Gemini Omni 1.2 Flashとは｜料金と変更点

「Gemini Omni 1.2 Flashが出たらしいけど、1.1と何が違うのか」「1.1で組んだ処理はそのままでいいのか」——動画生成をAPIや業務ツールに組み込んでいる人ほど、版が変わるたびに気になるところだと思います。

結論から言うと、Gemini Omni 1.2 Flashは1回で作れる長さが10秒から15秒に伸び、720pの単価が1秒あたり約$0.10から約$0.07へ約3割下がった版です。そして2026年12月3日に、1.1を指定したAPIリクエストは自動で1.2に切り替わります。コードを直さなくても動きますが、延長の上限が「合計40秒」から「合計30秒」になるなど、1.1の前提で組んだ処理がはみ出す場所があります。

株式会社Fyveは、中小企業のAI活用の伴走と、自社メディア向けのショート動画を撮影なしで作る試作をしています。この記事では、2026年11月7日時点の公式の発表・料金ページ・開発者ドキュメントを読んだうえで、料金の計算と、12月3日までに確かめておくことを整理します。

Gemini Omni 1.2 Flashとは：15秒・約$0.07/秒・会話で直せる動画生成モデル

Gemini Omni 1.2 Flash（モデルID：gemini-omni-1.2-flash）は、Googleの動画生成・動画編集モデルです。Googleは2026年11月5日に公式ブログで発表し、Gemini APIとGoogle Cloudで一般提供（GA）を始めました。Google Cloudのブログでも2026年11月6日付でGAが告知されています。

Googleは今回の発表で「Gemini Omniが一般提供（GA）になるのは今回が初めて」と書いています。Google Cloudのブログに載った利用企業のコメントでも、一般提供とSLA（稼働の保証）によって本番で頼れるようになった点が挙げられています。

発表と開発者ドキュメントから、変わった点を拾うと次のとおりです。

• 1回で作れる長さ：最大15秒（1.1は10秒）。3秒から15秒まで1秒刻みで指定できる
• 料金：720pで1秒あたり約$0.07。1.1から30%の値下げ
• 会話での編集：同じクリップを、背景・照明・天気・縦横比などを1つずつ言葉で直していける（15秒のクリップ全体に効く）
• 参照の再現性：人物・商品・画風の画像、3秒までの動きの参考映像を渡すと、顔・服・パッケージの文字・ブランドの色をカメラが動いても保ちやすくなった
• 台詞：複数人の会話、口の動きの合い方が改善
• カメラ：ドローンのような連続した移動やズームアウトで、意図しない画面の切り替わりが減った

使える場所は、Gemini API（Google AI Studio）、Google Cloud、Flow、Google Vids、Geminiアプリ（Google AI Ultraの契約者から順次）、Google Adsです。生成された動画には、目に見えない電子透かし「SynthID」が入ります。

Gemini Omni 1.2 Flashと1.1の違い：数字で並べる

「長くなって安くなった」だけで終わらせると、移行のときに困ります。公式の数字を1.1と並べると、伸びたところと、むしろ狭くなったところがあります。

※1.1の数字は2026年8月27日のGoogle公式ブログ、1.2の数字は2026年11月5日の公式ブログ・Gemini APIの開発者ドキュメント・Google Cloudのモデルページによる（2026年11月7日時点）。「—」は今回確認した公式資料に記載がなかった項目です。

読み落としやすいのは延長の上限です。1.1の発表では「10秒単位で累計40秒まで延長できる」とされていました。1.2のドキュメントでは「1回に3〜10秒ずつ、合計30秒まで」です。1回で作れる長さは伸びましたが、継ぎ足して作れる長さは公式の数字上は短くなっています。

もう1つは長さの既定値です。1.2では長さを指定しないと10秒で作られます。15秒が欲しいなら duration に "15s" を明示します。プロンプトに「15秒の動画」と書いても、duration を指定した場合はそちらが優先され、指定しなければ10秒です。15秒を超える値を入れるとエラーになります。

Gemini Omni 1.2 Flashの料金：トークン単価から秒単価を出す

料金は「1秒いくら」で決まっているわけではありません。Gemini APIの料金ページに載っているのは100万トークンあたりの単価で、秒単価はそこから計算した目安です。

公式の料金ページに書いてあること

• 入力：100万トークンあたり$1.50（テキスト・画像・動画）
• 出力：100万トークンあたり$9.00（テキスト）、$12.00（動画）
• 720pの動画は1秒あたり5,792トークンとして数える
• 無料枠はなく、有料ティアのみ。有料ティアでは入力・出力が製品の改善に使われない

5,792トークン × $12.00 ÷ 100万 ＝ 約$0.0695。これが「1秒あたり約$0.07」の中身です。料金ページには、ほかの解像度のトークン数と目安も書かれています。

※Gemini API料金ページの数字（2026年11月7日時点・米ドル・税別）。10秒と15秒の列は、720pの10秒・15秒（公式に記載）以外は1秒あたりの目安から私が計算したものです。契約や見積もりの前に、最新のGemini APIの料金ページで確認してください。

1.1との差は「約3割」

1.1の動画出力は100万トークンあたり$17.50でした。同じ5,792トークンで計算すると1秒あたり約$0.101です。$0.0695 ÷ $0.101 ≒ 0.69なので、720pでは約31%安くなっています。発表の「30%値下げ」と合います。

1.1の秒単価は、いまの料金ページにも720pの目安（約$0.10）しか載っていません。Google Cloudのブログは「ほかの解像度でも同程度の値下げ」と書いていますが、解像度ごとに1.1と1.2を比べた公式の表は今回も見つけられていません。1080pや4Kで1.1と比べるときは、この点を割り引いて見てください。

見落としやすい費用：捨てたクリップと、直すたびの出力

課金は出力したトークンの合計で決まります。つまり採用しなかったクリップも、会話で直したときに出力し直された動画も、出力した秒数ぶん料金がかかります。

Googleはこの仕組みを前提に、安く済ませる進め方として「360pか720pで下書きを作り、細部は作り直さず続けての編集で直し、良いものだけを1080pか4Kに上げる」順番を勧めています。最初から4Kで何本も引き直すと、同じ15秒でも360pの約9倍かかります。

私たちはどう使うか：15秒のリールを撮影なしで作る場合の試算

ここからは、私たちの実際の作業に当てはめた話です。

私たちは、自社で運営しているフィットネス専門メディアの記事を、15〜17秒の縦長のリールに変えて「続きは記事で」と送る仕組みを試作しています。撮影はしません。台本はClaudeに書かせ、声は読み上げAI（Gemini 3.8 Flash TTS）で作り、図や数字はHTMLで描いて、最後に動画に書き出します。ここまでは費用がほぼかかっていません。

一方で、映像生成を入れる実験は止めています。映像生成は1秒ごとにお金がかかるので、1本あたりいくらになるかを決めてからでないと始めない、と社内で決めているからです。1.2の料金が出たので、この判断に使う数字を出してみました。

リール1本（15秒）の試算

※参照画像などの入力トークン（100万トークンあたり$1.50）は小さいので省いています。仕上げは1080pで出力した場合の単価で計算しました。作ったクリップを後から1080pに上げる場合の料金の数え方は、料金ページで確認できなかったので、少量で試して請求額を見てから見積もりに使ってください。

月8本なら約$54（約8,100円）です。下書きを6本捨てる前提を置いているのは、動画生成は一発で狙いどおりに出るものではないからです。ここを1本で計算すると、実際の請求とずれます。

15秒になって変わるのは「つなぎ目が消える」こと

私たちにとって一番大きいのは単価よりも長さです。リールの尺は15〜17秒にしています。1.1では10秒が上限だったので、15秒の映像を作るには「10秒を作ってから5秒延長する」か「2本を作ってつなぐ」必要がありました。つなぎ目では人物の見た目や光の当たり方がずれやすく、そこで作り直しが増えます。

1.2なら15秒を1回で作れるので、リールの映像部分はつなぎ目なしで1本に収まります。参照画像を最大6枚まで渡せるので、メディアの色や画風を固定した画像を毎回渡して、回ごとの見た目のずれも抑えられます。

台詞を喋らせるのは、まだ私たちの使い方には合わない

逆に、すぐには使わないと判断した機能もあります。1.2は台詞と口の動きが良くなったと発表されていますが、開発者ドキュメントには「英語は完全にサポート。ほかの言語は評価しておらず、動くかもしれないが結果は安定しない」とあります。

私たちのリールは日本語のナレーションです。声は読み上げAIで先に作り、その長さに合わせて画面を組む順番にしています。この順番なら、映像生成には台詞のない映像だけを頼めばよく、日本語の発音や口の動きが崩れる心配がありません。ドキュメントには「台詞なし（No dialogue）」とプロンプトに書くよう勧める記述もあるので、そのとおりに頼みます。

同じ理由で、動画の中に日本語の文字を描かせるのも避けます。文字はHTML側で重ねたほうが、読み間違いを確実に防げます。

15秒を狙いどおりに作るプロンプトの書き方

15秒は、何も指示しないと持て余す長さです。開発者ドキュメントのプロンプトの手引きには、長くなった分を制御するための書き方がまとまっています。私たちがリールで使う予定のものを抜き出します。

時間ごとに起きることを書く

「3秒後に女性が画面に入る」「5秒でサビが始まる」のように、自然な文で時刻を指定できます。決まった書式は要りませんが、次のような時刻の書き方も使えます。

[0-5s] 静かな通りを人が歩いている
[5-10s] 立ち止まり、光る扉のほうへ振り返る
[10-15s] 扉に向かって走り出す

声を先に作る私たちのやり方では、ナレーションの文の切れ目の秒数がすでに分かっています。その秒数をそのまま場面の区切りとして書けば、声と画面の切り替わりを合わせやすくなります。

1つの場面で撮りたいなら、そう書く

Omniは何も言わないと、いくつかのカットに分けて物語を作ろうとします。1カットの連続した映像が欲しいときは「一続きの1ショットで」「場面の切り替えなし」と明示します。リールの背景に使う映像は、こちらのほうが扱いやすいです。

直すときは短く、「ほかは変えない」を添える

会話で直すときは、細かく説明しすぎると意図しないところまで変わる、とドキュメントにあります。「照明をもっと劇的に」「看板の文字を〜に変える」のように短く頼み、最後に「ほかはすべてそのまま」と添えるのが勧められている書き方です。

音は何も言わないと勝手に付く

Omniは映像に合う音を自動で付けます。BGMやナレーションを後から重ねる使い方では、これが邪魔になります。「台詞なし」「効果音を足さない」と書いておくと、後の工程で音を差し替えやすくなります。

延長するときは、最後の10秒しか見られていない

延長のとき、モデルが参考にするのは元の動画の最後の10秒です。15秒のクリップを延長すると、最初の5秒にしか出てこない人物や小物は忘れられる可能性があります。その場合はプロンプトで改めて書くか、参照画像として渡し直します。

2026年12月3日の自動切り替え：1.1を使っている人が確かめること

Gemini APIのドキュメントと料金ページには、次のように書かれています。

• gemini-omni-1.1-flash は4週間の移行期間は使える
• 2026年12月3日から、gemini-omni-1.1-flash へのAPIリクエストはすべて自動で gemini-omni-1.2-flash に送られる
• コードの変更は不要で、料金は安いほうの1.2の単価で請求される

請求が下がる方向の切り替えなので、何もしなくても損はしません。ただ、中身のモデルが変わる以上、1.1の前提で組んだ処理には確かめておくことがあります。

確かめる5つのこと

1. 延長で30秒を超えていないか：1.1は累計40秒まで延長できましたが、1.2のドキュメントでは合計30秒までです。10秒を4回継ぎ足して40秒にしている処理は、1.2の仕様の外になります。切り替え後にエラーになるのか、30秒で止まるのかは公式に書かれていないので、12月3日の前に1.2を指定して同じ処理を流してみてください
2. 始まりと終わりの画像を指定する使い方は10秒まで：最初と最後のフレームを渡して間を埋めさせる使い方は、1.2でも3〜10秒までです。15秒を指定するとエラーになります
3. 11〜15秒にするなら参照映像は1本だけ：10秒以下なら参照映像を3本まで渡せますが、11〜15秒では1本までです。参照映像を複数渡している処理で長さを15秒に変えると、ここに引っかかります
4. 同じプロンプトでも結果は変わる：モデルが変わるので、1.1で使っていたプロンプトの出来上がりは変わります。Googleは1.1より参照画像に忠実になったと説明していますが、広告などで決めたカットを繰り返し作っている場合は、代表的なプロンプトを数本、切り替え前に1.2で作り直して見比べておくと安心です
5. 使えない設定：1.2では、システム指示・temperature・top_p・停止シーケンス・ネガティブプロンプトの欄が使えません。避けたい要素は、普通のプロンプトに「〜しない」と書きます。YouTubeの動画を素材として渡すこともできません

欧州経済領域・スイス・英国では、人がアップロードした動画の編集・延長ができないなどの地域の制限もあります。日本から使う分には直接関係しませんが、海外向けのサービスに組み込んでいる場合は確認してください。

「Provisioned Throughput」は窓口で書き方が違う

決まった処理量を事前に確保する「Provisioned Throughput」について、Googleの公式ブログとGoogle Cloudのモデルページは「使える」と書いています。一方、Gemini APIの開発者ドキュメントの制限事項には「サポートしていない」とあります。私はGoogle Cloud経由なら使える、Gemini API経由では使えない、と読んでいますが、大量に生成する業務で処理量の確保が必要なら、Google Cloud側の窓口で確認してから設計してください。

APIを使わない人の使い方：Google Vids・Geminiアプリ・Flow

開発をしない会社が触れるのは、主に次の3つです。

Google Cloudのブログでは、企業向けのGeminiの画面から、プロンプトや商品写真で短い動画を作れる機能が「近日提供」とされています。Vidsでは、生成したクリップにアバター・音楽・ナレーションを組み合わせて説明動画を作る使い方が紹介されています。

「追加料金なし」とあるVidsにも、月に作れる本数などの上限がある可能性があります。業務で決まった本数を作る予定なら、使っているプランの条件を管理画面かGoogleのヘルプで確認してください。

どんな動画なら任せられるか

1.2で現実的になったのは、実物を正確に映す必要がなく、15秒に収まる映像です。

• 任せられる：SNS投稿の背景やつなぎの映像、イメージカット、商品写真から作る回転や使用イメージの短い映像、広告の出し先ごとの差し替え（背景や縦横比を会話で直す）
• 人が確かめる：自社の商品・設備・社員を映す映像（生成されるのは「それらしいもの」で、実物ではない）、日本語の台詞や文字が入る映像
• 任せない：事実を伝える映像（数字・手順・実在の場所）。Googleも、速いスポーツの動きや複雑な物理はまだ改善中だと書いています

動画制作をどこまでAIに渡すかの線引きは、1.1のときにも整理しました。長さが15秒になっても、何を映すかを決める工程は人に残る、という考え方は変わっていません。

AI業務効率化AI動画は外注すべきか｜40秒まで作れる今の線引き

ナレーションを読み上げAIで作る場合の費用は、こちらで計算しています。

AI業務効率化Gemini 3.8 Flash TTSとは｜1分の料金と選び方

Claudeを使って動画を作る方法との比べ方は、こちらにまとめています。

Claudeで動画生成はできる？3つの方法と費用

まとめ

• Gemini Omni 1.2 Flashは2026年11月5日発表。1回で最大15秒、720pで約$0.07/秒（1.1から約3割安い）、会話で直せる動画生成モデルで、今回初めて一般提供になった
• 料金はトークン単価（動画出力 $12.00/100万トークン）から決まる。捨てたクリップも、会話で直して出し直した動画も、出力した秒数ぶん課金される
• 長さを指定しないと10秒になる。15秒が欲しければ duration に "15s" を指定する
• 2026年12月3日に1.1へのリクエストは1.2へ自動で切り替わる。料金は下がるが、延長の上限（40秒→30秒）、始まりと終わりの画像の指定（10秒まで）、11〜15秒での参照映像（1本まで）は事前に確かめる
• 日本語の台詞は公式に評価されていない。日本語のナレーションは別に作り、映像生成には台詞なしの映像を頼むのが安全

株式会社Fyveでは、こうした新しいモデルが出るたびに、公式の資料と自社の作業の両方で「いくらかかって、どこまで任せられるか」を確かめています。動画生成を業務に入れるかどうかを決める前に、まず15秒1本の費用を、下書きと手直しを含めて計算してみてください。