Google Research、長尺で一貫性のある動画を生成するエージェント群を発表

2026年9月24日、Google Researchのブログに研究者のYale Song氏とYiwen Song氏による記事「Automating coherent long-form video generation」が掲載された。記事では4つの研究システムが紹介されており、それぞれに個別のarXiv論文がある。これらはGeminiとVeoの上で動くオーケストレーション層として機能し、Googleによれば、SynthIDの電子透かしを含むモデル側の安全機構をそのまま引き継ぎ、完成した動画には追加の分類器も適用される。AI Video Co-Director、CANVAS、A²RD、VQQAの4システムは、物語と映像の一貫性を保ったまま長尺動画を生成できる「スイート」として打ち出されている。ただし注意したいのは、各システムがそれぞれの論文で個別に評価されている点だ。4つを1本のパイプラインとして組み合わせた場合の性能を測った文書は存在しない。

Co-Director（arXiv 2604.24842、2026年4月27日）は階層型のマルチエージェント・フレームワークで、多腕バンディット・アルゴリズムを使ってクリエイティブ戦略、語りのモード、美的アーキタイプを選ぶ。著者らは架空の広告シナリオ400件からなるベンチマークGenAD-Benchを新たに導入し、品質スコア81.4を報告している。ただしこの結果は短い広告動画に関するもので、数分にわたる物語ではない。第三者による再現も行われていない。

CANVAS（arXiv 2604.13452、2026年4月15日）は、登場人物・場所・物体の視覚的な記憶を持続的に保持する。ストーリーボードのベンチマークで、最良のベースラインに比べ、背景の連続性で+21.6%、人物の一貫性で+9.6%、物体の一貫性で+7.6%の改善を報告している。ただしこれらの指標は完成した動画ではなく画像の連続に対するもので、長尺動画の生成にどこまで当てはまるかは不明だ。

A²RD（arXiv 2605.06924、2026年5月7日）は「Retrieve（検索）→Synthesize（合成）→Refine（改良）→Update（更新）」のループで動画をセグメントごとに生成し、ベースライン比で一貫性が最大30%、物語の一貫性が最大20%向上したとしている。これらは著者自身の報告（A²RDについては人間による評価も裏付けとして提示）であり、独立した再現はされていない。評価は公開ベンチマークと、1〜10分の動画を含む新ベンチマークLVBench-Cで行われた。

VQQA（arXiv 2603.12310、2026年3月12日）は、視覚的な質問と視覚言語モデルによる批評を使い、モデル内部にアクセスせずに（ブラックボックスのまま）プロンプトを最適化する。ベースの生成と比べ、T2V-CompBenchで11.57ポイント、VBench2で8.43ポイントの絶対的な改善を示した。

ブログには10分間のデモ動画が掲載されているが、どのシステムの組み合わせで作られたのかは明らかでない。第三者の分析（Superpower Daily）はA²RDによるものとしているが、一次情報源ではそれは確認できない。さらに、数値はすべて著者の自己申告で、論文はarXivのプレプリントであるため、根拠の確かさはまだ検証を待つ段階だ。これはCOLMやEMNLPといった2026年の学会で発表された研究成果であり、商用製品ではない。