GoogleがOpenAIのSoraローンチに反撃

GoogleのDeepMind部門は月曜日、第2世代のVeoビデオ生成モデルを発表した。このモデルは、最長2分の長さ、4K品質に達する解像度のクリップを作成できる。これは、Soraが生成できる20秒/1080p解像度のクリップの6倍の長さと4倍の解像度である。

もちろん、これらはVeo 2の理論上の上限です。このモデルは現在、Googleの実験的な動画生成プラットフォームであるVideoFXでのみ利用可能で、動画クリップは8秒、解像度720pに制限されています。VideoFXもウェイティングリストに登録されているため、誰でもVeo 2を試すことができるわけではありませんが、Googleは今後数週間でアクセス範囲を拡大すると発表しています。Googleの広報担当者は、モデルの機能を十分に拡張できる段階になれば、Veo 2をVertex AIプラットフォームでも利用可能になると述べました。

「今後数か月間、ユーザーからのフィードバックに基づいて改良を続けていきます」とイーライ・コリンズ氏はTechCrunchに語った。「そして、Veo 2のアップデートされた機能をGoogleエコシステム全体の魅力的なユースケースに統合することを目指します。来年にはさらなるアップデートを公開できる予定です。」

本日は、テキストや画像のプロンプトからリアルで高品質なクリップを生成する最先端のビデオ生成モデル、Veo 2 を発表します。🎥

また、テキストから画像への変換モデルの改良版である Imagen 3 もリリースしました。ImageFX でご利用いただけます… pic.twitter.com/h6ejHaMUM4

— Google DeepMind (@GoogleDeepMind) 2024年12月16日

Veo 2は、従来機に比べて多くの利点を備えていると言われています。例えば、物理学への理解が深まり（流体力学や照明・影の効果など）、テクスチャや画像がより鮮明になり、動きがあってもブレにくい「より鮮明な」ビデオクリップを生成できる機能などです。また、カメラコントロールも改良され、ユーザーは仮想カメラレンズを以前よりも正確に配置できるようになりました。

TechCrunchが指摘しているように、Veo 2はまだ動画生成プロセスを完成させていないものの、Sora、Kling、Movie Gen、Gen 3 Alphaといったライバルと比べると幻覚的な部分ははるかに少ないようだ。「一貫性と一貫性は今後の成長分野です」とコリンズ氏は述べた。「Veoは数分間であればプロンプトに忠実に従うことができますが、長時間にわたる複雑なプロンプトには従うことができません。同様に、キャラクターの一貫性も課題となる可能性があります。精巧なディテールや高速で複雑な動きの生成、そしてリアリズムの限界を押し広げ続けるという点でも、改善の余地があります。」

Googleは月曜日にImagen 3の改良も発表し、商用画像生成モデルが「より明るく、より構図の整った」出力を作成できるようになりました。ImageFXで利用可能なこのモデルは、ユーザーのプロンプトに含まれるキーワードに基づいて追加の説明候補も提供し、各キーワードごとに関連用語のドロップダウンメニューが表示されます。