Gemini Omni 1.1 Flash でフォトリアルな人物 — 「beautiful」という語を消す

生成された人間を最も手早く偽物に見せる方法は、魅力的な人間を頼むことです。

beautiful woman, perfect skin, flawless, stunning と書けば、モデルは従います。そうしたキャプションが置かれている訓練データの領域、つまりレタッチされたコマーシャル写真に手を伸ばすのです。毛穴は消え、非対称も消え、顔を誰かに占められたものとして読ませていた小さな緊張も一緒に消えます。出力に間違いはひとつもありません。prompt が美容広告を頼み、美容広告が返ってきただけです。

Google の自身の prompt に関する指針は、ひとつの文で逆を指しています。「キャラクターと環境の記述は、きわめて詳細にしてください」。詳細に、であって、褒めろ、ではありません。この 2 つは別々の指示であり、別々の顔を生みます。以下はその違いについてです。顔、手、切れない音声、そして Google が行ってはならないと決めた場所について。

顔は事実の一覧であって、賛辞の一覧ではない

形容詞はひとつひとつがキャプションのクラスタへの票であり、gorgeous はストック写真に投票します。8k, hyperrealistic, masterpiece は画像モデルの民間伝承から来たもので、そこでは品質のトークンとして働いていました。サンプリングの parameter を持たない映像モデルでは、それらはあなたのショットを describe する言葉と競合するだけです。置き換えるものは具体的で退屈です。そしてそれこそが要点です。

年齢は数字か年代で。 「A woman in her late forties」は制約です。「a young woman」は宝くじです。

名指しした不完全さをひとつ。 盛り上がった傷跡、欠けた前歯、一度折れて少しずれて治った鼻。ひとつで十分です。3 つ書くとキャラクターシートに読めます。

肌は表面として。 鼻と頬に見える毛穴、額の照り、小鼻の毛細血管。prompt のなかで最も歩留まりの高い置き換えです。「perfect skin」と「visible pores across the nose」は、キャプション空間の正反対の端に座っています。

視線には方向と変化を。 「looking at the camera」ではなく、「reads something off frame to the right, then her eyes flick to the lens for about a second and away again」です。クリップの全体にわたって途切れないアイコンタクトは、ほとんどの人間がしないことなので、視線を指定しないままにすると、視聴者が最初に読むまさにその一点をモデルの当て推量に委ねることになります。

マイクロ表情をひとつ、タイミング付きで。 「The corner of her mouth tightens once」。演出された出来事は「emotional」に勝ちます。モデルは出来事を演出できても、抽象を演出できないからです。

肌でないものすべてに使用感を。 二百回洗われた襟、柔らかくなった時計のバンド、書類に残ったコーヒーの輪。衣装は、顔よりも確実に人を売り込みます。

その取引を具体的に。まずは、まばたきを覚えたストック写真のように見える版です。

A beautiful young woman with perfect flawless skin sits by a window,
looking at the camera. Cinematic, photorealistic, 8k, ultra detailed,
masterpiece, stunning gorgeous eyes, professional studio lighting, sharp
focus, high quality, award winning photography, perfect symmetry, smooth
glowing complexion, elegant, breathtaking, hyperrealistic render,
trending, best quality, dramatic mood, beautiful composition.

これらの語のほとんどは写真を describe しており、人を describe しているものはひとつもありません。書き直しはショットを保ち、賛辞のすべてを事実に置き換えます。

In a single continuous shot, no scene cuts. Close-up of a woman in her
late forties sitting at a kitchen table beside a north-facing window.
Faint vertical lines between her brows, a small raised scar on the left
side of her chin, uneven eyebrows, a few grey hairs escaping a loose tie.
Skin carries visible pores across the nose and cheeks and a slight shine
on the forehead, no makeup on the jawline. She reads something off frame
to the right, then her eyes flick to the lens for about a second and away
again. The corner of her mouth tightens once. Soft window light from
camera left, one dim practical behind her. Shallow depth of field, 50mm.
Sound design: a kettle settling in the next room, distant traffic.
No dialogue.

2 つめの版には、品質を求める語がひとつもありません。レンダリングすべき質感、視線の理由、そしてタイミングを与えられた出来事をひとつ供給しています。モデルが実行に移せるものが 3 つで、「stunning」は実行に移せないものが 3 つ分です。冒頭のショット数の節にも注目してください。prompt ガイドで扱ったとおり、Omni は既定でいくつものショットを組み立てますし、6 秒のあいだに 2 回カットするポートレートに顔は保てません。

目についてひとつ注意を。「wet eyes」や「glossy tear film」は技術用語の衣装をまとった品質の語であり、原因ではなくハイライトを名指ししています。目には何かをさせて、スペキュラーはすでに指定した光から従わせてください。

手 — 仕事を与える

手は生成映像の伝統的な恥であり、いまなおテイクを終わらせる可能性が最も高いものです。DeepMind のモデルカードは手を名指ししてはいませんが、その分類を名指ししています。「編集の全体を通して完全な一貫性を維持すること、複雑な動きを含むシーンを生成すること、完全に正確なテキストを描画することは、依然として課題として残っています」。指は、画面の小さな区画のなかの複雑な動きであり、多方向に関節を持ち、絶えず自分自身を隠します。

対処は直感に反します。手を describe しないでください。仕事を割り当てるのです。特定の物体を、指定された握り方で持っている手には、拠り所となる形と接触点があります。「Beautiful, elegant hands」はそのどちらも供給せず、指の本数をモデルの発明に任せてしまいます。

比べてみてください。

• 弱い例。her hands rest naturally at her sides
• 良い例。she holds a chipped enamel mug in both hands, thumbs overlapping on the near side
• 弱い例。he gestures while speaking
• 良い例。he turns a pen over in his right hand twice, then sets it down on the papers

どちらの組でも 2 つめの形は指の本数を暗黙に固定し、動きに始まりと終わりを与え、そしてカットできる拍を生みます。

この記事に出てくるすべての第三者の数字を規定する注意書きがひとつあります。当社が見つけられた 2 つの公開された実地レビュー — invideo のものと、2026 年 5 月 21 日の署名がある JXP Team のマルチターンのテスト — は、どちらもテストしたモデルを Gemini Omni Flash と呼んでおり、どちらの記事にも 1.1 という接尾辞はどこにも出てきません。いずれもこの記事が扱っているモデルを計測してはいません。ファミリーについての証拠として読んでください。JXP はバイオリンのショットの 5 回目の編集ターンで、「彼女の左手が指板からわずかにずれた」 と報告しています。他のすべてがまだ保たれているなかで、手が最初に崩れたのです。

費用のかからないルールがあと 2 つ。手はひとつのピント面のなかに留めてください。広角レンズに突き出された手は、頼めるもののなかで最も難しいものです。そして手を顔から離してください。難しい構造どうしの遮蔽は、失敗を平均するのではなく掛け合わせるからです。

そのつもりがなくても、あなたは声を演出している

ここでの音声はネイティブです。絵と同じパスで作られ、無効にする parameter はなく、当社が確認したどのプロバイダーでも別建てで課金されません。ですから音について何も言わない prompt は、無音を求めているのではありません。監督のいない依頼書であり、モデルがそれを埋めます。

ですから音声は意図して、それ専用の文で書いてください。Google がドキュメント化しているセリフの形式は、コロンを使い引用符を使わないもの — the man says: We lost it — であり、引用符がリップシンクのモードを起動するという何度も繰り返される主張は、Google のどのドキュメントにも出てきません。

しゃべるショットが成立するかどうかを決めるものが 4 つあります。

セリフの長さ。 invideo は、テストしたモデルを Gemini Omni Flash と呼ぶレビューのなかで、「1 人がしゃべる場合、リップシンクはおよそ 6〜7 秒までは保ち、そこから崩れ始めます」 と報告しています。仕様ではなく方向性ですが、指している先はひとつです。4〜12 語のセリフを早めに置き、あとは沈黙と反応にするほうが、テイクの長さいっぱいに続く文よりも良いということです。

画面のなかの話者はひとり。 同じレビューは率直です。「1 つのフレームに 2 人の話者がいるのは依然として弱点で、Omni はしばしば同期を落としたりセリフを取り違えたりするため、今日のところは 1 人の話者のショットが安全な賭けです」。2 人目は画面の端でピントの外にある肩にしておき、その人のセリフは別の生成で撮ってください。

声の演出は散文で。 声の parameter は存在しないので、アクセント、年齢、声域、テンポは普通の英語として入れてください。tired, quiet, American accent, no rise at the end のようにです。

明示的な沈黙。 No dialogue. や No music. と書いてください。

セリフのショットの、書き換える前と後です。弱いほうの版は上の失敗を一度にすべて犯しています。画面に 2 人の話者、引用符、それぞれにセリフ、そして演出の代わりに立っている形容詞です。

A man in an office says "We lost the contract" to his colleague and she
replies "I know" while they talk to each other, both very emotional,
dramatic scene, cinematic dialogue, photorealistic, perfect lip sync,
realistic voices, high quality conversation, intense acting, beautiful
faces, professional film look, 4k, detailed, award winning drama scene.

書き直しは話者のひとりを画面の外に出し、セリフを 4 語に切り詰め、声を褒めるのではなく describe します。

In a single continuous shot, no scene cuts. Medium close-up of a man in
his early fifties in a glass-walled meeting room after hours, tie
loosened, two days of stubble, a coffee ring on the papers in front of
him. He is alone in frame; a second person's shoulder sits out of focus
at the right edge. He turns a pen over in his right hand twice, sets it
down, and looks up. The man says: We lost it. Tired, quiet, American
accent, no rise at the end. He holds the look for a beat, then glances
down. Overhead fluorescents plus city light through the glass, 50mm,
shallow depth of field. Sound design: air conditioning hum and one
distant door closing. No music.

彼女の返答は 2 回目の生成に、彼女を画面に収めて置くべきものです。1 本ではなく 2 本のクリップになりますが、それでも 2 人芝居を 8 回引き直して、両方の顔で同時に同期が当たるのを祈るより安く済みます。

ドキュメント化された境界がひとつあります。誰かがしゃべっている映像をアップロードして、新しいセリフで延長することはできません。これは欠けているのではなく差し控えられているものであり、モデルカードははっきりそう書いています。「Gemini Omni Flash は人の発話を変更することができます。現時点では当社はこの機能を制限しており、安全かつ責任のあるかたちでユーザーに届ける方法をより良く理解するために取り組んでいます」。モデルは人の声を差し替えられます。Google は、あなたにそれをさせないと決めました。吹き替えは、ここで作れる製品ではありません。

群衆、背景の人物、そして金をかけない場所

背景の人には残り物の注意しか回りません。歩行者でにぎわう通りは、一時停止ボタンに耐えられない顔の列です。数を与えてください。「four people at scattered tables」は「a crowded café」に勝ちます。曖昧な量は近似を招くからです。彼らをピント面の外に留めてください。浅い 50mm でぼかされた人物は信じられますが、同じ人物が f/11 でくっきり写れば、惜しい失敗の陳列室になります。そしてそれぞれに動作をひとつ、こちらに背を向けさせてください。後頭部は無料です。特定の背景の顔が重要なら、それを独立したショットに昇格させてください。

テイクの費用と、4K が効いてくる数字である理由

顔は生成を焼き尽くす場所です。視線のために引き直し、次は手のために、そして声が 20 年若く出てきたためにもう一度。この仕事を正直に見積もるとは、クリップではなくテイクを見積もるということです。そしてプロバイダー間の差は、はしごの一番上で最も広くなります。2026 年 8 月 29 日時点での 4K の 10 秒です。

Google の数字は表示価格ではなく、公開されている 1 秒あたりのトークン数から導いたものであり、fal のものは計算資源についての独立した読みではなく Google の定価のパススルーです。この開きは構造的なものです。720p を基準にすると、Google は 4K で 3 倍を取り、当社は 2 倍を取ります。4K で 41% 安いというのは当社の 4 つのティアのなかで最も広い差であり、8 秒のテイクは当社で $1.44、直接なら $2.43 です。残りはプロバイダーごとの監査にあります。

計算のもう半分は、どこで反復するかです。360p での探索を 10 パスに 1080p の仕上げを 1 本足すと $1.73 で、1080p でまっすぐ 10 パス回す $5.40 に対して、生成を 1 本余計にするだけで 68 パーセント引きになります。下書きのパスには、視線、立ち位置、そして手がマグを見つけたかどうかを見るだけの解像度があります。肌の質感やリップシンクには足りないので、ループを閉じたあとにフル解像度のテイクを 2 本見込んでおいてください。そしてそのショットにこのモデルが必要かどうかを問うてください。Veo 3.1 Fast はここでは 1 秒 1 セントで動きますし、継続のない 1 枚のポートレートであれば、9 倍のプレミアムが買えるものはごくわずかです。

限界を、そのまま書く

免責事項の節ではありません。以下の項目はどれも、誰かのプロジェクト計画を変えたことがあります。

SynthID はすべてのフレームに入り、スイッチはありません。 Google の表現です。「生成されたすべての映像には SynthID の透かしが入ります。視聴者には見えませんが、来歴の検証のためにプログラムから検出できます」。トグルを露出しているプロバイダーはありませんし、この印は再エンコード、クロップ、色の変更を生き延びるように作られているので、「ポストで剥がす」は計画になりません。納品の契約が透かし入りの素材を禁じているなら、レンダリングする前に片をつけてください。

アップロードした映像の編集は、EEA、スイス、英国では利用できません。 Google の一文で、これがあなたにとってどれだけ悪い話かを決める括弧書きも含みます。「アップロードされた映像の編集または延長は、現在、欧州経済領域 (EEA)、スイス、英国のユーザーには提供されていません (モデルが生成した映像の編集または延長には対応しています)」。ヨーロッパのチームでもショットを生成し、自分の出力を延長することはできます。できないのは、ユーザーがアップロードした素材を続けることです。その帰結は 40 秒のシーンの記事で扱いました。ここに挙げたもののなかで、遅れて知ると最も高くつく項目です。

特定の人物を含むアップロードは拒否されます。 同じ制限の節から、いずれもそれらの地域に限定された 2 行です。「未成年者を含む画像のアップロードおよび編集は、欧州経済領域、スイス、英国では対応していません」、そして 「特定の識別可能な人物を含む画像のアップロードおよび編集は、欧州経済領域、スイス、英国では対応していません」。拒否の面はその文言より広く見えます。JXP は同じ前世代のレビューのなかで、実在するブランド名を含む prompt が 「送信の時点で一般的なポリシーのメッセージとともにブロックされた」 と報告しており、「一般的な成人のキャラクターを 10 歳ぶん老けさせる」 という要求もブロックされたと書いています。拒否が起きないことに依存するパイプラインは作らないでください。

実在の人物は、技術の問題である前に法律の問題です。 実在する人物と識別できる肖像を本人の同意なく作ることは、法域によって異なる人格権やパブリシティ権に触れますし、出力が合成であることを理由にそれらが放棄されるわけではありません。それとは別に、EU AI Act 第 50 条の透明性義務が 2026 年 8 月 2 日から適用されます。提供者は、コンテンツが人工的に生成または操作されたものであることを、明確に、そして最初に触れる時点で開示しなければなりません。SynthID は機械可読の標示の要件に答えるものであり、見ている人に伝える義務に答えるものではありません。それは API 呼び出しのなかのフラグではなく、法務と一緒に下すラベリングの判断です。

生成された顔は人ではありませんが、誰かが傷つくくらいには人に近づきうるものです。同意、開示、そしてそのショットを作らないという意思は、焦点距離と同じようにこの手仕事の一部です。

よくある質問

Gemini Omni 1.1 Flash でリアルな肌を得るにはどうしますか？

肌を褒めるのではなく、表面を describe してください。「perfect skin」「flawless」「beautiful」はレタッチされたコマーシャル画像を選び取り、質感を平坦にします。それらを観察できる事実 — 鼻と頬に見える毛穴、額の照り、小さな傷跡 — に置き換え、年齢を明記してください。Google はきわめて詳細なキャラクターの記述を求めていますが、それは魅力的なキャラクターを求めることとは違います。

AI 映像で手がおかしくなるのはなぜで、prompt でどう直しますか？

指は、小さく自分自身を隠す領域のなかの複雑な動きであり、Google のモデルカードは複雑な動きを「依然として課題として残っている」ものとして名指ししています。手を describe するのではなく、手に仕事を与えてください。握り方を指定した特定の物体か、始まりと終わりのある動作です。手はひとつのピント面に留め、顔から離してください。

Gemini Omni 1.1 Flash で音声を切れますか？

いいえ。音声は絵と並んでネイティブに生成され、それを無効にする parameter はなく、1 秒あたりの料金とは別に課金されることもありません。「Sound design:」の文と、明示的な「No dialogue.」や「No music.」の節で舵を取ることはできますが、断ることはできません。無音で再生したいなら、プレーヤー側でミュートしてください。

Omni の prompt でセリフはどう書くべきですか？

Google がドキュメント化した形式を使ってください。話者、コロン、セリフ、引用符なしです。声の parameter は存在しないので、声の演出は平易な散文で続けます。アクセント、年齢、声域、テンポはすべて英語として入れてください。セリフは短く、早めに置き、「emotional」な演技を求めるのではなくトーンを describe してください。

Gemini Omni はリップシンクをどれくらい保てますか？

invideo は、テストしたモデルを 1.1 ではなく Gemini Omni Flash と呼ぶレビューのなかで、1 人がしゃべる場合のリップシンクはおよそ 6〜7 秒まで保ち、そこから崩れ始めると報告しており、1 つのフレームに 2 人の話者がいる状況を、モデルが同期を落としたりセリフを取り違えたりする弱点だと呼んでいます。Google の仕様ではなく、より前のモデルについてのレビュアーの所見ですが、生成 1 回につき話者はひとり、セリフは短く早めに、という方針を支持するものです。

Gemini Omni 1.1 Flash で実在の人物の肖像を生成できますか？

確実にはできませんし、試す前によく考えてください。Google のドキュメントは、特定の識別可能な人物を含む画像のアップロードと編集は EEA、スイス、英国では対応していないと述べており、テスターは実在のブランド名や、ごく普通のキャラクターの編集についても拒否を報告しています。フィルタの向こう側では、肖像の権利は法域によって異なり、素材が合成だからといって放棄されるものでもありません。

SynthID の透かしはすべてのフレームに入りますか。そして除去できますか？

生成されたすべての映像は SynthID を帯びており、生成の時点で埋め込まれ、視聴者には見えず、プログラムから検出できます。スイッチを露出しているプロバイダーはなく、この印は圧縮、クロップ、色の変更を生き延びるので、除去は計画に組み込めるワークフローではありません。納品仕様が透かし入りの素材を禁じているなら、レンダリングの前に片をつけてください。

顔の反復は低解像度でやるほうが安いですか？

はい、かなり。360p での探索 10 パスに 1080p の仕上げ 1 本で E2X では $1.73、1080p で 10 パス回すと $5.40 なので、生成を 1 本余計にするだけで 68 パーセント引きです。下書きのパスには視線と立ち位置を見るだけの解像度はありますが、肌の質感やリップシンクには足りません。下書きのループを閉じたあとに、フル解像度のテイクを 2 本見込んでおいてください。

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

4 つの機能すべてのスキーマと現在の料金はモデルページにあります。隣にはこちらもどうぞ。ドキュメント化された prompt の構文、40 秒のシーケンスが実際にいくらかかるか、そして同じ重みがどこで高く売られているかです。