【Google Cloud Next '26】 AIは「使う」から「共に働く」へ エージェント革命と開発の民主化 完全解説（第３回）

前回（第２回）までは、AIをビジネスの現場でどう指揮し、データからどう行動を起こさせるかについてお話ししてきました。

今回はうってかわって、芸術と表現の領域である「クリエイティブ」の最前線へご案内します。

AIが画像を生成できることは、今や誰もが知っています。しかし、現在のAIはそのレベルを遥かに通り越し、「専属の映画監督や音響スタッフ」として機能し始めています。

単に素材を作るだけでなく、カメラワークを指定し、映像に合わせた音楽を秒単位で切り替え、さらには「口の動きの同期」までを行う。AI自身が品質チェックをしながら一貫した作品を作り上げる、全自動スタジオのような驚きのワークフローをご紹介します。

第６章：AIが「専属のクリエイティブチーム」になる
（Generative Mediaの最前線）

これまでAIは「文字」や「数字」を扱うのが得意でしたが、今やその能力は「芸術と表現」の領域へと爆発的に広がっています。

第６章では、画像・動画・音楽を意のままに作り出す多彩な「Generative Media」（生成メディア）モデル群と、現実世界のリアルタイムデータと連携して人間のように対話する「Gemini 3.1 Flash Live」の可能性を探ります。

各分野のプロフェッショナルAIが集結
（多様な生成メディアモデル）

Google Cloudでは、クリエイティブ分野に特化したAIモデル群を猛スピードでアップデートしています。これらを組み合わせることで、画像から動画、BGM、ナレーションに至るまで、一貫したメディア制作が可能です。

• Nano Banana 2（画像生成・編集）
  高精細なビジュアルを生み出す画像のプロ。

• Veo 3.1 light（動画生成）
  品質を落とさず、60秒未満という高速生成と圧倒的なコストパフォーマンスを叩き出す映像のプロ。

• Lyria 3 Pro（音楽生成）
  映像の展開に合わせた楽曲を作り出す音楽のプロ。

• Gemini Audioファミリー（音声生成）
  文字起こしやText-to-Speech（テキスト読み上げ）を担う声のプロ。

クリエイターは「映画監督」になる
（細かなディレクション制御）

これらのモデルの最大の凄みは、人間が「なんとなくお任せ」で作らせるのではなく、映画監督のように作品のディテールを意図通りに細かく制御（ディレクション）できる点です。

• 画像（Nano Banana）
  単に「猫の画像」ではなく、「35mmフィルムのカメラ」「光沢のあるハイライトやハレーション」「丸みを帯びた3Dレンダースタイル」など、レンズや照明、テクスチャの設定までプロンプトで詳細に指定できます。

• 動画と効果音（Veo 3.1 light）
  「最初のフレーム」（コマ）と「最後のフレーム」の画像を両方指定してその間をAIに繋がせたり、1枚の画像から「カメラをパン（旋回）させる」といった動きの指示が可能です。あくびやスイッチ音などの効果音も同時に生成できます。

• 音楽（LIA 3 Pro）
  タイムスタンプを用いて、「0.25秒のタイミングで子守唄のような音楽に切り替える」といったように、秒単位で感情やテンポを正確にコントロールできます。

• 音声（Gemini 3.1 Flash Text-to-Speech）
  約200種類のタグを使い、「ポジティブ」「パニック」「文末で笑う」「イギリス英語のコメディ風」など、感情表現や声のスタイルを細かく指定し、人間らしい表現豊かな音声を生成します。

💡 AIを「翻訳家」として使うアプローチ
これほど複雑で専門的なプロンプトを、人間がゼロから書く必要はありません。Geminiを「クリエイティブなコラボレーター」として使い、「コメディ風の動画にしたい」という意図だけを伝え、AI自身に最適なプロンプト言語（指示書）へと書き起こしてもらうというアプローチが推奨されています。

「今」を語り、口の動きまで完全にリンクする（Live Avatar）

新たにプレビュー公開された「Gemini 3.1 Flash Live」の「Live Avatar」（ライブアバター）機能は、人間とAIのコミュニケーションを根本から変える可能性を秘めています。

• リアルタイムの現実世界と直結
  Google検索のリアルタイムデータと連動しているため、「今のラスベガスの天気は？」といった最新情報をもとに、即座に回答できます。

• Audio-to-Audioとリップシンク
  音声を一度テキストに変換するのではなく、音声から音声へ（Audio-to-Audio）直接処理を行います。さらに、言葉に合わせて口の動きを同期させるリップシンクも高精度に行われるため、ただの録画ビデオではない「生放送で対話している」ようなリアルな存在として機能します。

あらかじめ構築された様々なアバターや声を選べるため、本を読んで学ぶ代わりにAIと対話して学ぶ教育分野や、ライブ配信など、あらゆる「人間らしい対話」が求められる場面での大活躍が見込まれています。

第７章：AIが「全自動の映画スタジオ」になる
（エージェントワークフローによるメディア生成）

これまで人間が一つ一つ指示を出して繋ぎ合わせていたクリエイティブな作業も、AIエージェントの力で「全自動化」（プログラム化）できる時代が来ました。

第７章では、キャラクター作りから動画、音楽、ナレーションの結合までを、AIが文脈を記憶しながら一気に作り上げ、さらに自分でクオリティチェックまで行う実践的なワークフローを解説します。

１行のアイデアから「作品」を全自動で作り上げる
（クリエイティブ作業のプログラム化）

人間が何度もプロンプト（指示書）を打ち直す代わりに、ADK（Agent Development Kit）を使って作業手順をプログラム化すれば、あとはAIにお任せです。

例えば「留守番中にイタズラをするシーズー犬」と入力するだけで、AIが以下の工程を全自動で進めます。

• Nano Bananaで主役のキャラクター画像を生成（キャスティング）

• ３つの場面のストーリーを考え、それぞれの場面の画像を生成（撮影）

• VOモデルを使って、静止画を６秒の動画にアニメーション化（動画化）

• LIAとGemini Text-to-Speechで、BGMとナレーションを追加（音響）

これらはFFmpegなどのオープンソースの動画編集ツールと連携し、コマンドライン（黒い画面の操作）上で自動的に結合されます。途中でAIが「さっきの犬はどんな見た目だっけ？」と迷わないよう、コンテキスト（文脈）をしっかり記憶しているため、場面が変わってもリボンや毛色の一貫性が完璧に保たれたまま物語が展開します。

AIに「専門家のマニュアル」を渡す
（Agentic SkillsとMCPの活用）

この複雑な作業をこなすため、エージェントはMCP（Model Context Protocol）という接続規格を通じて、Google Cloud上の各種Gen Mediaモデルにアクセスします。

しかし、高品質な作品を作るための細かい指示を、毎回長々とプロンプトに書き込むのは非効率です。そこで、「Skill」（スキル）という機能を使って、専門的なノウハウを独立させます。例えば「Gen Media Voice Director」というスキルには、「あなたはプロの音響監督です」という設定や、感情表現の巧みな使い方、「優しくて無邪気な声」といった音声プロファイルが組み込まれています。

エージェントはこの「音響監督のマニュアル」（スキル）を必要な時に呼び出すだけで、細かな声色やニュアンスを自律的に判断し、各モデルに的確な指示を出せるようになります。

AI自身が「厳しい品質チェッカー」になる
（LLM-as-a-Judgeと自己修正）

全自動でメディアを作る際、「本当に指示通りのものができたか？」を確認する仕組みが欠かせません。ここで登場するのが、「LLM-as-a-Judge」（裁判官としてのLLM）という画期的なアプローチです。

作品を作るエージェントとは別に、「評価を担当するエージェント」を配置します。この評価AIは、「犬のリボンの位置は正しいか？」「元のプロンプトの指示からズレていないか？」を厳密にチェックします。

さらに、ダメ出しをして終わるだけでなく、自己修正（Self-correct）まで行わせることが可能です。例えば「映像は６秒なのに、ナレーションの音声が７秒になってはみ出している」と評価AIが検知した場合、制作側のAIが自動でスクリプト（台本）を少し短く書き直し、６秒に収まるように音声を再生成する、といった高度な運用が実現します。

人間が「こんな雰囲気の作品を作りたい」とアイデアを出すだけで、AIエージェントたちが連携し、過去の文脈を保ちながら全自動でメディアを作り上げるプロセスをお楽しみいただけたでしょうか。

さて、次回はいよいよ最終回です。「AIがそこまでやってくれるなら、人間の役割はどうなるの？」と思う方もいらっしゃるかもしれません。最後のテーマは、プログラミングの知識がなくても、誰もが言葉だけで自分のアプリを作り、世界に公開できる「開発の民主化」についてです。私たちがクリエイターになる未来にご期待ください。

※この記事の構成や下調べにはAIを活用しています。