- 長尺動画生成の一貫性低下に対処するマルチエージェント基盤をGoogle Researchが発表
- GeminiとVeoの上に載るオーケストレーション層で、SynthIDなどの安全機構を継承
- Co-Director、CANVAS、A²RD、VQQAの4フレームワークで構成
- 比較例では単体モデルやAutoStudioでキャラクター・背景のドリフトが発生
何が発表されたか
Google Researchの研究チームは、長尺の動画を自動生成する際に問題となる一貫性の欠如に対処する「AI video co-director」を発表しました。これはGeminiとVeoの上に載るオーケストレーション層として構築された、複数のエージェントが協調する統一フレームワークです。長尺生成を「大域最適化」と「世界状態の追跡」という問題として捉え直す点が特徴だと説明されています。
従来のエージェント型パイプラインは、モジュールを数珠つなぎにする方式が主流でした。しかし、キャラクターの服装や背景が少しずつ変わる「semantic drift（意味のずれ）」や、上流の生成物の不具合が下流の映像合成を壊す「cascading failures（連鎖的な失敗）」が起きやすいと指摘されています。記事では、この構造が古典的な「信用割り当て問題」に通じると位置づけています。
研究チームは、Co-Director（COLM 2026で発表予定）、CANVAS（EMNLP 2026で発表予定）、A²RD、VQQAという4つのフレームワークを組み合わせてこの問題に取り組んでいます。反復的な制作作業を自動化し、人は物語の創作に集中できるようにすることを狙うとしています。
4つの技術的な柱
第一の柱は、創作意図を統括する「AI video co-director」です。Orchestrator Agentがマルチアームドバンディット（MAB：複数の選択肢を試しながら最良のものを探す最適化手法）を用いて、創作戦略・物語モード・美的アーキタイプという3つの軸で構成を選びます。選ばれた方針はPre-Production AgentとProduction Agentに渡され、前者が絵コンテをまとめ、後者がキーフレーム・映像・音声を担当するサブエージェントを通じて映像化します。最後にマルチモーダルLLMのJudgeが生成物を評価し、その結果をMABに返して次の生成ループを改善します。
第二の柱は「CANVAS（Continuity-Aware Narratives via Visual Agentic Storyboarding）」です。キャラクターや場所、物体の状態を構造化して保持する「永続的な視覚メモリ」を持ち、複数ショット間の視覚的な連続性を明示的に計画します。同じ設定に戻ってきたときに、キャラクターの同一性や環境の空間構造を保てるようにする仕組みだと説明されています。
第三の柱は「A²RD」で、セグメント単位の生成とマルチモーダルな映像メモリを組み合わせた自己回帰型の動画生成アーキテクチャです。物語を先へ進める「外挿」と、既存のキャラクターや環境に固定する「内挿」という2つのモードを切り替えます。第四の柱は「VQQA（Video Quality Question Answering）」で、Vision-Language Modelの批評を「意味的な勾配」として使い、テキストプロンプトを反復的に改善します。最終反復の出力をそのまま採るのではなく、全候補を元のプロンプトと照合して最良のものを選ぶ仕組みも備えています。
既存手法との比較
記事では、美術館の強盗を題材にした複数ショットのシーケンスで、CANVASと代表的なベースラインを比較した例が示されています。比較対象は、基盤モデルのGemini-3.1-Proをそのまま使う方法と、別のマルチエージェント枠組みであるAutoStudioです。評価にはHardContinuityBenchというベンチマークが用いられています。
Gemini-3.1-Proを単体で使うと、小道具が変化したり部屋のレイアウトがずれる背景ドリフトが生じたと報告されています。AutoStudioもカットをまたぐと品質が低下し、泥棒の帽子が消えるといったキャラクターのドリフトや背景の不一致が起きたとされています。一方CANVASは、永続的な視覚メモリによってキャラクター・空間形状・物体の状態を物語全体で一貫させられたと説明されています。
この比較は、プロンプトを手作業で調整する方式や、単純に基盤モデルへ直接投げる方式では、長い物語を通した一貫性の維持が難しいことを示す例として提示されています。CANVASが優位という位置づけですが、数値スコアは記事中で示されていません。
未公表の点と注意点
記事では、10分間の長尺動画の生成例や、複数ショットの一貫性とキャラクターの持続性が大きく改善したと述べられています。ただし、具体的なベンチマークスコアやベースラインとの差分の数値は示されておらず、定量的な比較は本文からは読み取れません。
アーキテクチャはモデル非依存とされ、任意の基盤生成モデルの上に載せられると説明されていますが、記事中で実際に使われているのはGeminiとVeoです。またCo-DirectorとCANVASはそれぞれCOLM 2026、EMNLP 2026での発表予定とされており、査読を経た評価はこれからとなります。一般提供の時期や料金、日本語を含む多言語対応については、この記事では触れられていません。
| 手法 | 小道具 | 背景 | キャラクター |
|---|---|---|---|
| CANVAS | 一貫 | 一貫 | 一貫 |
| AutoStudio | 言及なし | 不一致が生じる | 帽子が消えるドリフト |
| Gemini-3.1-Pro | 変化する | 部屋の配置がずれる | 言及なし |
This architecture decouples creative synthesis from consistency by modeling quality as a test-time objective.
このアーキテクチャは、品質をテスト時の目的関数としてモデル化することで、創造的な合成と一貫性の維持を切り離している。
今後の見通し
今回の発表は研究段階のもので、実サービスへの提供時期は示されていません。Co-DirectorとCANVASはそれぞれCOLM 2026、EMNLP 2026で発表予定とされており、査読結果や詳細な評価指標が明らかになれば、既存手法に対する優位性をより客観的に判断できるとみられます。また、モデル非依存とされる設計がGemini・Veo以外の基盤モデルでも同等に機能するのか、実装が公開されるのかが分かれば、日本企業が自社の制作パイプラインに組み込めるかどうかの判断材料になると考えられます。
日本の開発者・IT企業にとっての意味
長尺の動画生成は、広告や映像制作、ゲーム、教育コンテンツなど幅広い分野で需要がありますが、ショット間でキャラクターや背景が崩れる問題が実用化の壁となってきました。今回の研究は、プロンプトを手作業で調整し続ける負担を、エージェントによる計画と反復改善で置き換えようとする方向性を示しています。日本のIT企業にとっては、映像制作ワークフローにAIを組み込む際の「一貫性の担保」をどう設計するかを考える材料になり得ます。ただし現時点では研究成果であり、商用APIや料金は示されていません。動画生成を手がけるチームは、査読結果と実装公開の状況を追いながら、自社パイプラインのどの工程を自動化できるかを見極めるのが現実的といえます。
気になる点
- 日本からこの仕組みを利用できますか
- 記事の時点では、一般提供やAPI公開に関する記載はありません。研究チームによる発表であり、利用可能な時期や地域は現時点では公表されていません。公開の有無や対応状況については続報を待つ必要があります。
- 特定のモデルに縛られますか
- アーキテクチャはモデル非依存で、任意の基盤生成モデルの上に載せられると説明されています。ただし記事内の実例ではGeminiとVeoが使われており、他の基盤モデルでの検証結果は示されていません。
- 既存の制作パイプラインに組み込めますか
- 本手法は基盤モデルの上に載るオーケストレーション層として設計されていると説明されています。ただし、具体的な組み込み方法や必要なインターフェース、導入条件はこの記事では示されていないため、現時点では判断できません。
用語解説
- マルチエージェント
- 複数のAIエージェントが役割を分担し、協調して一つのタスクをこなす構成。
- 拡散モデル
- ノイズから徐々に画像や動画を生成する機械学習モデル。高精細な生成が得意とされる。
- マルチアームドバンディット（MAB）
- 複数の選択肢を試しながら、探索と活用のバランスを取り最良の選択を探す最適化手法。
- SynthID
- Googleが開発した、AI生成コンテンツに不可視の電子透かしを埋め込む技術。
- VLM（Vision-Language Model）
- 画像と言葉の両方を扱えるモデル。生成物の批評や質問応答に使われる。
- 自己回帰
- 直前までの出力を入力として、次の要素を順に生成していく方式。
出典
Automating coherent long-form video generation
https://research.google/blog/coherent-long-form-video-generation
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する