Google は 2026年6月30日に Gemini Omni Flash をリリースしました。自然言語だけで操作できるマルチモーダル動画モデルです。タイムラインもキーフレームも不要。編集内容を言葉で伝えるだけで、モデルが実行します。
以下は実際の例です。元のクリップを Codex セッション内で開き、プロンプトを1つ送りました。
Replace the object in the woman's hand with a water bottle, using anycap gemini-omni-flash-preview
それだけです。Codex はタスクを AnyCap に転送し、AnyCap が gemini-omni-flash-preview を通じて処理しました。結果はこちら。
ビフォー — 元の映像:
アフター — AnyCap + gemini-omni-flash-preview によるウォーターボトルへの差し替え:
Codex への1つのプロンプト。動画編集ソフトは開いていません。マスキングも、コンポジットも、タイムラインも一切なし。
Gemini Omni Flash とは何か
Gemini Omni Flash は、会話型の動画編集・生成のために特化して作られた Google 初のモデルです。「Omni」はそのアーキテクチャを指しており、映像フレーム・音声・テキストを同一コンテキスト内で処理するため、変更を加える前にスクリーン上で何が起きているかを理解します。
| 仕様 | 詳細 |
|---|---|
| リリース日 | 2026年6月30日 |
| 料金 | 出力1秒あたり $0.10 |
| 解像度 | 720p |
| 生成上限 | 1回の呼び出しにつき10秒 |
| 入力 | 動画、画像、音声、テキスト |
| インターフェース | 会話型 |
スペック以上に重要なのが反復処理の能力です。0:04 のズームが急すぎる、もう少し滑らかにして と追加指示を送るだけで、クリップ全体を再処理することなくモデルが調整します。この往復のやり取りこそが、単なる一発生成ツールではなく「真に会話型」たる理由です。
AnyCap での使い方
AnyCap は Gemini Omni Flash API に直接接続し、チャットインターフェースとして提供します。APIキー・アップロードエンドポイント・ファイル管理を一切意識せずに使えます。ワークフローはシンプルです。
- 動画または画像をドロップ
- 日本語で AnyCap に指示を伝える
- 出力を確認し、追加指示で調整
- エクスポート
実際に機能するプロンプトの例：
- 最も盛り上がる3場面を見つけて、それぞれ60秒以内の独立したクリップにカットして。
- フィラーワードと無音部分を除去。テンポを引き締めて。
- 9:16 縦型にリフォーマット。英語と日本語の焼き込みキャプションを追加して。
- 商品紹介のシーンがもたついている — そのセクションを1.3倍速にして。
- この商品画像から10秒の動画を生成して。暖かい照明、ナレーションなしで。
各プロンプトは1ターンの会話です。結果が惜しい場合は、そのまま会話を続けるだけ。AnyCap がフィードバックをモデルに送り、クリップをその場で調整します。
特に効果を発揮する場面
ショート動画クリエイター
1本の長い動画からプラットフォーム対応の5本のクリップを作るのには、以前は半日かかることもありました。Gemini Omni Flash なら、プロンプトは1文で済みます：5つのベストシーンを抽出して、それぞれ60秒以内に。9:16・自動キャプション付きでエクスポート。 モデルが映像を確認し、ピークを選んでカット。あとは確認するだけです。
マーケティング・ブランドチーム
キャンペーン動画を8言語にローカライズするには、8本の字幕トラック、8回のエクスポート、多くの場合8回のレビューが必要でした。AnyCap の1セッションで字幕の差し替えとフォーマットのバリエーションを処理できます。モデルは文脈を十分理解しているため、タイムスタンプを指定する必要はありません — 英語字幕をフランス語に差し替えて で十分です。
カタログ規模のEC
上記のビフォーアフターは商品動画の例です。生の映像を入れれば、テキストの指示だけでポリッシュされたクリップが出てきます。1秒 $0.10 で、10秒の商品動画は $1.00。500 SKU のカタログ全体に適用しても $500 — 1週間分の編集工数と比べてみてください。
長尺動画：ポッドキャストとインタビュー
90分の収録の中に、本当に引用に値するコンテンツは10分程度しかないかもしれません。それを手動で探すには、収録時間よりも時間がかかります。このインタビューを見て、ゲストが具体的なアドバイスをしている5つの場面を抜き出して。各クリップは90秒以内にして。 モデルはトーンと内容を読み取ります — 波形だけではありません。
企業向けトレーニング動画の更新
コンプライアンスやオンボーディングの動画は毎四半期陳腐化します。再収録の代わりに、AnyCap に伝えるだけです：3:20 から 4:45 のセクションをこの新しい音声ファイルに差し替えて。映像はそのまま。4:00 に更新されたポリシー参照のテキストオーバーレイを追加して。 モデルが的確な差し替えを行います。
動画機能を構築する開発チーム
製品に動画処理が含まれる場合、新しいユースケースごとに FFmpeg パイプラインを書いて保守することなく、編集ロジックをプログラム可能にしたいはずです。AnyCap は Gemini Omni Flash API をバックエンドワークフローに組み込みやすい形で公開しています — テキストで変換内容を説明すれば、モデルが実行を担います。
AnyCap + Codex：プロンプト駆動の動画制作
この記事の冒頭で示したワークフローは、OpenAI のエージェント型コーディング環境 Codex の内部で完結します。動画編集ソフトは開いていません。API を手動で操作してもいません。フローはこのようになっています。
- Codex チャットで編集内容を説明する — 人間のエディターに説明するのと同じ言葉で。
- Codex がタスクを AnyCap に転送する — 適切なツールを選択し、リクエストを構築し、アップロードを自動処理します。
- AnyCap が
gemini-omni-flash-previewを呼び出す — モデルが動画を受け取り、変換を適用し、編集済みクリップを返します。 - 結果が Codex セッションに戻る — 確認し、追加指示を送るか、エクスポートします。
上記のビフォーアフターを生成したプロンプトは、Codex に送った1行です。
Replace the object in the woman's hand with a water bottle, using anycap gemini-omni-flash-preview
残りはすべて Codex が処理しました：AnyCap 機能の選択、ソース動画のアップロード、指示の受け渡し、出力の返却。往復全体で2分かかりませんでした。
Codex + AnyCap ループが編集モデルを変える理由
従来の動画編集では、ツールを操作する 必要がありました — ここでカット、そこでマスク、この設定でエクスポート。Codex + AnyCap のモデルは異なります：結果 を伝えれば、システムがステップを考えます。
これが特に重要な場面：
- 反復編集 — 追加プロンプトで最初から再処理することなく前の出力を調整できます。Codex に 差し替えが少し中央からずれている、左にシフトして と伝えれば、
gemini-omni-flash-previewが次のパスで調整します。 - バッチジョブ — 変換を1回説明すれば、Codex がプログラム的に複数のクリップに適用します。同じ指示、異なるソースファイル、一貫した結果。
- 開発者統合 — 動画処理を含む製品を構築する場合、AnyCap を Codex エージェント内のツールとして追加し、より大きな自動化パイプラインの中から
gemini-omni-flash-previewを呼び出せます。FFmpeg パイプラインを書いたり保守したりする必要はありません。
gemini-omni-flash-preview がスクリーン上で理解できること
モデルは映像フレーム・音声・テキストを同一コンテキストで処理するため、タイムスタンプなしでスクリーン上のものを参照できます。
- 彼女がカメラを直接見た瞬間 — そこでカットして。
- デスク上のロゴを新しいブランドマークに差し替えて。
- 彼が価格について説明しているセクション — そこを1.2倍速にして。
モデルが映像を読み取り、説明しているものを見つけて変更します。自分でフレームを探す必要はありません。
AnyCap で Gemini Omni Flash を試す →
Gemini Omni Flash は 2026年6月30日にリリースされました。料金・スペックは Google AI より。