Googleは現在、同じAPIキーで2つの生成型動画モデルを提供しています。ただし、互換性のあるバージョンではありません。Veo 3.1はネイティブオーディオを備えた映画のようなレンダリングモデルです。2026年8月27日から一般提供されているGemini Omni 1.1 Flashは、ターンごとに編集できる対話型モデルです。
選択のポイントは3つです。音声が必要か、生成後に修正したいか、完成動画をどれくらい長くしたいか。この記事では、用途ごとに適したモデルを整理します。
比較表
| 項目 | Gemini Omni 1.1 Flash | Veo 3.1 |
|---|---|---|
| モデルID | gemini-omni-1.1-flash |
veo-3.1-generate-preview（fast、liteを含む） |
| APIインターフェース | Interactions API（/v1beta/interactions） |
generateContent、長時間実行操作 |
| ネイティブオーディオ | なし | あり、常時有効 |
| 基本クリップ長 | 10秒 | 4秒、6秒、8秒 |
| 拡張後の最大長 | 40秒、10秒単位 | 148秒、1回7秒、最大20回拡張 |
| 拡張時の読み込みコンテキスト | 以前の映像を最大10秒 | 明記なし |
| 対話型編集 | あり、previous_interaction_idを使用 |
なし |
| 最初と最後のフレーム | あり | あり、lastFrameを使用 |
| 参照メディア | 3秒の動画クリップを最大3つ | 参照画像を最大3つ |
| 解像度 | 360p、720p、1080p、4K | 720p、1080p、4K（拡張時は720pのみ） |
| アスペクト比 | 16:9、9:16 | 16:9、9:16 |
| 720pの1秒あたりの費用 | 約$0.10 | $0.40標準、$0.10高速、$0.05軽量 |
| 無料枠 | なし | なし |
| ウォーターマーク | SynthID | SynthID |
Omni 1.1 Flashを選ぶケース
プレビュー後に修正したい
最大の差別化要因は対話型編集です。OmniはInteractions API上で動作するため、動画を生成して確認した後、同じインタラクションを参照して修正できます。
res1 = client.interactions.create(
model="gemini-omni-1.1-flash",
input="A woman playing violin outdoors.",
)
res2 = client.interactions.create(
model="gemini-omni-1.1-flash",
previous_interaction_id=res1.id,
input="Make the violin invisible.",
)
動画の再アップロードやシーンの再説明は必要ありません。Veoには同等の機能がなく、変更するたびに新しいプロンプトで生成し直す必要があります。
低コストで下書きを作りたい
Omniの360pティアは、720pの3分の1のコストで、最大60%高速に生成できます。Veoの最低解像度は720pです。プロンプトを12回試すようなケースでは、コスト差が大きくなります。詳しい数値は料金の内訳で確認できます。
参照動画を使いたい
Omniは、3秒の参照動画クリップを最大3つ受け取り、その動きを新しいシーンにマッピングできます。Veoの参照メディアは画像です。ショット間で動きやキャラクターの一貫性を保つ場合、動画参照が役立ちます。
拡張中の一貫性を重視したい
Omniは、続行前に以前の映像を最大10秒読み込みます。これは、プレビューモデルが使用していた最後の1秒だけを参照する方式とは異なります。詳しくはシーン拡張ガイドを参照してください。
Veo 3.1を選ぶケース
オーディオが必要
Veoは動画と一緒にネイティブオーディオを生成します。Omniのドキュメントは動画出力のみを対象としており、参照動画のオーディオも無視されます。音声付きの成果物が必要なら、Veoが適しています。Veo 3.1 APIガイドで統合方法を確認できます。
40秒を超える動画が必要
Veoは1回につき7秒ずつ、最大20回まで拡張でき、最長148秒に達します。Omniの上限は40秒です。ただし、拡張後のVeo出力は720pのみです。長尺動画と4K動画は別の要件として扱ってください。
最安の1秒単価を求める
Veo 3.1 Liteは720pで1秒あたり$0.05です。Omniの720pより半額ですが、4Kには対応していません。大量生成や試行コストを抑えたい場合、Liteが両モデルファミリーで最も安価な選択肢です。
4秒または6秒の短いクリップが必要
Veoは4秒、6秒、8秒の生成に対応します。Omniは10秒生成です。4秒のカットが必要な場合、Veoは4秒分だけ請求されますが、Omniでは10秒分が請求されます。
4行で決める
- 音声が必要？ Veo 3.1
- 40秒を超える動画が必要？ Veo 3.1
- プレビュー後に編集したい、または低予算で下書きを作りたい？ Omni 1.1 Flash
- 1秒あたりの価格を最優先する？ Veo 3.1 Lite
多くのパイプラインでは、両方を組み合わせます。Omniでショットを対話的に探索・確定し、Veoでオーディオ付きの最終テイクをレンダリングする方法です。APIキーは共通なので、両方を使ってもセットアップに追加費用はかかりません。
統合は別々に実装する
モデルを選ぶ際は、エンドポイントも異なる点に注意してください。
Omniは、モデルをリクエストボディに含めて/v1beta/interactionsへPOSTします。ファイルが4MB以下であれば動画をbase64としてインラインで返し、4MBを超える場合はURIが提供されます。
一方、Veoはポーリングが必要な長時間実行操作です。生成ファイルは、削除されるまで2日間Googleのサーバーに保存されます。
将来的にモデルを交換する可能性があるなら、抽象化レイヤーは次の両方を扱える設計にしてください。
- 長時間実行操作のポーリング
- 2種類の異なるレスポンスボディ
一方のモデル用コードを、モデルIDの変更だけで他方へ移行することはできません。レスポンス処理についてはOmni APIウォークスルーで確認できます。
実装前に、保存済みリクエストで両方のモデルを検証しておくと便利です。Apidogでモデルごとにリクエストを作成し、APIキーを環境変数に保存し、レスポンス形式を確認します。Veoではタイムアウトもデフォルトより長く設定してください。
同じプロンプトを2つの保存済みリクエストで実行すれば、出力品質の比較を再現可能な2クリックの作業にできます。
よくある質問
Gemini OmniはVeoの代替ですか？
いいえ。Googleは両方を提供しており、Veo 3.1も非推奨ではありません。どちらも動画を生成しますが、目的の異なるモデルです。
どちらが安価ですか？
720pでは、Omni（約$0.10/秒）とVeo 3.1 Fast（$0.10/秒）は同等です。Veo 3.1 Liteは$0.05で、標準のVeo 3.1は$0.40です。
どちらも会話を含む動画を生成できますか？
Veoはネイティブオーディオを生成します。Omniの動画出力はオーディオ生成に対応しておらず、動画を拡張する際に会話を追加することもできません。
両方ともウォーターマークを適用しますか？
はい。両方ともSynthIDを適用します。視聴者には見えませんが、プログラムで検出できます。
Soraや他の動画APIはどうですか？
プロバイダーによってトレードオフは異なります。Google以外の選択肢では、OpenAI Sora 2やSeedance 1.0も検討できます。
どちらから始めるべきですか？
プロトタイプ作成中で音声が不要なら、360pのOmniから始めましょう。生成動画が要件を満たすかを、最も低コストで確認できます。Apidogをダウンロードして最初のリクエストを保存すれば、比較を繰り返し実行できます。
要点はシンプルです。Veoはレンダリングし、Omniは対話します。 Googleの動画生成ドキュメントでは両方が扱われています。どちらも廃止される予定はないため、チーム単位ではなく、ジョブ単位でモデルを選択してください。
Top comments (1)
The distinction between the interactive editing capabilities of Gemini Omni 1.1 Flash and the audio support in Veo 3.1 is crucial for developers when choosing a model. I appreciate how you highlighted the cost-effectiveness of Omni for quick iterations, especially when generating multiple drafts. One improvement could be to provide sample code snippets for seamless integration with common frameworks, which would help developers get started faster. If you’re considering enhancing the interactions API further, I’d be happy to discuss potential collaboration on that. What are your thoughts on expanding the API documentation to include more practical examples?