本当に 40 秒の映像を作れますか？

作れます。ただし 1 回の呼び出しではありません。1 回の生成で返るのは 3 秒から 10 秒です。40 秒は、既存のクリップをさらに 3 回延長して到達する累計で、合計 4 ジョブ。延長はどれも新規生成と同じ 1 秒あたり料金で別々に課金されます。E2X では 1080p の 40 秒シーケンスが $5.40、Google を直接呼ぶと $6.08 です。

Gemini Omni の 40 秒シーケンスはいくらかかりますか？

40 秒に自分の解像度の 1 秒あたり料金を掛けてください。延長に割引はありません。E2X では 360p が $1.19、720p が $3.60、1080p が $5.40、4K が $7.20 です。Google 直接では、公開されている 1 秒あたりトークン数から計算して、同じ長さが $1.35、$4.06、$6.08、$12.16 になります。捨てるテイクを足せば、見出しの 2〜3 倍を見込んでください。

Gemini Omni 1.1 Flash の 4K 出力は本物の 4K ですか？

いいえ。Google のドキュメントは 1080p と 4K のティアをどちらも 「upscaled」 と表示しています。モデルはより低い解像度でレンダリングし、結果を拡大します。ファイルは 4K の寸法を持ちますが、絵は 4K のディテールを運んでいません。納品仕様がその寸法を要求するのでなければ、最上位の料金が買っているのは情報ではなくリサイズです。

Gemini Omni 1.1 Flash を EU で使えますか？

部分的に使えます。text-to-video と image-to-video は動きますが、アップロードした 映像の編集や延長は EEA、スイス、イギリスでは利用できません。延長こそが目玉の機能なので、これはユーザー提供の素材を続けることを軸にしたヨーロッパの製品をすべて塞ぎます。統合の前に、自分のデプロイ地域と突き合わせて確認してください。

Gemini Omni 1.1 Flash は temperature やネガティブプロンプトに対応していますか？

Google のリファレンスはサンプリング面を未対応としています。temperature も top_p も、システム指示もストップシーケンスもネガティブプロンプトもありません。制御はプロンプトのテキストだけで、サードパーティのスキーマドキュメントは上限を 40,000 文字としています。その同じサードパーティのドキュメントは temperature と top_p を受け付けるフィールドとして挙げており、Google と矛盾します。依存する前に試してください。

Gemini Omni の出力で音声をオフにできますか？

いいえ。モデルは既定ですべてのクリップにサウンドトラックを組み込み、それを切るパラメータはありません。プロンプトのサウンドデザイン指示は内容を方向づけますが、断ることはできず、音声のリファレンスを渡すことも、結果を編集することも、延長のためにアップロードした映像の音声を保つこともできません。無音で再生したい場合は、プレイヤー側でミュートしてください。

Gemini Omni は映像を後ろ向きに延長したり、シーンの途中を編集したりできますか？

いいえ。延長はクリップの末尾に足すだけです。前置きを作るための後ろ向きの延長も、シーケンスの途中への挿入もありません。それを前提に計画してください。最初の生成が以降すべてのカメラと照明の言葉を決め、序盤の失敗はその上に積んだ延長をすべて無効にします。

Gemini Omni 1.1 Flash は Veo 3.1 Fast より価値がありますか？

Omni が足すものが必要な場合だけです。Veo 3.1 Fast は E2X で 1 秒あたり $0.01、720p の Omni の $0.09 に対してです。延長も、最初と最後のフレームの制御も、ショットをまたぐ連続性も要らない単発のクリップなら、Veo が大差で勝ちます。Omni がその上乗せに見合うのは、複数ショットのシーケンスと、reference に導かれた連続性の仕事です。