長い動画の生成に、全体の制作方針を選ぶ処理と、人物や場所の見た目を保持する仕組みが加わった。Googleは、複数のAIエージェントを連携させる枠組みにより、物語と人物の一貫性を改善しながら数分間の動画を生成したとしている。
制作方針を選んで各エージェントの指示へ渡す
Googleが開発した動画制作の統括システムAI video co-directorは、生成AIモデルのGeminiとVeoの上で複数のエージェントを連携させる。制作方針の選択には、候補を試す探索と、有望な候補の活用を配分する多腕バンディットを使う。
選択するのは、創作上の意図、物語構成、映像表現の3軸である。選ばれた組み合わせを下位エージェントのシステムプロンプトへ動的に組み込み、個々の制作工程へ共通の方針を渡す。
絵コンテを画像・動き・音声へ展開する
制作方針を受けた制作準備エージェントは、場面ごとの筋書きと視覚素材を一つの絵コンテへまとめる。この絵コンテが、後続の映像と音声を作る制作エージェントの入力になる。
制作エージェントの下では、専門エージェントが処理を分担する。基準画像を担当するエージェントが人物や場面の見た目を定め、動画担当が動きを加え、音声担当が対応するナレーションや音楽を重ねる。
人物と場所の状態を視覚メモリーに残す
場面をまたぐ見た目の維持には、筋書きの共有に加えて視覚的な基準が必要になる。Googleが示した美術館の盗難場面の比較では、生成モデルGemini-3.1-Proを単独で使うと小道具や室内配置に不整合が生じ、別のマルチエージェント方式AutoStudioでも人物や背景に不整合が生じた。
この問題に対応する絵コンテ生成の枠組みCANVASは、物語の進行に合わせて人物、場所、物体の状態を構造化して保持する。持続的な視覚メモリーから見た目の基準を取り出すか、必要に応じて新たに設定することで、同じ場所への再訪でも人物の外見や空間構造を維持する仕組みだ。
完成映像の評価を次の制作方針へ戻す
AI video co-directorは、編集済み映像をマルチモーダルLLMの評価役へ渡す。評価役は創作上の意図、物語構成、映像表現の3軸で映像を評価し、軸別の報酬信号を多腕バンディットへ返して、次の生成で選ぶ制作方針の改善につなげる。
Googleの評価では、これらの枠組みによって複数ショットにまたがる物語と人物の一貫性が改善した。見た目の意図しない変化や工程間での誤りの伝播を抑えながら、数分間の動画を生成したとしている。