Gemini 1.5 Pro Multimodal (Google 2024)（ジェミナイ1.5プロマルチモーダル2024）

概要

Gemini 1.5 Pro は 2024年2月15日に Google DeepMind（ロンドン、2014年 Google 買収）が発表したマルチモーダル LLM フラッグシップ（公式 model ID: gemini-1.5-pro、後継: gemini-1.5-pro-002 2024-09）。1M トークン（後 2024-04 で 2M に拡張）超長文コンテキスト・動画入力対応・テキスト + 画像 + 音声 + 動画マルチモーダル・$1.25/1M 入力 + $5/1M 出力で OpenAI GPT-4o・Anthropic Claude 3.5 Sonnet と並ぶ「Big 3 商用 LLM」の一角。

Google は 2023年12月に Gemini 1.0 (Ultra/Pro/Nano) 発表、2024年2月 Gemini 1.5 Pro で「コンテキスト長革命」を起こした：従来 LLM の標準 32K-128K から 1M トークンへ 8-32 倍拡張、後 2024-04 に 2M（書籍 1500 ページ・動画 2 時間・音声 22 時間）まで拡張。これにより「書籍 1 冊を 1 リクエストで全文読み込み + 質問」「動画 2 時間視聴 + サマリ生成」が可能に。

革新は (1) Mixture-of-Experts (MoE) アーキテクチャ：効率的計算 (2) Ring Attention：1M+ context を実用速度で処理 (3) 動画入力ネイティブ：YouTube URL や mp4 ファイル直接入力可 (4) 音声入力ネイティブ：22 時間音声を 1 リクエストで処理 (5) 多言語強い：日本語含む 38 言語ネイティブ対応 (6) Google Workspace 統合：Gmail / Docs / Sheets / Slides で Gemini 直接呼出し可。

価格は $1.25/1M 入力 + $5/1M 出力（128K 以下）・$2.50/$10（128K 超）、GPT-4o ($5/$15) の 1/4 価格、コスパで圧倒。

主な特徴・仕組み

• モーダル: テキスト + 画像 + 音声 + 動画（4 モーダル統合）
• アーキテクチャ: Mixture-of-Experts + Ring Attention
• コンテキスト: 1M (2024-02) → 2M (2024-04) トークン
• 長文処理能力: 書籍 1500 ページ・動画 2 時間・音声 22 時間
• API 価格: $1.25/1M 入力 + $5/1M 出力（≤128K）・$2.50/$10（>128K）
• 動画入力: YouTube URL・mp4 ファイル直接入力可
• 音声入力: 22 時間音声 1 リクエスト処理可
• 言語: 38 言語ネイティブ対応、日本語強い
• Google Workspace 統合: Gmail / Docs / Sheets / Slides で直接利用
• MMMU: 62.2%（GPT-4o 69.1% に劣る）
• OS バージョン: gemini-1.5-pro (2024-02)・1.5-pro-002 (2024-09 改良)・gemini-2.0-pro (2024-12 後継)

スペック比較表

具体例・対応製品

• Google Cloud Vertex AI gemini-1.5-pro: $1.25/$5 per 1M、エンタープライズ
• Google AI Studio Gemini 1.5 Pro: 無料枠あり、開発者向け
• Gemini API (REST): Python / Node.js / Go SDK
• NotebookLM (Google): Gemini 1.5 Pro 統合、長文書解析特化
• Google Workspace Gemini: Gmail / Docs / Sheets / Slides 統合

選び方・注意点

• 超長文 RAG 最強: 1M context で書籍 1 冊・大量ドキュメント丸ごと処理、従来 RAG (chunking) 不要
• 動画解析唯一: YouTube / mp4 直接入力で 2 時間動画サマリ生成、GPT-4o / Claude にない強み
• 価格コスパ: GPT-4o の 1/4、大量処理シナリオで圧倒的経済性
• MMMU 性能やや低: 視覚 推論で GPT-4o (69.1%)・Claude 3.5 Sonnet (68.3%) に劣る (62.2%)
• Google Workspace 統合: 既存 Gmail / Docs ユーザーは Gemini 統合で大幅生産性向上
• NotebookLM 活用: 書籍 / 論文 / 録音 大量アップロード + 質問、研究者・学生最強ツール
• Gemini 2.0 Pro 移行: 2024-12 後継発表、性能改善 + 価格据置き、新規は 2.0 推奨

関連用語との違い

よくある質問（FAQ）

Q1: 1M-2M context の実用性は？ A: 書籍 1500 ページ・動画 2 時間・音声 22 時間を 1 リクエストで処理可能。例：(1)『罪と罰』全文 + 質問 (2) 2 時間講義動画 + サマリ (3) 22 時間会議録音 + 議事録作成。従来 RAG（chunking + retrieval）の手間を完全省略、研究者・学生・経営者の業務革命。

Q2: 動画入力の実用性は？ A: YouTube URL 直接入力可、2 時間動画を解析 → 「主要登場人物・話題変遷・重要シーン要約」を生成。教育用途（講義動画 → 学習ノート）・マーケティング（競合動画分析）・コンテンツ制作（YouTube 動画スクリプト化）で革命的価値、GPT-4o / Claude にない独占機能。

Q3: GPT-4o とどちらを選ぶ？ A: 超長文・動画 → Gemini 1.5 Pro、音声対話 → GPT-4o、コーディング → Claude 3.5 Sonnet、reasoning → o1 / Claude Extended Thinking。用途で住み分け、3 つすべてサブスク（ChatGPT Plus + Gemini Advanced + Claude Pro）で月 $60 でも価値あり、というのが上級ユーザーの選択。

まとめ

• Google DeepMind 2024年2月発表・マルチモーダル LLM
• 1M-2M context（書籍 1500 ページ・動画 2 時間）
• テキスト + 画像 + 音声 + 動画マルチモーダル
• $1.25/$5 per 1M・GPT-4o の 1/4 価格
• Big 3 商用 LLM の一角・コンテキスト長革命