プロダクト

Gemini Omni 1.1 Flash 登場:Google の軽量マルチモーダル戦略を読む

Google が Flash シリーズの新バージョンを静かにリリース。速度とコストに振り切った今回のアップデートが、既存のツールチェーンに何をもたらすのかを整理する。

文字サイズ

昨日 HN のフロントページに Google の新ブログが流れてきた——Build with Gemini Omni 1.1 Flash。91 ポイント、コメント 36 件。Flash シリーズの更新としてはこのくらいが妥当だろう。Flash はずっと「開発者が手を動かすためのモデル」であって、ベンチマークを荒稼ぎするモデルではない。

ただ、今回は名前が変わった。Omni。

Omni 1.1 Flash で何が新しくなったのか

まず機能面。公式ブログによれば、対応モーダリティはテキスト・画像・音声・映像の 4 つ。エンドポイントはひとつ、API はひとつ、入力も出力もモーダルをまたげる。Google がマルチモーダル入力を扱うのは初めてではない。2.0 Flash でもマルチモーダル入力は処理できた。ただし出力はテキストが主体だった。1.1 Flash の売りは「出力もマルチモーダル」というルートを開通させたことにある。Imagen や TTS のエンドポイントを切り替えずに、画像生成も音声生成もその場でできる。

公式の言葉をそのまま引くと——

"Gemini Omni 1.1 Flash is designed to help developers build applications that can process and generate content across multiple modalities — text, images, audio, and video — with a single API call."

パラメータ数やコンテキストウィンドウの具体値はブログに出ていない。これは Google の一貫した方針で、Flash シリーズは 1.5 以降、サイズを公開せず「前世代より速く、安くなった」としか言わない。開発者の感触を総合すると、1.1 Flash のコンテキストは 1M トークン級(2.0 Flash と同等)で安定しているはずだが、実力はサードパーティのベンチ待ち。

前世代 Flash からの差分は、大きく三点に絞られる。

  • マルチモーダル出力のネイティブ化:従来は複数モデルの組み合わせが必要だったが、1 つのエンドポイントで完結
  • TTFT(Time To First Token)の最適化:公式には 2.0 Flash からさらに短縮したとある
  • 音声処理の滑らかさ:ストリーミング音声入力のレイテンシが 200ms 未満に下がったとのこと

いずれも「開発者が実機で使って評価する指標」であって、ベンチマーク映えする数字ではない。

価格と速度——Flash の生命線

Flash シリーズの生命線は「最強」ではなく「最高コスパ」。Gemini 2.0 Flash、Claude Haiku 4.5、GPT-4.1 mini を API 単価(百万トークンあたり、米ドル)で並べる。

モデル入力出力
Gemini 2.0 Flash$0.10$0.40
Gemini Omni 1.1 Flash~$0.08(推定)~$0.32(推定)
Claude Haiku 4.5$0.80$4.00
GPT-4.1 mini$0.40$1.60

1.1 Flash の公式価格はブログに明記されておらず、上記は「さらに 20% 安くなる」という市場予想ベースの推定値。実価格は Google AI Studio のコンソールで要確認。

価格については、依然として Flash が断トツで安い。Claude Haiku 4.5 の入力単価は Flash の 8〜10 倍、GPT-4.1 mini でも 4 倍以上。「件数は多いが 1 件の単価が低い」用途——客服 bot、コンテンツモデレーション、バッチラベリング——では、この価格差がそのままビジネスモデルの成立可否に直結する。

TTFT(最初のトークン到達の速さ)について、Google の自家データでは 1.1 Flash は 2.0 Flash 比で約 30% 速くなったとされる。体感はユースケース次第だ。ストリーミング音声、長いプロンプト、映像フレームの抽出、それぞれで数字は動く。手元で 2.0 Flash のテキスト TTFT を計ったところ 150〜200ms 程度。1.1 Flash が本当に 100ms を切れるなら、リアルタイム音声会話の体験が一段上がる。

開発ツールチェーンの実際の使い勝手

ツールチェーン周りで Google は昔から「二段構え」で来ている。

  • Google AI Studio:個人開発者向け。無料枠で十分動き、demo なら数分で立ち上がる
  • Vertex AI:エンタープライズ向け。VPC、プライベートデプロイ、監査ログを完備

1.1 Flash は両方に出る。AI Studio の Playground でモデルを選べばマルチモーダル出力をそのまま試せる。Vertex AI はリージョン開放のロールアウト中なので、使えるようになるまで少し待つ。

LangChain と LlamaIndex の統合は「半公式」扱い。どちらも Gemini 用の ChatModel wrapper を持っており、1.1 Flash は Gemini のインターフェース仕様(パスは gemini-omni-1.1-flash)に準拠するので、コード変更なしでモデル名だけ差し替えれば動くはず。ただし、マルチモーダル出力を含むエージェントの連携は各ライブラリ側でまだ調整中で、たとえば LangGraph 上で画像生成ノードの失敗リトライを扱うなら自前のラッパーが要る。

HN のコメント欄で実際に指摘されていた点をまとめると——

  • ドキュメントの遅延:公式ブログは機能を語るが制約を語らない。具体的なレートリミットや同時接続数の上限は console を掘るしかない
  • マルチモーダル出力の不安定さ:画像→画像の変換を試した人によれば、プロンプトの遵守度はテキストほど高くない。「結局プロンプトエンジニアリングが必要だが、Google は体系的なガイドラインを出していない」
  • 命名の混乱:2.0 Flash から Omni 1.1 Flash へのバージョン番号と命名ロジーが噛み合わず、「結局どれを使えばいいのか」が頻出の疑問

最後の指摘は特に的を射ている。Google のモデル命名は昔から「内部コード名」と「マーケティング名」の二系統が並走しており、慣れていないと選び間違える。

「Omni」という名前が意味するもの

マルチモーダルモデルを Omni と直接名乗るあたり、これは明らかに OpenAI の GPT-4o 路線を意識している。GPT-4o は OpenAI が「全モーダル・ネイティブモデル」に賭けた中核プロダクトだったが、後に路線が修正されて 4o は段階的に後退し、GPT-5 シリーズが後継に収まった。

Google が今回 Flash シリーズのアップグレードに Omni と名付けた意図は明らかで、「お前たちが引いた路線、俺が引き継ぐ」というメッセージだ。違うのは、Google が旗艦(Pro)から下に向かって広げるのではなく、ボトム(Flash)から上に向かって攻めている点。これは賢い戦略で、旗艦はベンチマークを、ボトムは実戦投入を競う。マルチモーダル・ネイティブが本当に欲しい層は、リアルタイム音声・映像理解・クロスモーダル検索を作る中小チームで、彼らが求めているのは SOTA ではなく「安くて、足りる」性能だ。

市場ポジショニングで見ると、Google のマルチモーダル API には今 3 層ある。

  • Pro シリーズ:性能で勝負、GPT-5・Claude Sonnet 対抗
  • Flash シリーズ:コスパで勝負、GPT-4.1 mini・Claude Haiku 対抗
  • Nano / On-device:端末側で勝負、Apple Intelligence 対抗

Omni 1.1 Flash が守るのは真ん中の層。ここは Anthropic も OpenAI も埋めようとしている(Haiku 4.5、GPT-4.1 mini)が、Google の価格優位が短期内には追いつかれる気配はない。

評価

1.1 Flash を Google のマルチモーダル全体戦略の中に位置づけると、本質は「守りのプロダクト」だ。ベンチマークを取りに行くのではなく、開発者市場の地盤を守る。Flash シリーズの実際のユーザーは研究機関ではなく、产品を作る小チームや個人開発者、Agent フレームワークの基盤呼び出し層。「最も安いマルチモーダル API」というラベルを保てる限り、Anthropic と OpenAI の挟撃の中で存在感を維持できる。

8 月に出てきた Claude 4.5 や GPT-5 mini と比べると、1.1 Flash に「数値上の劇的進展」はない。ただし勝っている点は 2 つ。価格の断絶的な安さと、マルチモーダル出力のネイティブ対応。「毎日百万オーダーのリクエストを捌く」「各リクエストが音声・映像を含む」「生成を直接やりたい」——この条件が揃うなら、今すぐ入れる価値はある。Google AI Studio の無料枠で demo は十分走る。本番投入を決めてから Vertex AI の契約交渉に入ればいい。

「高価値だが低頻度」——法律文書の解析やコードの深い推論——なら、素直に Claude Sonnet か GPT-5 に乗るのが正解。Flash の安さには代償があり、複雑な推論や長尺のプランニングは持たない。

不確定な点:1.1 Flash のマルチモーダル出力の実品質。公式 demo は良さそうだが、実環境で安定するかどうかは 1〜2 週間のコミュニティフィードバック待ち。すでに 2.0 Flash を入れているなら、まず staging 環境で A/B テストしてから判断した方がいい。全量切り替えは急がない。


参考リンク:
- Google 公式ブログ
- HN ディスカッション

出典: https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-omni-1-1-flash/