Google Flow + Veo 3.1: 動画に音が付く時代へ — Ingredients、Frames、Extend全機能にオーディオ統合

「BGMはどこで探せばいい？」この問いがまもなく消えていく。

Google FlowがVeo 3.1オーディオアップデートを適用し、クリエイターが最も時間をかけてきた後工程の一つが自動化された。動画編集においてオーディオは常に別作業だった。動画を作り、効果音を探し、BGMを購入し、シンクを合わせ、ミキシングする。AI動画生成ツールもこの流れを変えられなかった——今まで。

このアップデートで、FlowはAI動画を生成すると同時にオーディオも一緒に生成するようになった。

1. Veo 3.1が生み出すオーディオ：48kHz同期ダイアログ

Veo 3.1のオーディオは単純なBGMではない。三つの層で構成される。

ダイアログ：登場人物が話す場面では実際の会話が生成される。声のトーン、発話速度、イントネーションが動画のコンテキストと同期する。

効果音：ドアが開く、ガラスが割れる、雨が降るシーンには該当の効果音が正確なタイミングで挿入される。

サウンドスケープ：背景の空間感を与えるアンビエントサウンドがシーン全体に敷かれる。都市の騒音、自然の音、室内の空気感などが画面に合わせて生成される。

すべて48kHz品質で生成される。YouTubeやストリーミングプラットフォームの標準音質と同レベルだ。

2. 三つの機能へのオーディオ適用

Ingredients to Video — 参照画像から音まで

最大の変化が生まれた機能だ。以前はキャラクター写真、背景画像、スタイルリファレンスを入れると無音動画が出力されていた。同じ入力で音が出る動画が生成されるようになった。

使用方法は変わらない。シーンを構成する素材をドラッグし、希望のナラティブをテキストで説明する。Veo 3.1が視覚的一貫性と音響的一貫性を維持しながら動画を作る。同じキャラクターが複数のシーンに登場する際、声のトーンが一貫して保たれるのが特徴だ。

Frames to Video — 二つのシーンを音でつなぐ

開始フレームと終了フレームを提供するとその間をつなぐ動画が生成される機能だ。視覚的な遷移にオーディオの遷移が加わった。

静かな部屋の画像から始まりにぎやかなカフェの画像で終わるシーンを作ると、遷移の過程でノイズレベルが自然に上がるオーディオが自動生成される。

Extend — 長い動画が音まで自然につながる

既存クリップの最後の1秒をベースに動画を延長するExtend機能もオーディオに対応した。動画が長くなるほど音響の連続性を維持することが難しくなるが、Veo 3.1は前のクリップの音響特性を読み取り、次のクリップに続くよう生成する。

3. Flowの背景：Whisk・Flow・ImageFXの統合

現在のGoogle Flowは2026年2月に三つのツールが一つになった結果だ。元のFlow（動画生成）、Whisk（画像スタイル変換）、ImageFX（画像生成）が単一インターフェースに統合された。

統合の意味は明確だ。アイデア→画像→動画→オーディオの全パイプラインが一つのプラットフォーム内で完結する。統合後5ヶ月で2億7,500万本の動画がFlowで生成された。

活用のヒント

プロンプトにオーディオヒントを入れる：「静かな図書館」「うるさい工事現場」「雨音が溢れるカフェ」のように音響環境をテキストに含めると、オーディオ生成品質が上がる。
Ingredientsに声のトーン説明を追加：「柔らかく静かな声」「粗くて低い音声」などの音声特性をキャラクター説明に入れると、ダイアログ生成が精確になる。
Extendは短く複数回：一度に長い動画を作ろうとするとオーディオの連続性が途切れる可能性がある。15〜20秒ずつExtendを繰り返すと音響連続性がより安定する。
無音バージョンも必ず保存：自分でナレーションを加えたい場合のために、生成直後に動画だけを別途保存する習慣をつけよう。

参考資料：