Gemini Liveが「見せて話すだけで画像が作れる」時代に：リアルタイム生成の衝撃

Gemini Liveに追加された「会話するだけで画像が作れる」新機能

ついに、グーグルの会話型AI「Gemini Live」が、音声対話の中でのリアルタイム画像生成・編集に直接対応しました 。これは、「ちょっとこれを見て」とスマホのカメラをかざし、見えているものについて自然な会話をしながら、その場で画像を生成したり編集したりできるというものです 。生成・編集された画像は、Gemini Liveの画面に直接表示されます 。

例えば、部屋の模様替えを考えているとき、壁の色を変えたイメージをその場で見せてもらったり、手元にある小物をAIに認識させて、それに合う背景画像を生成してもらったりといったことが、音声だけで可能になります。

AndroidとiOSでの動作の仕組み

Androidの場合

Androidでは、Gemini Liveの「カメラ共有」機能を使います。会話中にカメラを起動し、被写体をGeminiに見せながら、「この机の上に、花瓶を置いた画像を作って」といった自然な日本語の指示を出すだけで、AIが状況を理解し、画像を生成・編集します 。この裏側で動いているのが、Gemini 2.5 Flash Imageという画像生成モデルです。開発者向けには「nano-banana（ナノバナナ）」という愛称でも知られています 。

iOSの場合

中核となる機能は同様で、カメラ共有を使ったリアルタイムでの画像生成・編集が可能です。ただし、現時点で公開されているソース資料では、iOSに特化した詳細な操作フローは明記されていません 。

重要なポイント：これまでもGeminiアプリでは、テキストや画像を使った画像生成・編集（nano-banana 2による機能）が利用できました。今回のGemini Liveのアップデートは、この生成・編集のループを、音声とカメラを使ったリアルタイムの会話の中に完全に溶け込ませたという点が画期的です 。

これを可能にした技術「nano-banana」の実力

このリアルタイム画像処理を支える画像モデルが、**Gemini 2.5 Flash Image（通称：nano-banana）**です。グーグルはこれを「最先端の画像生成・編集モデル」と位置づけています 。主な能力は以下の通りです：

• 複数画像の合成：別々の画像を自然に混ぜ合わせ、1枚の新しい画像を生成します 。
• キャラクターの一貫性維持：物語を作るように、同じキャラクターが登場する一連の画像を、違和感なく生成・編集できます 。
• 指示通りの部分編集：自然言語による指示で、特定の部分だけを思い通りに変えられます 。
• 会話を通じたワークフロー：一連のプロンプト（指示）を、まるで会話するように繋げて、段階的に画像を仕上げていくことが可能です 。

Google I/O 2026：リアルタイム画像編集を超える、次の一手

この動きをさらに加速させる大型発表が、2026年5月のGoogle I/Oで行われました。核となるのは、以下の3つです。

1. 動画版nano-banana「Gemini Omni」

「あらゆるインプットから、あらゆるアウトプットを生み出す」というコンセプトの新モデルです 。まずは動画生成・編集からスタートし、テキストや画像、音声を組み合わせて、Geminiの世界理解力を背景にした高品質な動画を作れます 。最大の特徴は、ChatGPTと話すように「この部分の背景を変えて」「もっと明るくして」と会話しながら動画を編集できることで、「Nano Banana for Video（動画版ナノバナナ）」とも表現されています 。

2. 超高速＆高性能の新デフォルト「Gemini 3.5 Flash」

GeminiアプリとGoogle検索の「AIモード」のデフォルトモデルが、この「3.5 Flash」に置き換わりました 。グーグルによると、同クラスのフロンティアモデルと比較してトークン出力が4倍高速で、特に複数ステップのツール利用やコーディングといった「エージェント的」なタスクで真価を発揮するよう設計されています 。

その他の注目発表

• 25年ぶりの検索の大刷新：AIによる検索体験の大幅アップグレードが発表されました 。
• アプリデザインの刷新：Geminiアプリ自体も、新モデル搭載に合わせてインターフェースが新しくなりました 。
• Gemini Spark：新しいAIエージェントも発表されています 。

マルチモーダルAI競争におけるグーグルのポジショニング

今回の一連の発表で改めて明確になったのは、グーグルが「会話・カメラ入力・画像生成・動画生成をシームレスに統合した、リアルタイムのマルチモーダルパイプライン」を圧倒的な強みとして打ち出している点です 。

• 画像：Gemini Liveで、カメラに映した現実世界とAIによる画像生成をリアルタイムにつなぐ 。
• 動画：Gemini Omniで、その「会話で作る・編集する」体験を動画領域に拡張する 。
• 推論と生成の融合：Omniは、Geminiの高い知性と生成メディアモデルを組み合わせ、単なる「作る」だけでなく「理解して、作る」を実現するとしています 。

グーグルが築こうとしている優位性は、「統合の深さ」です。「見せて、話して、作ってもらう」という一連の流れを、複数のアプリやツールを切り替えることなく、一つの会話の中で完結させる。今回のアップデートは、そのビジョンが現実のものとして動き出した瞬間と言えるでしょう。今後の焦点は、この野心的な統合ワークフローが、実際にどこまで実用的でクリエイティブな体験を提供できるかに移っていきます 。