Google AI動画生成：Veo 3.1の解説とスマホでの使い方

Google AI動画生成とは、Google DeepMindのテキストから動画を作るモデル「Veo 3.1」のことです。文章のプロンプトから最大8秒のクリップを作成し、セリフ、効果音、環境音も映像と同時に生成されます。高速版のVeo 3.1 Fastは、VIBEならスマホでそのまま使えます。このガイドでは、モデルにできること、Geminiとの関係、良い結果を出すプロンプトを解説します。

Google AI動画生成とは？

Googleに、文字どおり「Google AI動画生成」という名前の単一製品があるわけではありません。この名前で検索されているのは、Google DeepMindが開発した動画モデルVeoです。Veoは2024年5月に発表され、2024年12月にVeo 2、2025年5月にVeo 3が登場しました。Veo 3は、セリフ、効果音、環境音といった同期した音声を生成できる最初のバージョンです。Veo 3.1は2025年10月に登場し、2026年10月時点でも、GoogleのVeo公式ページは最も先進的な動画生成モデルとして紹介しています。

Veo 3.1には複数のティアがあります。標準モデルはフル品質の選択肢で、Veo 3.1 Fastは結果を素早く得るための低レイテンシ版です。VIBEはVeo 3.1 Fastを提供しているので、開発者アカウントやコマンドライン、PCでの作業なしに、iPhone、Android、ブラウザからGoogleの動画モデルを使えます。

VeoはGeminiと同じもの？

いいえ。Geminiは汎用のAIモデル・アシスタントのファミリーで、Veoは動画専用のモデルです。GoogleはVeoをGeminiの各プロダクトやGemini API経由で提供しているため、「Gemini AI動画生成」と「Google Veo AI動画生成」の検索は同じ場所にたどり着きます。

ラインナップは変化しています。2026年にGoogleは、動画の作成と編集に使える新しいマルチモーダルモデル「Gemini Omni Flash」を発表しました。開発者向けドキュメントでは現在、一般用途にはOmni Flashを推奨し、シーン拡張、最終フレームの制御、既存パイプライン向けにVeo 3.1を残しています。2026年10月時点で、VIBEで使えるGoogleの動画モデルはVeo 3.1であり、このガイドが扱うのもこのモデルです。

Veo 3.1でできること：スペック一覧

2026年10月時点で、GoogleのGemini APIドキュメントは、Veo 3.1について下記の機能を挙げています。右の列は、VIBEアプリ内のVeo 3.1 Fastで使える範囲で、API全体より限定されています。

• ネイティブ音声は常にオン。プロンプトにセリフ、効果音、環境音を含めると、モデルが自動で映像とミックスします。
• 16:9と9:16、24fps。横長に加えて、TikTok、Instagramリール、YouTubeショート向けの縦動画にも対応しています。
• APIでの画像ガイド。Veo 3.1は写真から開始したり、参照画像で人物や商品の一貫性を保ったり、最初と最後のフレームの間を補間したりできます。VIBEのVeo 3.1 Fastはテキストから動画です。
• SynthIDウォーターマーク。Googleは、すべてのVeo動画にSynthIDウォーターマークが付き、同社の検証プラットフォームで確認できると説明しています。

Veo 3.1の内蔵オーディオはどう働く？

Veo 3.1は映像と同じ処理で音も生成するため、雨の通りのクリップは、雨音、足音、遠くの車の音がすでにミックスされた状態で出てきます。音声は常にオンなので、聞こえる内容はプロンプトの書き方で決まります。セリフは引用符で囲んで話者を示し、効果音は音として描写し（「金属のドアが閉まる音」）、環境音は別のフレーズで書きます。構成の詳細は音声付きAI動画ガイドで解説しています。

セリフのシーンVeo 3.1 Fast

“Medium close-up of a street-food vendor at a night market, steam rising behind him. He looks into the camera and says, “Best noodles in the city, still hot.” Handheld camera, neon reflections, sizzling wok and crowd chatter in the background.”

セリフは短くしましょう。8秒のクリップには1文程度のセリフがちょうど収まります。長い台本は複数のクリップに分けて、あとで編集でつなぎます。

スマホでGoogle AI動画生成を使うには？

Veo 3.1 FastはVIBEのiOS、Android、Webで動くので、PCにインストールするものも、Googleの開発者アカウントの設定も不要です。手順は数分で済みます。

1. VIBEを開き、モデル一覧からVeo 3.1 Fastを選びます。
2. 被写体、動き、カメラワーク、音を盛り込んだプロンプトを書きます。
3. クリップを生成し、音声をオンにして確認します。
4. カメラ、照明、セリフなど、1つずつ調整して再生成します。
5. 書き出して、TikTok、Instagramリール、YouTubeショートに投稿します。

VIBEではVeo 3.1 Fastはプレミアムモデルで、無料ティアにはSeedance Pro Fast、LTX Video、Luma Dream Machine、Wan 2.6、PixVerseが含まれます。まず無料モデルでプロンプトを試し、音声が必要な最終版をVeoで生成するのが実用的です。最新スペックはVeo 3.1 Fastのモデルページで確認でき、モデル一覧でほかの選択肢も見られます。

コピーして使えるVeo 3.1のプロンプトは？

Veoには、被写体、動き、場所、カメラ、光、音の順に、ショットリストのように書いたプロンプトが効果的です。VIBEにそのまま貼り付けられる例をあと2つ紹介します。

音付きの商品見せ場Veo 3.1 Fast

“Close-up of a ceramic coffee mug on a wooden table at sunrise, steam curling upward, slow push-in, warm window light, a soft ceramic clink as a hand sets the mug down, birdsong outside the window.”

縦型の旅行クリップVeo 3.1 Fast

“9:16 vertical shot of a cyclist crossing a stone bridge over a canal at golden hour, tracking from behind at handheld height, church bells ringing in the distance, tyres humming on cobblestones, a gentle breeze.”

• 被写体は1つ、動きも1つ。8秒では、詰め込んだシーンより、はっきりした1つの見どころのほうがきれいに仕上がる傾向があります。
• カメラワークを明記する。プッシュイン、トラッキングショット、手持ち、俯瞰、固定はいずれもよく伝わります。
• 音は独立した節にする。音を別のフレーズで書くと、映像の描写に埋もれません。
• 再生成では変数を1つだけ変える。惜しいテイクなら、光だけ、セリフだけを直し、全部を一度に変えないようにします。

より詳しい構成は、VIBEの全モデルでショットリストの考え方を解説するAI動画プロンプトの書き方ガイドをご覧ください。

VIBEのほかのモデルよりVeo 3.1 Fastを選ぶのはどんなとき？

セリフ、効果音、雰囲気など、音がシーンの一部であるときはVeo 3.1 Fastを選びましょう。長さや入力方式が重要なときは別のモデルを選びます。VIBEではKling 3が15秒、Sora 2 Proが12秒に対応し、写真から始められるモデルも複数ありますが、VIBEのVeo 3.1 Fastは写真入力に対応していません。Kling 3とVeo 3.1の比較で2つのプレミアムモデルを並べて比較しており、2026年のベストAI動画モデルでは全ラインナップをランク付けしています。

Google AI動画生成の限界は？

• クリップが短い。フル品質のVeo 3.1の上限は8秒なので、長いストーリーは複数のクリップを編集でつなぎます。
• アプリではテキストのみ。VIBEのVeo 3.1 Fastはプロンプトから始まります。写真から動画にするには、画像アップロード対応のモデルを選んでください。
• プレミアム利用。VIBEのVeo 3.1 Fastはプレミアムモデルで、無料ティアには含まれません。
• 待ち時間が変動する。Googleのドキュメントでは、生成時間は混雑状況により約11秒から最大6分とされています。

以上が2026年10月時点の状況ですが、Googleのラインナップは急速に変わっています。ひとつの機能に頼って企画を立てる前に、モデルページを確認してください。

よくある質問