【Google Cloud Next ’26】Nano Banana・Veo 3.1 Lite・Lyria 3 Pro・Gemini 3.1 Flash TTS を連携させて 1 本のショートフィルムを作る

こんにちは、DX開発事業部の山中です。Google Cloud Next ’26 に現地参加してました！

この記事は、Google Cloud Next ’26 ライブストリーム「Nano Banana, Veo, and Lyria: Mastering the Google gen media stack」のセッションレポートです。動画: YouTube

ホストの Stephanie Wong さん（Google Cloud）が、Product Marketing Manager, Gen Media の Khulan Davaajav さん（Google Cloud）に、「Work From Home」と題したショートフィルムを題材に、Nano Banana（画像）・Veo 3.1 Lite（動画）・Lyria 3 Pro（音楽）・Gemini 3.1 Flash TTS（音声）・Gemini 3.1 Flash Live with Live Avatar という Gen Media スタック全体の使い分けを一気通貫で解説されたトーク番組形式のセッションでした。

こんな方におすすめ

• 生成 AI で画像・動画・音楽・音声を扱う「Gen Media」の全体像を押さえたい方
• Nano Banana・Veo・Lyria・Gemini Audio の使い分けと、それぞれのプロンプト設計の実例を見たい方
• 「AI で映像制作」の現実解として、どのモデルをどこで繋ぐかを知りたい方

登壇者

• Stephanie Wong さん（Host, Google Cloud）
• Khulan Davaajav さん（Product Marketing Manager, Gen Media, Google Cloud）

そもそも Gen Media とは何か

Gen Media は以下 4 つのモデル群をまとめた総称です。

それぞれが毎週・隔週単位でアップデートされている領域とのことで、Gen Media と聞いたら「Creative AI のこと」と捉えれば良い、という整理でした。セッション本編は、この 4 モデルを全部使って 1 本のショートフィルムを作るデモを軸に進みます。

個人的には、Vertex AI の上で動く「AI for developers」と「AI for creators」を分けて捉える整理が分かりやすく、Gen Media は後者の総称だと思って読み進めると頭に入りやすいです。

題材：Work From Home ショートフィルム

Khulan さんが作られたデモは、「在宅勤務でついスナックを食べすぎてしまう」という自身の体験をもとにしたミニストーリーです。

• 朝 9 時「ひとつだけジェリービーンを食べよう」と自分に言い聞かせる
• 日中、知らないうちに大量のスナックを消費
• 夕方 5 時、謎の糖分パワーで夜を駆け抜ける
• その後、避けられない「シュガークラッシュ」で倒れる
• 翌日、また同じことを繰り返す

3D レンダー風のまろやかなビジュアルで、キャラクターがキッチンで PC を開き、ラジオをつけて踊り、ディスコパーティー風に盛り上がったあとソファでぐったりする──という 1 分ほどのコミカルな映像でした。

この 1 本を、以下の流れで組み立てていきます。

1. Nano Banana でストーリーボードになる高精細な静止画を作る
2. Veo 3.1 Lite で静止画をアニメーション化する
3. Lyria 3 Pro で時間軸に合わせた BGM を作る
4. Gemini 3.1 Flash TTS でナレーションを付ける
5. 全体を繋いで完成

以降、各ステップを見ていきます。

Nano Banana：「どのカメラで撮ったか」までプロンプトで指示する

まず Nano Banana でストーリーボードの静止画を作るパートです。Khulan さんがスクリーン上で見せてくれたプロンプトが、想像していたよりずっとカメラ寄りでした。

3D render, Memphis Design style, smooth soft-touch silicone textures,
bulbous rounded geometry, solid color-blocking.
Shot on vintage 35mm film, CineStill 800T,
heavy halation on glossy highlights, Black Pro-Mist filter,
warm cinematic studio lighting.

ポイントは 2 つあるとのことでした。

• 被写体のテクスチャ指定: 「3D レンダー、シリコン調のソフトタッチ、丸みのあるジオメトリ、色はソリッドなブロッキング」
• カメラ・撮影条件の指定: 「35mm フィルム、CineStill 800T（フィルムの種類）、ハレーション強め、Black Pro-Mist フィルター、暖色系のシネマ照明」

「どんなカメラで撮ったか、どんなレンズで撮ったか」まで突っ込める点は、クリエイターから特に好評だと紹介されていました。

プロンプトは Gemini に蒸留してもらう

「そこまで細かいカメラ用語、自分で思いつかない」と Stephanie さんが率直に聞くと、Khulan さんの回答はシンプルでした。

• Behance や Instagram などで参考になるビジュアルを大量に眺める
• 気に入った画像を Gemini アプリに渡して「この画像の撮影スタイル・ライティング・写真用語を抽出して」と依頼する
• 出てきた語彙を Nano Banana のプロンプトに流し込む

参考画像を集めるところだけ人間の仕事で、スタイル記述の言語化は Gemini にやらせる、という分業です。「AI を使えるところは素直に AI に任せる」という話で、確かにこれは実務に持ち込みやすいと感じました。

Veo 3.1 Lite：Lite が軽いとは限らない

続いて、Nano Banana で作った静止画を Veo 3.1 Lite で動かすパートです。Veo 3.1 Lite は数週間前にリリースされたばかりのモデルで、以下の点が強調されていました。

• 市場でもっともコスト効率が良い部類の動画モデル
• 品質は上位モデルに近い水準（Lite だからといって画質が犠牲になっているわけではない）
• 生成速度が速く、多くのフレームが 60 秒未満で生成できた

キャンペーン動画のようにフレーム数が多くなるユースケースでは、コストと速度が実用性を大きく左右するため、Lite は有力な選択肢になりそうです。

First Frame / Last Frame でアニメーションを制御する

デモで面白かったのが、First Frame（最初のコマ）と Last Frame（最後のコマ）の 2 枚を静止画で渡し、あいだの動きを Veo に埋めさせるやり方です。

• 上段: Nano Banana で作った「first frame」と「last frame」の 2 枚
• 下段: それを Veo 3.1 Lite が補完して作った動画

プロンプトの例として紹介されていたのが「Make the bottom six appear like a puff or like a magic.」のような指示でした。Khulan さんは「正直なんとなく打ったら、puff（ふわっと現れる）の意図をモデル側がちゃんと汲んでくれた」とおっしゃっていました。ラジオをつけて踊るシーンでは、「踊り終わりの姿勢」を last frame として指定したら、その姿勢にきれいに着地して終わった、という例も見せてくれました。

First Frame だけでも十分動く

始点だけ決めたいケースでは、Last Frame を省略できます。以下の画面では Last frame が「none」になっていて、First frame として画像を 1 枚渡し、「Pan the camera around the character.」と指示するだけで、キャラクターの周りをカメラが回り込む映像が生成されていました。

開発者向けのヒント：UI に「カメラ操作」を埋め込む

Khulan さんが開発者向けに話されていたアドバイスが、そのまま使える内容でした。クリエイターのプロンプトには「dolly zoom」「camera panning」といったカメラワーク用語が頻出するため、アプリ側でそれを機能化してしまう、という発想です。

「毎回ユーザーにカメラワークの単語を入力させるのではなく、『360 度パン』のようなボタンとしてアプリに組み込み、裏でプロンプトに差し込んでしまえばいい」

Veo 3.1 Lite を呼び出すアプリを作るなら、UI に「被写体を回る」「ドリーズーム」などのボタンを並べ、クリックで対応するプロンプト片を自動付与する設計が効く、ということです。

動画内の効果音も Veo 3.1 Lite で賄える

もうひとつ刺さったのが、効果音の扱いです。デモ動画の「あくび」「ラジオを付けるガチャッという音」などの効果音は、すべて Veo 3.1 Lite が動画と一緒に生成しているとのことでした。

「SE を別途探して貼る必要がない。モデルが映像とセットで出してくれる」

動画モデルが動画と音を一体で生成できる世界になると、後工程で大きく手間が減ります。素材探しの時間がごっそり減る印象です。

Lyria 3 Pro：タイムスタンプで音楽の構成を指揮する

BGM を担当するのが Lyria 3 Pro です。Stephanie さんから「動画のシーン切り替え（9 時の落ち着いた雰囲気 → 5 時のディスコパーティー）に合わせて曲が切り替わっていたのが印象的だったが、どうやって合わせた？」と振られて出てきたのが、タイムスタンプを使ったプロンプトでした。

[0:00 - 0:14] Play a slightly cheesy, overly optimistic elevator bossa nova
track with light acoustic guitar, elevator synths, and soft percussion.
The volume should be moderate, sitting comfortably underneath a voiceover.

[0:14 - 0:16] The bossa nova track suddenly slows down, drops in pitch like
a dying battery, and abruptly stops completely at exactly 0:16 with a
comedic record scratch.

[0:17 - 0:24] Instantly drop into a loud, high-energy 1970s disco-funk anthem.
Include a driving four-on-the-floor drum beat, a groovy slap bassline,
and vibrant neon synthesizers. The volume should swell to match a party
atmosphere.

[0:25 - 0:38] The disco track abruptly cuts out like a plug was pulled,
immediately replaced by a slow, sparse, slightly out-of-tune music box
lullaby playing very quietly.

指定できる粒度が細かくて驚きました。

• 冒頭 14 秒は「軽めのボサノヴァ」でナレーションを邪魔しない音量
• 14〜16 秒で「電池切れのようにピッチが下がって、レコードスクラッチで終わる」
• 17〜24 秒で「1970 年代ディスコファンクに即切り替え」
• 25 秒以降は「プラグを抜かれたようにブツ切りになり、オルゴールの子守唄に」

Lyria 3 Pro はボーカル入りも生成できますが、今回のデモではボーカルに気を取られないよう、あえてインストゥルメンタルだけに絞ったとのことでした。

プロンプトも Gemini に書いてもらう

興味深かったのが、このプロンプト自体を Khulan さんが手書きしていない点です。ワークフローは次の順番だったとのこと。

1. 出来上がった動画を Gemini に渡す
2. 「Lyria 3 Pro 向けに、動画の展開に合わせた BGM プロンプトを書いてほしい。コメディ調で楽しげに」と依頼する
3. Gemini が動画をフレーム単位で理解し、タイムスタンプ付きプロンプトを出力
4. それをそのまま Lyria 3 Pro に渡す

「キャラクターが眠ったシーン＝子守唄」という文脈を、Gemini のマルチモーダル理解が勝手に拾ってくれるとのことでした。BGM を 1 曲ずつ探してつなぎ合わせていた時代からすると、かなり違う作り方になっている印象です。

Gemini 3.1 Flash TTS：200 種類の表現タグで「棒読み」から脱却

セッションで Khulan さんが「一番好きなローンチ」と断言されていたのが、前週リリースされた Gemini 3.1 Flash の TTS（Text-to-Speech）機能です。

特徴は 200 以上の expressiveness tag（表現タグ） で、ナレーションの感情や息遣いを細かく指示できる点です。タグは角括弧（[ ]）で囲んで文中に埋め込みます。

[positive] This is the greatest mystery of working from home. At nine AM,
you tell yourself: just one jelly bean. [panicked] But as time passes,
you get exhausted and snack, not even realizing how much you've eaten.
[anticipation] Then, five PM hits, and a miracle happens.
[excitement] You shut down the laptop,  and suddenly this
hidden store of energy is powering you for the night!
[tiredness] But then you crash. The inevitable sugar crash.
[optimism] But hey, you can't beat the commute. This is the glamour of
working from home, and we'll most likely do it all again tomorrow. [laughs].

• [positive] / [panicked] / [anticipation] / [excitement] / [tiredness] / [optimism] といった感情タグ
• のような「間」を表すタグ
• [laughs] のような効果音タグ

さらに、声そのもののスタイルも指示できます。画面下に並んでいたボタンが、その設定値でした。

• British English（英語のバリエーション）
• Comedy narrator style（ナレーションのスタイル）
• Casual British accent（訛りとフォーマリティ）

デフォルトだと「Queen’s English」のような格式張った声になってしまうので、今回のコメディ調の動画に合わせて「カジュアルなブリティッシュ訛り」に寄せた、とのことでした。

Khulan さんは「200 個のタグを Gemini に渡して、動画に合うタグ付きスクリプトを書いてもらった」ともおっしゃっていて、ここでもプロンプト生成は Gemini に任せていました。

オーディオブック自動化というユースケース

同僚の方が作られたデモも紹介されました。200 ページ規模のオーディオブック原稿に対して、Gemini 3.1 Flash Light が ページ単位でタグを自動付与する というワークフローだそうです。表現タグを 1 ページずつ手で付けていたら現実的ではない規模なので、タグ付け自体を LLM に回す発想は自然だと感じました。

モノトーンな AI ナレーションの時代から、ここまで制御できるようになると、単純な読み上げから「声の演出」まで踏み込めるようになります。

Live Avatar：Gen Media の次の一手

セッションの最後で、この日プレビュー公開されたばかりという Gemini 3.1 Flash Live with Live Avatar のデモが始まりました。

従来の AI アバターと大きく違うのが、audio-to-audio のリアルタイム対話 であり、かつ Google Search に接続してライブデータを返せる という点です。静的な動画アバターではなく、その場で喋って返してくれるモデルです。

Stephanie さんが「今のラスベガスの天気は？」と画面内のアバターに話しかけると、アバターが口パクを合わせながら「最高 78°F、最低 56°F、日中は晴れ、夜は快晴。何か予定があるの？」と答える、というやり取りが会場で実演されました。Google Search から引いてきたその日のラスベガスの気温データが、リップシンクと一緒に返ってくる挙動です。

会場は少し賑やかで、Stephanie さんが笑いながら「I need to scream louder（もっと大声じゃないと伝わらないかも笑）」と声を張るひと幕もありました。ライブでこの手のデモが一発で通るのは気持ちがいいです。

用途として Khulan さんが挙げていたのが以下でした。

• 教育・学習: 本を読む代わりに、アバターと会話しながら学ぶ
• トレーニング: ロールプレイ的な研修
• ライブ配信: そのまま対話型コンテンツに出す

アバターは事前構築された複数のスタイルから選べて、声も差し替え可能とのことです。「裏は複数モデルの積み重ねだが、API 的には一枚に抽象化されている」という設計方針が印象に残りました。リップシンクの精度もデモで見る限り違和感がなく、ここは数ヶ月で大きく進化した部分だと思います。

これからの Gen Media：ワールドモデルと「フロー状態」

セッションの後半、Khulan さんが「今、クリエイターとして一番ワクワクしているのは？」という問いに答えた内容が、Gen Media の次の方向性を示していて面白かったです。

1. ワールドモデル（World Models）

Google の Genie 3 に代表されるワールドモデル（シミュレートされた 3D 世界を生成する AI）が、クリエイターの役割を「フレームを 1 枚ずつ作る人」から「生成された世界の中を歩き回る カメラマン」に変える、という話でした。

• 現状: 画像・動画を 1 アセットずつ生成し、つなぎ合わせる
• 次: AI が生成した「世界」の中に入り、自分がカメラを持って動きながら撮る

ロボティクスでの活用も大きいですが、クリエイティブ領域でも、フレーム単位の操作から「世界の中を歩く」発想への移行があり得る、という整理でした。Genie 3 はまだ Google Cloud には載っていないとのことで、今後の展開待ちです。

2. フロー状態（Flow State）を守る = レイテンシ削減

もうひとつが、生成のレイテンシを下げる方向性です。クリエイターが没頭している状態（フロー状態）で 2 分待たされると、その場で集中が切れてしまう、という話でした。モデルの画質・機能だけでなく、生成時間を短くすることが作業体験そのものの価値を決める という視点で、Gen Media 領域の次の優先事項として挙げられていました。

「画質 vs 速度」のトレードオフはしばらく残ると思いますが、クリエイターが主役である以上、速度側の優先度がいまよりも上がっていく、という見立ては納得感がありました。

まとめ

• Nano Banana: カメラ・レンズ・フィルム・フィルターまでプロンプトで指示できる。スタイル記述は参考画像を Gemini に渡して抽出するのが実用的
• Veo 3.1 Lite: コスト効率が良く、生成も 60 秒未満で終わる。First Frame / Last Frame で始点と終点を握り、途中を Veo に任せる。効果音も同じモデルで出せる
• Lyria 3 Pro: タイムスタンプ付きプロンプトで BGM の構成を秒単位で制御。プロンプト自体は Gemini のマルチモーダル理解に書かせる
• Gemini 3.1 Flash TTS: 200 以上の表現タグ（[positive] [panicked] など）で感情・間・声質を指示。オーディオブックのタグ付け自動化のような応用も動いている
• Gemini 3.1 Flash Live with Live Avatar: audio-to-audio のリアルタイム対話 + Google Search 接続で、ライブデータを喋るアバター。教育・トレーニング・配信用途

通しで見ると、それぞれのモデルが別々にあるというより、「Gemini に動画を見せて、次のモデル用のプロンプトを書かせる」 という導線で繋がっているのが肝だと感じました。Gen Media は 4 つのモデルをバラバラに覚えるのではなく、「Gemini を中継役にした 1 本のパイプライン」として設計すると、このセッションで紹介されたワークフローがそのまま手元で再現できそうです。

Khulan さんが紹介されていた Gen Media Code Labs（ハンズオン教材）と MCP Servers for Google Cloud Genmedia APIs のリポジトリから触り始めるのが、現時点で一番早い入口だと思います。

参考リンク

• セッション動画: Nano Banana, Veo, and Lyria: Mastering the Google gen media stack
• MCP Servers for Google Cloud Genmedia APIs（GitHub）
• GenMedia Agent Skills
• Vertex AI の Generative Media モデル一覧