Veo：Googleの強力な動画生成モデル 174

Google Veoは、私たちがこれまでに開発した中で最も強力な動画生成モデルです。1080pの高品質な動画を1分以上生成でき、さまざまな映画的・視覚的スタイルに対応します。

プロンプトの微妙なニュアンスやトーンを正確に捉え、これまでにないレベルのクリエイティブコントロールを提供します。例えば、タイムラプスや風景の空撮など、さまざまな映画的効果を理解するプロンプトにも対応します。

当社の動画生成モデルは、誰もが動画制作を行えるようにするツールの作成に貢献します。経験豊富な映画制作者でも、意欲的なクリエイターでも、知識を共有したい教育者でも、Google Veoはストーリーテリング、教育などに新たな可能性をもたらします。

今後数週間以内に、これらの機能の一部がLabs.googleの新しい実験ツールであるVideoFXを通じて、選ばれたクリエイターに開放される予定です。現在、ウェイティングリストに登録することができます。

将来的には、Google Veoの一部の機能をYouTube Shortsや他の製品にも導入する予定です。

Google Veoの機能と特徴：

言語と視覚のより深い理解：

一貫性のあるシーンを生成するためには、生成動画モデルがテキストプロンプトを正確に解釈し、その情報を関連する視覚的参照と組み合わせる必要があります。

自然言語と視覚的意味の深い理解により、Google Veoはプロンプトに忠実な動画を生成します。複雑なシーンでも、フレーズの微妙なニュアンスやトーンを正確に捉え、精緻なディテールを表現します。

映画制作コントロール：

入力動画と編集コマンドが同時に与えられた場合、例えば海岸線の空撮映像にカヌーを追加するといった指示に対して、Google Veoはこのコマンドを初期動画に適用し、新しい編集動画を作成することができます。

さらに、マスク編集もサポートしており、動画とテキストプロンプトにマスク領域を追加することで、動画の特定の領域を変更することができます。

Google Veoは、画像とテキストプロンプトを入力として動画を生成することもできます。参照画像とテキストプロンプトを組み合わせることで、画像のスタイルとユーザーのプロンプト指示に従った動画を生成できます。

このモデルはまた、動画クリップを作成し、それを60秒以上に延長することも可能です。これは単一のプロンプトでも、一連のストーリーを構成する複数のプロンプトを提供することで実現できます。

動画フレーム間の一貫性

視覚的な一貫性を維持することは、動画生成モデルにとって課題です。キャラクター、オブジェクト、あるいはシーン全体がフレーム間でちらついたり、動いたり、予期せず変形したりすることで、視聴体験が損なわれることがあります。

Google Veoの最先端の潜在拡散トランスフォーマーは、このような不整合の発生を減らし、キャラクター、オジェクト、スタイルが現実世界と同じように適切な位置に保たれるようにします。

長年にわたる動画生成研究に基づく

Google Veoは、生成クエリネットワーク（GQN）、DVD-GAN、Imagen-Video、Phenaki、WALT、VideoPoet、Lumiereなど、当社のTransformerアーキテクチャとGeminiによる、長年の生成動画モデル研究の上に構築されています。

Google Veoがプロンプトをより正確に理解し従うようにするため、学習データ内の各動画のキャプションにさらに詳細な情報を追加しました。また、パフォーマンスをさらに向上させるために、このモデルは高品質な圧縮動画表現（潜在画像とも呼ばれます）を使用しており、より効率的です。これらのステップにより、全体的な品質が向上し、動画生成に必要な時間が短縮されました。