Veo とは？Google の AI 動画生成モデルを徹底解説
Veo は Google DeepMind が開発した AI 動画生成モデルシリーズで、文章による説明から映像クリップを生成します。最新版の Veo 3 は音声が同期した実写級の動画——セリフ、効果音、環境音——を、たった 1 つのプロンプトから完結した視聴覚コンテンツとして出力します。
TL;DR 要点まとめ
- 位置づけ：Google DeepMind の旗艦テキスト／画像→動画モデル。Veo 3 が 2026 年 Q1 の主力バージョン。
- 最大の売り：映像と音声のネイティブ同時生成——画・セリフ・効果音・環境音が同期して出力され、後付けのアフレコではありません。
- スペック：1 回あたり最長 60 秒、最高 4K 解像度で 24〜60fps、テキストから動画・画像から動画・フレーム間コントロールに対応。
- 入り口の階層：Gemini Advanced の対話画面、Google AI Studio、Vertex AI（本番用 API）、Flow（Google の動画制作ワークベンチ）。
- 料金：Gemini Advanced は月額 $19.99 で一定枠込み。API は動画の秒数課金（およそ $0.3〜0.5/秒、4K はさらに高額）。
- 競合の位置：OpenAI Sora、Runway Gen-3、Luma Dream Machine、Kuaishou の Kling、Minimax／Hailuo と競合し、音声をネイティブに持つのは Veo 3 だけ。
Veo 3 は何ができますか？
Veo は文章を動画に変換します。シーンを説明すると、モデルがカメラワーク、ライティングの一貫性、物理シミュレーション、時間的な連続性を処理します。Veo 3 のブレイクスルーはネイティブ音声生成です。画面の中で人が砂利道を歩けば砂利を踏む足音が鳴り、雨が降れば雨音が入り、キャラクターが話せば口の動きと声が同期します。音声と映像は同時に生成され、後処理ではありません。
解像度は最高 4K（3840 x 2160）まで対応し、標準出力は 1080p。フレームレートは 24fps（映画的）から 60fps（滑らか）まで選べます。長さは 8 秒から始まり、Pro 相当では 1 クリップ 30〜60 秒が解禁され、それ以上の長さはクリップの連結で作ります（キャラクターとシーンの一貫性を保ちます）。Veo 3 は初期の動画生成モデルによくあった問題——顔の崩壊、物理法則の破綻（物体のすり抜け、重力の狂い）、テクスチャのちらつき——を大幅に減らしましたが、完全になくなったわけではありません。
テキスト以外にも Veo 3 は次に対応します。画像から動画（静止画を 1 枚アップロードして「動かし」、カメラワークを指定）、開始・終了フレーム制御（最初と最後のフレームを指定し、間の動きをモデルが埋める）、参照スタイル（スタイルのサンプル映像をアップロードして色調や編集リズムを合わせる）、カメラ用語による指示（「ドリーイン」「追従ショット」「めまいショット」など）。
動きの種類でいうと、Veo 3 が得意なのは「現実感のある中速の動き」です。人が歩く、車が通り過ぎる、カーテンが揺れる、液体が注がれる——こうしたシーンはダイナミクスが自然で、フレーム間の一貫性も良好です。苦手なのは極端なスローモーション（超スロー時の物理ディテールの精度が足りない）、極端な高速（レーシングカーの加速や爆発の瞬間のディテールがときどき崩れる）、そして空間をまたぐ長距離のカメラ移動（屋外からドアを抜けて屋内へ、といった視点の切り替えではシーンの一貫性がまだ破綻しがち）です。
Veo 3 の仕組みはどうなっていますか？
ベースとなるのは拡散トランスフォーマー（Diffusion Transformer）で、時空間の中でノイズから段階的に映像を精緻化していきます。テキスト理解の層は Gemini 3 をそのまま活用しており、複雑なシーン説明、空間関係、映画用語を解釈できます。たとえば「広角レンズで地面からのあおり、俳優が画面右からフレームイン、背景は夕暮れの東京・渋谷スクランブル交差点」といった指示です。
Veo 3 の映像・音声同時生成の仕組みは重要な革新です。従来の方式はまず動画を作り、それから合成音声や効果音ライブラリで音を当てるもので、口の動きが合わない、環境音がずれる、感情が噛み合わないという問題がありました。Veo 3 は映像と音声を同じ時間軸と同じ意味的な文脈のうえで一緒に組み立てるため、キャラクターが口を開いて「hello」と言うとき、口の形、子音の響き、部屋の反響の 3 つがきちんと揃います。
物理の一貫性は、物理ラベル付きの大量の合成データと実写映像によるファインチューニングに支えられています。モデルは「水は落ちる」「ガラスは割れる」「布は風になびく」といった基本的な物理法則を学習していますが、珍しい現象（花火、液体どうしの混ざり合い、複雑な流体）ではまだ破綻します。
計算コストの面では、8 秒・1080p の動画 1 本で Google の TPU v5 クラスタ上でおよそ 1〜3 分の生成時間がかかり、4K ではコストが 3 倍、60 秒では 8 倍になります。Veo 3 の API 料金が秒単位の課金になっているのはこのためで、動画生成は現在の AI 分野でもっとも計算密度の高いタスクのひとつです。2 分の 4K 動画 1 本の計算量は、Deep Research を 20 回走らせるのに相当します。
主要な動画生成モデルとの違いは？
| モデル | ベンダー | 長さ | 解像度 | ネイティブ音声 | 画像から動画 | 料金 |
|---|---|---|---|---|---|---|
| Veo 3 | Google DeepMind | 8〜60秒 | 4K | はい（口の動き同期） | はい | Gemini Advanced 月額 $19.99・枠込み |
| Sora 2 | OpenAI | 20〜60秒 | 1080p〜4K | いいえ（後付けアフレコ） | はい | ChatGPT Pro 月額 $200 |
| Runway Gen-4 | Runway | 10秒 | 1080p | いいえ | はい（モーションブラシが強力） | 月額 $15〜76 |
| Luma Dream Machine | Luma AI | 5〜10秒 | 1080p | いいえ | はい | 月額 $10〜100 |
| Kling 2.0 | Kuaishou | 5〜10秒 | 1080p | いいえ | はい（人物の表情が良い） | ポイント課金 |
| Minimax / Hailuo | Minimax | 6秒 | 720p | いいえ | はい | 無料枠 + サブスク |
Veo 3 の中核的な差別化はネイティブ音声です。競合はサウンドデザインに別のツール（ElevenLabs でナレーション + Mubert で BGM + Premiere で編集）が必要ですが、Veo 3 はそのまま公開できる視聴覚コンテンツを直接出力します。弱点は長さの上限が Sora 2 に及ばないこと、そして極端な物理シーンやアート寄りのスタイル（抽象アニメーション、カートゥーン調のレンダリングなど）の上限が専用ツールにまだ届かないことです。
Sora 2 とより細かく比べると、「リアルさ」と「物理的な正しさ」の 2 軸では Sora 2 の上限がやや高く、人物の肌の質感や髪のなびき方は実写により近づきます。一方「指示への忠実さ」では Veo 3 が安定しています。「赤いワンピースの女性が左から右へ歩き、途中で振り返ってカメラを見る」と書けば Veo 3 は厳密に実行しますが、Sora 2 は色や動作の順序を勝手に変えることがあります。「ネイティブ音声」という決定的な差については、Sora 2 は今のところ後付けのアフレコしかできず、制作者は追加のツール群を用意する必要があります。Veo 3 は個人メディアやショート動画の制作者にとって「そのまま出せる」存在です。
Runway Gen-3/Gen-4 との違いは立ち位置にあります。Runway は動画に特化したツールで、モーションブラシ、グリーンバック、視覚エフェクトといった本格的な編集機能が充実しています。Veo 3 は「汎用マルチモーダルモデルが持つ動画能力」で、編集ツールでは勝てませんが、Gemini の他の機能との統合が強みです。編集者は今後も主に Runway を使うでしょうが、ブロガー、マーケター、教育関係者は Veo 3 に傾くはずです。
Veo 3 は実際どんな用途に使われていますか？
ショート動画クリエイター：Instagram、TikTok、YouTube ショート向けの 9:16 縦型クリップ。「バリスタがスローモーションでハンドドリップを淹れる、湯の流れとコーヒー粉のクローズアップ」と説明すれば、ネイティブ音声（湯の音、挽く音）付きでそのまま投稿でき、素材ライブラリは不要です。応用として、まず Nano Banana 2 でブランドビジュアルを設計し、その静止画をもとに Veo 3 で画像から動画を作れば、ブランドのトーンが揃ったシリーズ動画になります。
製品デモ動画：SaaS 企業が新機能のトップページ用ヒーロー動画を作るケース——「ユーザーがノート PC を開くと画面に自社アプリが表示され、カメラが寄って UI がなめらかに切り替わる」。以前はこの 10 秒のデモを制作会社に外注すると 10〜20 万円かかりましたが、今は Veo 3 のプロンプト 1 本で数分です。
SNS コンテンツと季節キャンペーン：年末年始、クリスマス、バレンタインなどのショート動画、セールのカウントダウン、新商品のティザー——差別化した動画を短時間で何本も出す必要がある場面で、Veo 3 の効率がもっとも効きます。
広告・マーケティング：プロモーション映像の高速プロトタイピング。実写撮影の前に Veo 3 で 6〜8 案のコンテを出してクライアントに選んでもらえば、選定期間が 2 週間から 2 日に縮みます。最終版は実写のままでも、A/B テストの段階はすべて AI 生成で回せます。
教育・研修：歴史シーンの再現（「ローマ元老院で元老たちが議論する場面」）、科学プロセスの可視化（「細胞分裂の全過程を 30 秒で」）、語学教育の会話シーン（「パリのカフェで 2 人が注文する会話」）。ネイティブ音声があるので、別途ナレーターを探す必要がありません。
映画的なショートフィルム：インディー監督のコンセプト検証に。「フィルムノワール調、雨の夜の街路、ハットをかぶった男がタバコに火をつける、マッチを擦る音のクローズアップ」。Veo 3 は「cinematic」「noir」「anamorphic lens」といった映画用語の理解がかなり正確で、質感のある雰囲気映像を出せます。
ゲームとエンタメ：カットシーンのプロトタイプ、NPC の会話アニメーション、世界観トレーラー。個人開発者は予算が限られていても Veo 3 でトレーラーを作れます。
社内利用：社内イベントのオープニング映像、製品発表のティザー、研修用の短いクリップ。動画制作会社に外注しなくても、プロダクトマネージャー自身がプロンプトを書けば作れます。
Veo 3 の限界はどこにありますか？
現時点でできないこと：超長尺の連続ストーリー（60 秒を超えると連結が必要で、クリップをまたぐキャラクターの一貫性は依然として課題。Flow にはキャラクター固定機能がありますが完璧ではありません）、複雑な文字の埋め込み（タイトル字幕や画面内のスマホの文字にはまだ誤字が出ます）、実在の俳優の顔の指定（ディープフェイク回避のためポリシーで禁止）、極めて精密な手の動き（ピアノ演奏、タイピング、手話など指の精度がまだ低い）、超リアルな動物の毛の物理（大型動物が走るときの毛の挙動がときどき破綻）。
既知の制約：Gemini Advanced の 1 日あたりの動画枠は限られており（8 秒 1080p でおよそ 5〜10 本、地域により変動）、4K や長尺クリップはより多くの枠を消費します。API 料金は高頻度の商用利用には優しくないため、大規模な制作は通常 Vertex AI で法人契約を結びます。地域制限もあり、EU AI 法の一部条項で制限される用途があるほか、中国本土では直接提供されていません。ポリシーフィルターは暴力、性的表現、ヘイト、著名ブランドのロゴ、許諾のない著名人の姿を含む生成をブロックします。
Windows での状況は？
Google は今なおネイティブの Gemini Windows アプリを出していません。2026-04-14 に公開された “Google app for desktop” は Alt+Space の検索ランチャーにすぎず、Gemini のチャットクライアントではなく、Veo の動画生成にも対応していません。さらに 20MB のアップロード制限があります。Windows で Veo 3 の動画生成、プレビュー、ローカル保存を使いたいなら GeminiDesktop がおすすめです。ネイティブの Tauri バイナリで、Gemini の対話画面から直接 Veo 3 の動画を作り、ネイティブプレーヤーでプレビューできます。詳しくは Windows インストールガイドと Google app との比較をご覧ください。
よくある質問
Q：Veo 3 と Sora 2 はどちらが優れていますか？ A：得意分野が違います。Sora 2 は超長尺の連続性、極端な物理シーン、アート性の高いショットでやや優勢です。Veo 3 はネイティブ音声、指示への忠実さ、Gemini のワークフローとの統合で明確にリードしています。クリエイターの日常的な用途では Veo 3 のほうが使いやすく、映画級の実験的ショートフィルムでは Sora 2 に分があります。
Q：生成した動画は商用利用できますか？ウォーターマークは入りますか？ A：Gemini Advanced は個人の商用利用を認めており、法人での商用利用は Vertex AI での契約が推奨されます。Veo 3 の出力にはすべて SynthID の不可視ウォーターマーク（肉眼では見えず、AI で検出可能）が既定で埋め込まれ、来歴の確認に使われます。
Q：日本語のセリフや日本の風景の再現度は？ A：Veo 3 は多言語の学習データが十分にあり、日本語のセリフの口の動き、日本の街並み、和装の結婚式などのシーンはよく再現されます。ただし伝統文化の記号（歌舞伎の隈取、着物の細部）の精度は英語圏の一般的なシーンほどではないため、参照画像との併用をおすすめします。
Q：1 分の動画を生成するのにどれくらいかかりますか？ A：待ち時間はおよそ 3〜8 分です（キューと負荷により変動）。4K や長尺クリップは待ち行列がさらに長くなります。API では非同期モードで Webhook 通知を受け取れます。
Q：カメラの細かいパラメータは指定できますか？ A：できます。自然な言葉でカメラを説明すれば（「50mm 単焦点」「浅い被写界深度」「高速シャッター」「手持ちの追従撮影」）、Veo 3 が対応する視覚効果に合わせます。Flow ではより細かいストーリーボード制御とパラメータパネルが使えます。
Q：Veo 3 と Flow はどういう関係ですか？ A：Veo 3 がモデルで、Flow は Veo 3 を土台にした専用の動画制作ツールです。ストーリーボード、シーンの並べ替え、ショットのつなぎ、キャラクター固定といったプロ向け機能を提供します。一般ユーザーは Gemini の対話画面でそのまま Veo 3 を使えば十分で、プロのクリエイターは Flow を使います。
Q：動画生成に失敗したときはどう切り分けますか？ A：主な原因は 3 つです。1 つ目はプロンプトがポリシーフィルターに引っかかっている場合（実在人物、ブランド、暴力が絡むケース）で、より中立的な表現に書き換えます。2 つ目は枠の使い切りで、Gemini Advanced アカウントの残り動画枠を確認します。3 つ目はサービス負荷によるタイムアウトで、時間帯を変えて再試行するか解像度を 1080p に下げます。それでも失敗が続くなら、まず単純な動作の説明（「猫が草地を歩く」）でサービス自体が使えるか試してください。
Q：クリップをまたいでキャラクターを一致させるには？ A：Flow のキャラクター固定機能がおすすめです。最初のクリップのキーフレームをアップロードし、以降のクリップで「同じキャラクターを使う」と指定すると、顔・服装・体型をできるだけ保ってくれます。Gemini の対話画面で直接生成する場合は、毎回のプロンプトに同じ外見の特徴（「同じショートヘアで青いシャツのアジア系男性」）を書くのがコツで、書かない場合よりずっと一貫します。
関連記事
- Nano Banana とは？Google の AI 画像生成モデル——Veo 3 の静止画版にあたる存在
- Gemini Canvas とは？——動画生成のあとに宣伝用の記事や画像を作る次の一手
- Deep Research とは？——先にリサーチしてから解説動画を作る
- NotebookLM Video Overview 徹底解説——もうひとつの Google AI 動画生成の使いどころ
- Gemini for Mac 100 日 100 機能レビュー
- Windows ネイティブ Gemini App 完全ガイド
- Google が作らなかった Gemini Windows クライアント
Gemini デスクトップでの体験
GeminiDesktop は Veo 3 の動画生成をクロスプラットフォームのデスクトップに持ち込みます——macOS（Intel + Apple Silicon）、Windows、Linux のネイティブバイナリ。自然な対話で動画を作り、ネイティブプレーヤーで 4K をプレビューし、ブラウザを経由せずローカルのファイルシステムへ直接保存できます。Google の Windows 向け検索クライアント（比較記事）が英語のみ・20MB 上限なのに対し、GeminiDesktop は日本語・中国語・韓国語の UI と上限なしのアップロードに対応します。ダウンロードは geminidesktop.app から。