はじめに

本記事は2026年5月に発表されたGemini Omni FlashとVeo 3.1の検証記事です。参考文献にありますが、すでに実写の検証がなされています。

本記事では「アニメーションによる動画に興味がある方」や「実写画像からどこまでアニメ化できるか興味がある方」を対象にします。検証されていないアニメーション動画生成と実写画像からアニメーション動画を作るケースを対象にし、利用モデルであるGemini Omni FlashやVeo 3.1は単体でどれほどアニメーション動画が作りこまれるかを検証します。

本記事では実写の生成動画、生成速度、料金については触れません。参考文献にかなり精査された検証があります。そちらも併用していただけると幸いです。

検証準備

Google AI StudioのAPIキーを取得しPythonで実行しました。Google AI StudioのVeo 3.1のモデルはveo-3.1-generate-previewとなります。
また、日本語で入力したプロンプトを用いて検証を行います。英語でも試しましたが、大きな差がなかったため本記事ではすべて日本語プロンプトの検証となります。

日本のオフィスの内部(机、パソコン、働く人々)の日常の情景。
人々がキーボードを打ち、コーヒーを片手に談笑し、机の間を歩き回る。
日本のアニメ調、鮮やかな色彩のアニメーションイラスト、クリアな線画、
セルシェーディング、シネマティック。カット割りのない1ショットで。セリフなし。

今回は以下の点に着目しました。

色彩、画風
プロンプトの反映度
キャラクターやオブジェがいきなり消えたり現れたりしないか？
キーボードを打ちなどかなり細かい生成が求められるプロンプトに対応できるか？
カメラの主体以外のキャラクターが動くか？
生成時間はClaude Codeが作成したPythonコードでGoogle AI Studioと同期も含めた時間で計測(下図)

検証(テキスト→動画)

Gemini Omni Flash

Veo 3.1

比較すると以下のような点が目立つと思います。

色の塗り方から明らかに異なる。モデルに依存しているか、チューニングの影響かは不明
プロンプトは両方とも忠実
生成時間はGemini Omni Flashが33.5秒、Veo 3.1は64.8秒(1回、同期込み)。本来なら10回以上統計を取るべきだが、Gemini Developer API の従量課金の場合、1回の生成料金は両方とも400円を超えるため1回に留めた
Gemini Omni Flashは手前のキャラクターに電話の応対など明確なアクションが確認できる。一方、Veo 3.1は手前のキャラクターが動かず背景化している
Gemini Omni Flashは日本のアニメーションに近いが、Veo 3.1は少しカートゥーン寄り？
破綻やキャラクターの消失などは今回は見られなかった。他の検証では破綻があったので完全な動画が作れないことは確認している

細かく見ると、粗がありますが概ねプロンプトどおりになりました。画風が全く違うので品質ではなく絵柄などにこだわる方はGemini Omni Flash一択とはならないかもしれません。

検証(実写画像→動画)

フリー素材の実写画像でどれだけアニメ化できるか検証します。

Gemini Omni Flash

Veo 3.1

結果が大きく変わりました。両方ともオフィス風景のアニメーション化に少し時間を要しました。Veo 3.1は途中まで画像を流用しその中でキャラクターを配置している様子がうかがえます、更にガラス越しに人が現れるなど目に見えての破綻もあり、いきなり実写画像をアニメーション動画にするのはGemini Omni FlashやVeo 3.1でも厳しいようです。

実験(アニメーション画像→動画)

実写画像からアニメーション画像への変換はNano Bananaを利用しました。

Gemini Omni Flash

Veo 3.1

Gemini Omni Flashは一瞬あった実写からアニメーション変換の間がなくなり違和感はなくなりました。ただ、今回の生成結果はいきなり人が現れるなど、生成回数をこなすといずれ現れる要素が出てしまいました。

Veo 3.1は破綻というより企業が成長していく様子を高速で流しているように人や物が入れ替わっていく動画になりました。ただ不自然すぎるのでやはり破綻と判断しても問題ないと思いました。

まとめ

今回はGemini Omni FlashやVeo 3.1は単体でどれほどアニメーション動画が作りこまれるかを検証しました。テキストから動画を生成する場合、基盤となるモデルなのかチューニングの差なのか色の塗り方に明確な差が表れ、性能はもちろん好みも選択肢に入るような結果となりました。精度が上がれば、好みのモデルという選択肢は出てくると考えられます。

Gemini Omni Flashが生成した動画はタッチタイピングなど細かい操作も高い精度で作り出すことに成功しました。速度と精度のバランスが良いことはすでに先行記事でわかっていましたが、アニメーション動画に関しても同じ知見が得られました。

しかし、両モデルともいきなり実写画像からアニメーション画像は難しく、Nano Bananaを中継して生成するほうがよいと思われます。今後、モデルの精度が改善されれば中継無しで実写をすぐにアニメーション動画にすることも可能になると思われます。

参考文献

Google動画生成モデル3つを定性比較してみた（Veo 3.1 Quality / Fast / Omni Flash）
Gemini Omniとは？Veoとの違いや強み、生成できる動画まで徹底解説！
Pixabay