Gemini 3.5 OmniとOmni Flash：マルチモーダルトラッカー

Googleが実際に出荷したもの、まだデモの段階にあるもの、そして今週ビルダーが取るべき行動についての作業メモ。

コードからGemini 3.5 Omniを呼び出せるかどうか調べるのに午後を費やした。できなかった。まだ。Geminiアプリでは、Omni Flashが写真と一行のプロンプトからビデオを生成しているのを見た。それは良かった——しかし私が実際に必要としていたもの、パイプラインに組み込めるAPIエンドポイントは、そこにはなかった。そのギャップがすべての話だ。この記事では、2026年6月初頭時点でOmniが実際にどこに立っているか、そして本番環境でビデオ生成を運用している人にとって何が変わり（何が変わらない）かを記録する。

急いでいる方への簡略版：Omniは本物のビデオ生成モデルであり、コンシューマー向けに公開されており、開発者向けAPIアクセスはまだ「数週間以内」の状態だ。今はこれを基盤に構築しないこと。詳細は以下の通り。

Googleが「Gemini Omni」として紹介したもの

ポジショニング：ビデオ、画像、シミュレーション生成のためのマルチモーダル世界モデル

Googleのフレーミングでは、Gemini Omniはあらゆる入力から何でも作成できるとされており、ビデオから始まる。そこでのキーワードは始まるだ。現在、Omniが公開で行うことは一つだけ：テキスト、画像、音声、既存のビデオクリップを受け取り、反対側からビデオを出力する。

これがテキスト→ビデオのボックス以上のものである理由は、それらの入力をただ貼り合わせるのではなく、すべてにわたって推論するからだ。単にそれらの入力を組み合わせるのではなく、Omniはすべてにわたって推論して一貫した出力を生成する。Googleは物理学にも力を入れており、I/O発表のTechCrunchの記事では、出力が動き、重力、流体の挙動の理解を反映することを意図していると述べている。デモではそれは、歪んだ手足や溶ける背景の減少を意味した。一貫性の主張は、9本ではなく40本のクリップを実行してから信じることにする。

Omni vs. Gemini 3.5 Flash / Pro（出力モダリティ）の違い

ほとんどの報道がここで曖昧になるので、はっきり言う。OmniとGemini 3.5ファミリーは同じ種類のモデルではない。

モデル	入力	出力	用途
Gemini Omni / Omni Flash	テキスト、画像、音声、ビデオ	ビデオ	映像の生成と編集
Gemini 3.5 Flash	テキスト、画像、音声、ビデオ	テキスト、コード	エージェントタスク、推論、UI生成
Gemini 3.5 Pro	テキスト、画像、音声、ビデオ	テキスト、コード	同上、より高い上限（まだロールアウト中）

3.5 Flashは入力マルチモーダル——あなたのビデオを理解して答えを書く。Omniは出力マルチモーダル——入力を理解してビデオを返す。Googleのブログには明確に書かれている：Gemini Omniはあらゆる入力から何でも作成できる新しいモデルでビデオから始まる、一方3.5はエージェント作業のためにフロンティアインテリジェンスとアクションを組み合わせるファミリーだ。「Gemini 3.5がビデオをできる」を一つの能力として扱ってきたなら、二つに分けること。それらはスタックの異なる部分に存在する。

Omni Flash vs. フルOmniのポジショニング

Omni Flashが実際に出荷されたバリアントだ。より高速で安価なティアであり、報道ではそのクリップは約10秒が上限とされている——ハードなモデルの制限ではなくデプロイの選択として説明されており、後で伸びることを示唆している。より高品位で長いクリップのOmniティアはその上にあるが、それはまだほとんどがデモリール上に存在している。だから誰かが「Omniが出た」と言うとき、彼らはコンシューマーアプリのOmni Flashを意味している。

I/O 2026で確認されたこと

一般向けアナウンス vs. 開発者アクセスのタイミング

I/Oは2026年5月19〜20日に開催された。GoogleはOmni、3.5ラインナップ、そしてエージェント機能の山を確認した。重要な分岐：コンシューマーアクセスは出荷されたが、開発者アクセスはされなかった。Gemini Omni Flashは、GeminiアプリとGoogle Flowを通じてすべてのGoogle AI Plus、Pro、Ultraサブスクライバーにグローバルでロールアウトされており、YouTube Shortsでは無料アクセスも提供されている。そしてすべてのビルダーがハイライトすべき行：数週間以内に、APIを通じて開発者およびエンタープライズ顧客にもロールアウトする予定だ。

「数週間以内。」日付ではない。モデルIDでもない。価格表でもない。

Omniがどこでデモされ、何が示されたか

デモは会話型ビデオ編集だった——一つの要素を変える、シーン全体を変える、ターン間でキャラクターを一貫させる。一例：バイオリン奏者のクリップを送り、「バイオリン奏者を新しい環境に転送する」「バイオリンを見えなくする」などの編集を、それぞれ前のものを基に行う。これは編集ファーストのピッチであり、純粋なテキスト→ビデオとは genuinely 異なる賭けだ。GoogleはまたすべてのOmni出力にSynthIDウォーターマークが付いていることも確認しており、ダウンストリームの使用に来歴要件がある場合は重要だ。

デモと開発者の可用性のギャップ

ここで私は立ち止まった。コンシューマーのロールアウトとAPIは、信頼性の話が異なる二つの異なる製品だ。これは悲観主義ではない。「アプリで動くのを見た」と「バッチジョブが起動する午前3時に依存できる」の違いだ。

これがマルチモーダルビルダーにとって重要な理由

ビデオ生成はマルチモーダル理解とは別の問題

あなたのプロダクトがすでにGemini 3.5を呼び出してアップロードされたメディアを理解しているなら、Omniはそれを置き換えない。それは追加の能力——生成——であり、ドロップインアップグレードではなく追加するものだ。それらをアーキテクチャ図の一行項目として扱うのは、驚かされる方法だ。

既存のビデオモデル（Veoなど）と並べたOmniの位置づけ

これが実用的な質問だ。Googleはすでにドキュメント化されたGemini APIとVertex AIパスを通じてVeo 3.1を出荷しているので、今日VeoはあなたがAPIで実際に統合できるGoogleのビデオモデルだ。OmniはAPIレイヤーでVeoの代替ではまだない——すべてのVeoルートがOmniに切り替わると言うマイグレーションドキュメントはなく、Veoのページはまだ公開されている。意図の違いは本物だが：Veoはテキスト→ビデオを中心に構築されており、Omniの全体像はマルチ入力推論と会話型編集だ。ビルダーにとって、これはOmniがチェーンを崩す位置に置かれていることを意味する——文字起こし、画像理解、生成——を一つの呼び出しに。それが再構築する価値があるかどうかは、APIが出荷されるかどうかに完全に依存する。

OmniがAPIで開発者アクセスに達した場合に変わること

もし——いつ——APIが公開されれば、魅力は生の節約にはない。インターフェースを失うことだ。混合メディアを受け取り編集済みビデオを返す一つのモデルは、維持するSDKが少なく、処理するエラー分類が少なく、追跡するSLAが少ない。それが私が実際に気にする摩擦削減の種類だ。しかし「もし出荷されれば」はその文でかなり多くの仕事をしている。

まだ不明なこと

これらにはっきりとした答えがあるかのように書くとチームが痛い目に遭うため、フラグを立てている。

APIの可用性とタイミング — 要検証。「数週間以内」が唯一の公式シグナルだ。2026年6月初頭時点で、Googleの開発者ドキュメントにエンドポイント、モデルIDはない。
ビデオワークロードの価格 — 不明。コンシューマーアクセスはGoogle AIサブスクリプションティア（Plus、Pro、Ultra）にバンドルされているが、API呼び出しごとの価格は公開されていない。ビデオフレームはトークン数を急速に押し上げるので、テキストモデルの経済性を仮定しないこと。
出力仕様 — Omni Flashクリップは約10秒で制限されているようだ；完全な解像度、最大長、APIティアの正確な制御入力はドキュメント化されていない。
商業利用権 — 開発者向けには明記されていない。SynthIDウォーターマークは確認されているが、APIを通じた生成出力のライセンス条件はない。

ベンダーやブログがOmni APIが「全員に公開されている」と伝えているなら、証拠より先を行っている。私は確認した。

今日Omniに対してどう計画するか

デモを基に本番ワークロードをマイグレーションしない

明白だが、デモが genuinely 印象的でそれがまさにチームが間違いを犯す時だから言う価値がある。デモは制御された条件下でのベストケースだ。本番は2倍のボリュームでのワーストケースだ。ドキュメント化されたレイテンシと制限のあるエンドポイントが存在するまで、Omniは「依存」欄ではなく「監視」欄に置いておくこと。

複数のビデオ生成モデルでフォールバックパスをテストする

私がこのようなローンチに取り残されないよう、同じ生成タスクを複数のモデルに対して実行している。OmniのAPIが来月公開されれば、素晴らしい——私がすでに使っているものと比較してスロットインできるようになりたい、自分の特定のシナリオで悪かったことを発見するためにパイプラインを再構築したいのではない。すべてのモデルローンチからの教訓：誰かのデモで「本当に良い」というのは、あなたのワークフローであなたの頻度で良くなるまで何の意味もない。

ベンダー固有のロールアウトに対するヘッジとしてのモデル集約

これが私の仕事の仕方に関連する部分だ。モデルがコンシューマーに先に出荷され、開発者には「数週間以内」に出荷されるとき、慌てていないビルダーは、一つのプロバイダーのリリースカレンダーに縛り付けなかった人々だ。WaveSpeedAIのような統一マルチモデルアクセスレイヤーを通じてビデオ生成を実行するということは、新しいモデルが準備ができたときにテストして採用できるものであり、強制的に行わされるマイグレーションではないということだ。それが全員に正しいとは言わない——一つのモデルしか使わないなら、抽象化はオーバーヘッドだ。しかし私の切り替え頻度では、多くのモデル上の一つのアクセスレイヤーは、ベンダーごとに一つの統合を維持するより優れている。価値は「より多くのモデル」ではない。ランドスケープが変わるたびに再構築する必要がないことだ。そして今月、それは変わった。

FAQ

Gemini OmniはAPIで今日利用できますか？ いいえ。2026年6月初頭時点で、Omni FlashはGeminiアプリ、Google Flow、YouTube ShortsでAI Plus/Pro/Ultraサブスクライバー向けに公開されている。GoogleはAPI開発者およびエンタープライズアクセスが「数週間以内」と言っているが、公開されたモデルID、エンドポイント、または価格設定はまだない。

Gemini OmniとGemini 3.5 Proの違いは何ですか？ 出力モダリティ。Omniはビデオを生成する（出力マルチモーダル）。Gemini 3.5 Proはテキスト、画像、音声、ビデオを理解するが、テキストとコードを出力する（入力マルチモーダル）。異なる仕事、スタックの異なる部分。

Gemini Omniはビデオを生成しますか？ はい——それがコア機能だ。テキスト、画像、音声、ビデオクリップを入力として受け取り、複数のターンにわたる会話型編集でビデオを生成する。すべての出力にSynthIDウォーターマークが付いている。

開発者はいつOmniへのアクセスを期待できますか？ 未確認。Googleの公開文言は「数週間以内」のみ。Googleがドキュメントを公開するまで、他で見る具体的な日付は憶測として扱うこと。

OmniはVeoなどの他のビデオ生成モデルと比較してどうですか？ Veo 3.1はGemini APIとVertex AIを通じて今日APIで呼び出せる実際のモデルだ。Omniの区別は、純粋なテキスト→ビデオではなく、マルチ入力推論と編集ファーストの設計だ。しかしOmniのAPIが出荷されるまで、Veoは本番ビデオ生成の実用的なGoogleベースラインとして残る。

結論

私にとってこれがどこに落ち着くか：Omniは本物であり、編集アプローチは異なる興味深い賭けであり、Gemini 3.5 Omniは注目する価値がある。今週これを基盤に構築する価値はない。コンシューマー公開、開発者ペンディング、仕様不明——それは監視項目であり、依存関係ではない。

だからこの動きは退屈で正しい：ビデオ生成を柔軟に保ち、アプリでOmniをテストして自分自身の意見を形成し、実際に指定できるエンドポイントが存在するまで本番パイプラインを再配置しないこと。APIが現れたとき、私は今使っているものと比較して実行し、何が持ちこたえたかを報告する。

確認待ち。ドキュメントが公開されたらさらに情報を。

前の投稿：