●この記事のポイント ・グーグルの動画生成AIモデル「Veo 3」、テキストを入力するだけで、数分程度で約8秒の動画が自動で生成 ・米国ではNBAファイナルの中継で、Veo 3を使って制作されたCMが放映 ・日本で普及すれば広告業界に大きな影響を与える可能性も
米Google（グーグル）が5月にリリースした音声付き動画生成AIモデル「Veo 3」。テキストや画像をプロンプト入力するだけで、数分程度で約8秒の動画が自動で生成される。米国では早くも6月のプロバスケットボール「NBAファイナル」のテレビ中継で、Veo 3を使って制作されたCMが放映されるなど、急速に普及する兆候がみられる。日本語にも対応しており、Google AI Pro（月額2,900円）を契約していれば利用可能（回数に制限あり）だが、どれくらいのクオリティのコンテンツをつくれるのか。また、6月23日付「GIZMODO」記事によれば、このNBAファイナルのCMの制作期間はわずか2日で、従来の広告制作費用より95％も削減できたとのことだが、もし日本で普及すれば広告業界にも大きなインパクトを与えるのか。専門家の見解を交えて追ってみたい。
●目次
表現としてはかなりリアル
どれくらいのクオリティの動画がつくれるのか。実際の使用感について、システムエンジニアでライターの伊藤朝輝氏はいう。
「『Gemini』と『Flow』を使って、Veo 3を試してみました。Gemini経由であれば、日本語のプロンプトでも動画を生成できるため、Veo 3の基本的なクオリティを確認する手段としては非常に手軽です。たとえば『公園でサックスの練習をするロングヘアの女性』と入力してみたところ、音声と映像が連動して生成されるVeo 3の特徴がよく伝わる動画が出力されました。女性の指の動きに合わせてサックスの音が鳴り、口元もメロディに合わせて息を吹き込んでいるように見えます。奏でられる音が実際の運指に合っているかどうかは、私には判別できませんが、表現としてはかなりリアルです」
「続いて、キャラクターの外見や衣装、表情、位置関係が動画全体で一貫して保たれるVeo 3の特性を確かめるため、Flowからも試してみました。Flowは日本語プロンプトに非対応のため、英語で入力する必要があります」（伊藤氏）
「『日本人の女子高生が台所でチャーハンを作っている』といった内容を英語で記述するだけで、中華鍋を振る音や油のはねる音まで自動生成され、非常に簡単です。ローマ字でセリフを書けば、日本語もほぼ違和感なく話してくれました。リップシンク（口の動き）も自然で、しっかり合っています。ただし、キャラクターに日本人であることを明記しないと、セリフが片言になるケースも見られました。
Veo 3で生成される動画は1本8秒ですが、それをFlowのシーン編集機能に読み込んで、延長用プロンプトを入力すれば最大1分の動画に仕上げられます。キャラクターの外見を固定したまま複数のシーンを連結できるため、ストレスなく編集できました」（伊藤氏）
Veo 3の強み・魅力は何か。逆に弱い部分や難点はあるのか。
「Veo 3の最大の魅力は、テキストだけで音声付きの映像を自動生成できることです。カメラワークの指定に応じて、動きや奥行きのある映像が簡単に作れる点も非常に優れています。また、写真やイラストをもとに動画を生成する機能も試してみました。ただ、これについてはあまり大きな動きをつけられないように感じました。操作が不十分だった可能性もありますが、生成の自由度は完全ではない印象です。
利用には『Google AI Pro』（月額2,900円／初月無料）または『Google AI Ultra』（月額3万6,400円／初回3カ月は1万8,000円）の契約が必要です。Flowで動画を生成する際には『AIクレジット』を消費し、Proプランでは月に1,000クレジットが付与されます。Veo 3で動画を1本作ると100クレジットを消費するため、試行錯誤するとすぐ使い切ってしまいました。本格的に使うなら、毎月1万2,500クレジットが付くUltraプランのほうが現実的だと思います」（伊藤氏）
