日曜日はセミナー資料のアップデートをしていました。
生成AI関連のセミナーはワークショップを絡めるパターンが増えており、その仕込みをしていました。

それに合わせて資料の追加・修正もしていますが、画像、動画、音声といったGoogleのマルチモーダル機能が面白いです。
例えば、新しくリリースされたImagen4では、かなりリアルで自然な画像を作ってくれます。

現状ではGeminiから直接Imagen4を使えるか不明（モデルが表示されない）ですが、WhiskというGoogleサービスを使うと試せます。
Whilskは以前からあるツールですが、人物と背景を組み合わせたり、スタイルを変えたりできるので楽しいです。

また、WhiskではImagen4で作った画像から動画を作ることもできます。
現状ではこの動画のモデルはVeo3ではなくVeo2のようですが、それでも十分に実用的な品質を保っています。

ちなみにVeo3はGemini（有料）やFlowで生成することができ、FlowはWhiskと同じくクレジット消費になります。
画質がすごいのはもちろんですが、動画に合わせた音も生成してくれるのが驚きでした。

GoogleのAIといえば、よく話題になっているNotebookLMもあります。
また、GeminiにもPDFやPPTをアップロードすると、その内容を日本語音声で説明してくれる機能が実装されました。

GoogleAIStudioには、GeminiSpeechGenerationという機能が付き、音声生成を試すことができます。
これがNotebookLMのポッドキャスト機能の元になっているようで、1人もしくは2人での日本語音声で生成してくれます。

Googleといえば、元々Geminiができた時に「生粋のマルチモーダル」であることがウリでした。
Googleサービスの連携がよく話題になりますが、このマルチモーダルの部分に目を向けてみると、面白いことが色々あると思います。

また、GoogleのAIサービスは有料にすると、Geminiだけではなく、NotebookLMやWhisk、FlowもPro版（クレジット消費）になります。
そういう意味では、有料課金がお得（？）なのかもしれません。