Gemini Omni Flash 1.2: 会話型ビデオ生成

Gemini Omni Flash 1.2はGoogleの会話型ビデオモデルで、ComfyUIではGoogle Gemini Omni (Video) パートナーノードを通じて利用できます。ショットを自然言語で記述し、参照画像やクリップを添付すると、ノードが同期されたオーディオ付きのビデオを返します。 バージョン1.2は、3〜15秒のクリップを360p、720p、1080p、4Kで、16:9または9:16のアスペクト比でレンダリングします。最大14枚の参照画像と3本の参照ビデオを受け付け、クリップを30秒まで延長できます。Omni Flash 1.1と旧プレビューモデルは、ノード内で引き続き選択できます。

​

Gemini Omni Flash 1.2 が得意なこと

• 会話形式の編集: キャラクターの変更、シーンのライティング変更、カメラアングルの変更、オブジェクトの追加や削除を、ショットの残りの部分のフレーミングとオーディオを保ったまま行えます
• マルチモーダル入力: テキスト、最大14枚の画像、各15秒の最大3本の参照ビデオを結合できます
• キーフレーム補間: image_to_video タスクで開始フレームと任意の終了フレームを指定すると、モデルがその間の映像を生成します
• 参照からビデオへ: 各参照画像に <IMAGE_REF_0> というタグを付け、プロンプトでその名前を指定すると、キャラクターや製品がフレームとして使われるのではなく、新しいシーンに登場します
• シーン拡張: extend タスクはクリップを最後のフレームから継続し、継ぎ目が見えない形で最大30秒の結果を生成します
• 解像度制御: 360p で下書きし、その後最終クリップを最大4Kでレンダリングできます

​

利用可能なワークフロー

​

テキストからビデオ（Omni Flash 1.2）

シーン、長さ（3〜15秒）、動きを1つのプロンプトに記述します。ノードは、生成されたオーディオトラック付きのクリップを返します。

​

画像からビデオ (Omni Flash 1.2)

image_to_video タスクで静止画をアニメートします。1枚目の画像が開始フレーム、オプションの2枚目の画像が終了フレームとなり、プロンプトが動きとサウンドを担います。

​

参照画像からビデオ (Omni Flash 1.2)

新しいシーンを通じて被写体の一貫性を保ちます。各参照画像に <IMAGE_REF_0> というタグを付け、そのタグをプロンプトで指定します。キャラクターや製品がクリップ内に登場し、画像自体がフレームとして使われることはありません。

​

ビデオ編集 (Omni Flash 1.2)

edit タスクを使用すると、完成したクリップの一部分だけを変更できます。カット、タイミング、オーディオはそのままに、背景の差し替え、シーンのスタイル変更、要素の追加や削除が可能です。15秒以内のビデオを1本だけ添付し、プロンプトには変更したい内容のみを記述してください。一貫性を最大限に保つには「keep everything else the same」を追加してください。

​

ビデオ延長 (Omni Flash 1.2)

仕上げたクリップを撮り直さずに続けられます。extend タスクは最後のフレームを読み取り、被写体、フレーミング、オーディオをそのまま次の区間に引き継ぎます。5秒の入力が10秒の出力になります。入力ビデオは最長25秒まで使用でき、結果は30秒に達することがあります。

​

はじめる

1. ComfyUIを0.44.1以降にアップデートする
2. キャンバスをダブルクリックして「Google Gemini Omni (Video)」を検索するか、テンプレートライブラリからワークフローを開く
3. モデルのドロップダウンでOmni Flash 1.2を選択する
4. 入力に合ったタスクを選び、プロンプトを書いて実行する