Blog / 6 min read · 2026-05-24

Gemini Omniの失敗パターン――テキスト、手、マルチショットのドリフト、プロンプト長

Gemini Omniが破綻しやすい場面を整理。画面内テキストの劣化、手指の不自然な動き、4ショット以降の人物同一性の崩れ、50語超のプロンプトによる焦点の希薄化を、コミュニティの実機テストをもとに解説します。

Gemini Omniのローンチ報道は、誇張気味のデモ動画一色でした。実際の失敗パターンは、PixVerse、Atlas Cloud、digit.in、Seaartによる公開翌日の実機レビューに埋もれています。ここでは、確認されている制約を出典付きでまとめ、回避できるようプロンプトの組み立て方を解説します。

1. テキスト描画が劣化する

問題: 画面内の文字、ラベル、看板、ブランドロゴ、キャプションは、Omniの出力では劣化します。文字がにじみ、フォントが歪み、単語が読めなくなります。

原因: 拡散モデル型の動画モデルは、テキストを記号的な内容ではなく視覚的なテクスチャとして扱います。フレームごとに文字を独立して再生成するため、字形に一貫性がなくなります。

回避方法:

• プロンプトでテキストオーバーレイに一切触れない。
• 商品カットでは、unbranded packaging や blurred logo in background を指定する。
• 看板や店頭では、特定の単語ではなく stylized signage with abstract symbols を指定する。
• どうしても文字が必要なら、Omniではなくポストプロダクションで重ねる前提にする。

確認元: PixVerseの実機レビュー — 英語、中国語、日本語のテキストで確認されています。ローンチ時点では言語別の回避策はありません。

2. 手指の動きが崩れる

問題: 物を握る手、キーボード入力、手話のジェスチャー、楽器演奏など、細かな手指の動きは破綻しやすくなります。指が融合したり、物体が手をすり抜けたり、指の関節が不自然に曲がったりします。

原因: 手はほかの身体部位より自由度が高く、隠れる場面も頻繁です。学習データは静止ポートレートや引きの画が中心で、手元のクローズアップ作業は多くありません。

回避方法:

• 可能なら構図で手を隠す。 横からのトラッキングショット、背中の後ろに手を置く、手首でトリミングする、といった方法が有効です。
• 手元の作業をクローズアップで指定しない。 Close-up of fingers typing はほぼ確実に破綻します。
• 楽器演奏では: 指の配置を細かく指定せず、playing the piano とだけ書き、Omniに大まかな補間を任せます。
• ある程度の不完全さを許容する。 カメラから5フィート以上離れた手は比較的うまくいきますが、フレームの30%以上を手が占めると失敗しやすくなります。

確認元: PixVerseのレビューおよびdigit.inのテスト。

3. マルチショットでの人物一貫性は約3〜4ショットで頭打ち

問題: 参照画像とともに @character_name を使うと、ショット間で人物の同一性を維持できます。ショット1〜3までは機能します。しかしショット4〜5では顔が目に見えて変化し、ショット6以降では別人になります。

Atlas Cloudが記録した評価: 4ショット以上にわたる人物一貫性は5点中3点でした。通常、制作現場で求められる水準には届きません。

回避策:

• 制作は3ショット単位で計画する。 3ショットを過ぎたら、人物を再アンカーした新しいシーケンスとして次のセットを扱います。
• 必ず参照画像を添えて @character_name を使う。 プロンプトだけの人物説明には頼らないでください。
• 各ショットのプロンプトには、keep [character_name]'s face, hair, and outfit identical という固定指定を入れます。
• 複数回の生成を受け入れる。 顔を許容できるレベルで一致させるには、同一プロンプトを3〜5回生成する必要がある場合もあります。

確認元: Atlas Cloudのマルチターン一貫性レビュー。

4. 複雑な動きでAIアーティファクトが出る

問題: ダンス、体操、スポーツの動き、楽器演奏などの複雑なアクションでは、余分な手足、不可能な関節角度、速い動きでのにじみといった目に見えるAIアーティファクトが現れます。

digit.inの調査結果: 歩く、立つ、話すといった単純な動作はきれいに機能します。一方、ダンスや全身を使う体操のような複雑な動作は、安定して失敗します。

回避方法:

• 制作品質が重要な場合は、被写体の動きを単純にする。
• 「複雑な動き」のショットでは、slow-motion ballet pose mid-spin のようにスローモーションの表現を使い、中間動作のフレーム数を抑えます。
• 特に難しい部分を構図で切る。 たとえばジャンプ中は全身ではなく、ダンサーの上半身を見せます。

確認元: digit.inのレビュー。

5. 約50語を超えるプロンプトは焦点を薄める

問題: 長いプロンプトを使っても、制御力が比例して高まるわけではありません。約50語を超えると、モデルの注意が細部に薄く分散し、出力はより具体的になるどころか汎用的になります。

Seaartの調査結果: 出力品質は30〜50語付近で頭打ちになり、60〜70語を超えると低下します。

回避方法:

• プロンプトは30〜50語を目安にする。 長ければ多くを伝えられるのではなく、むしろ逆です。
• より細かな指定が必要なら、トリガーパターンを使う。 ベースプロンプトとフォローアップターンに分けて、状態変化を指定します。
• 形容詞を徹底的に削る。 Stunning beautiful epic cinematic は装飾にすぎない6語です。35mm film, warm tungsten のような具体的なスタイル指定1つに置き換えてください。

確認元: Seaartの分析。

6. ブランド名とIPへの言及はフィルタリングを招く

問題: 著作権のあるIP（Marvel character、Studio Ghibli style など）や実在する著名人の名前を出すと、Omniのコンテンツフィルターが作動します。エラーとして返らず、出力だけが無難で汎用的になることもあります。

原因: Googleの学習・フィルター層は、IP侵害を積極的に避けるよう設計されています。Omniは特定IP向けにファインチューニングされておらず、似すぎた出力はフィルタリングまたは弱められます。

回避方法:

• 固有のIP名ではなく、スタイルを説明する表現を使う。 Hand-painted watercolor animation とし、Ghibli style は使わない。3D animated character with soft rim lighting とし、Pixar style は使わないでください。
• プロンプトに存命の人物名を入れない。 遠回しな言及でも出力品質が下がることがあります。
• Avatar機能では: 自分自身の @username だけを使います。他人の顔を複製しようとすると、本人確認の段階で失敗します。

7. 10秒の固定上限（厳密には失敗ではなく制約）

TechCrunchのローンチ報道によると、Gemini Omni Flashは10秒を超える単一クリップを生成できません。より長い作品では、上限に抗うのではなくGoogle Flowでクリップをつなげてください。

まとめ表

このリストの使い方

これらを、いつか解消されるバグとして扱わないでください。ローンチ時点のGemini Omni Flashに見られる安定した特性です。最初からプロンプト戦略に組み込みましょう。

1. 基本は画面内テキストなし、可能な限り手を隠し、プロンプトは50語未満にします。
2. 明示的な @character_name と固定指定を用い、3ショット単位で制作を計画します。
3. 固有のIP名をメディアの特徴を説明する表現に置き換えます。
4. 長い物語では、10秒上限に抗わず、Flowでつなげます。

関連記事

• 完全フィールドガイド — これらすべてを文脈とともに解説
• カメラ用語集 — この制約内で使うべき動詞
• "Keep X identical" 固定指定 — マルチショット制作のためのルール
• 用語集 — 各失敗パターンの正式な項目