Einführung
Ein erforderlicher prompt und mindestens eine Bild- oder Videoreferenz steuern 3–15 Sekunden neue Aufnahmen mit neu erzeugtem Ton.
| Feld | Wert |
|---|---|
| Eingabe | Text |
| Ausgabe | Video |
| Hersteller | |
| Verfügbarkeit in der Gemini API | Laut Google seit dem 5. November 2026 allgemein verfügbar |
| Modellkennung | gemini-omni-1.2-flash |
| Länge erzeugter Videos | 3–15 ganze Sekunden; standardmäßig 8 Sekunden |
| Länge mit Schlussbild | 3–10 Sekunden bei vorgegebenem letztem Bild |
| Dauer bei der Bearbeitung | Entspricht der Quelle; Aufnahmen werden nach 10 Sekunden abgeschnitten |
| Ausgabeauflösungen | Google nennt 360p und 720p als direkte Ausgabe; 1080p und 4K skaliert Google hoch |
| Formate bei der Erzeugung | 16:9 oder 9:16; standardmäßig 16:9 |
| Video- und Audioformat | MP4 mit 24 fps und einer AAC-Tonspur |
| Referenzeingaben | Bis zu 6 Bilder; bis zu 3 Videoclips mit jeweils höchstens 3 Sekunden |
| Lange Videos aus Referenzen | Für Ausgaben mit 11–15 Sekunden nennt Google eine Videoreferenz |
| Wasserzeichen | Google fügt ein unsichtbares SynthID-Wasserzeichen hinzu |
| Speicherung erzeugter Videos | Löschung nach 14 Tagen |
Wichtige Funktionen und Highlights
Ein Marktmoment mit eigener Geräuschkulisse
In unseren Tests zeigte die 6 Sekunden lange Marktszene bei 720p einen Koch, der Nudeln über einem flammenden Wok schwenkte und den gewünschten Satz sprach. Zischendes Öl, Regen und Marktstimmen begleiteten das Geschehen.
Eine Bootsabfahrt in Bewegung bringen
Das 5 Sekunden lange Beispiel am Anleger beginnt mit einem einzigen Nachtfoto. In unseren Tests legte das hölzerne Schnellboot langsam vom Hotel ab, während sein Passagier winkte. Dazu waren Motorbrummen, Wasser und eine entfernte Band zu hören.
Das Ende einer Bewegung vorgeben
Ein erstes Studiobild und eine abschließende Pose geben dieser 5 Sekunden langen Animation die Richtung. In unseren Tests wechselte die Tänzerin bei feststehender Kamera und leisem Klavier zwischen den beiden Posen.
Zwei Personen in eine Zugszene versetzen
Aus zwei Referenzporträts entstand in unseren Tests eine 6 Sekunden lange Szene im Speisewagen. Eine reisende Person reichte einen gefalteten Zettel über den Tisch; die andere las ihn und lächelte. Zugrhythmus und Besteckgeräusche begleiteten den Austausch.
Den Auftritt auf eine Bühne am See verlegen
In unseren Tests ersetzte die Bearbeitung das graue Studio durch eine Bühne im Mondlicht neben nebligem Wasser. Die Tänzerin und ihre Bewegungen blieben erhalten, während sich der Schauplatz änderte.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
prompt | Ja | Erforderlich. Erläutern Sie, was aus jedem nummerierten Bild oder Video übernommen werden soll, und beschreiben Sie anschließend die neue Handlung und den Ton. mindestens 1 Zeichen · höchstens 20000 Zeichen |
reference_image_urls | Nein | Bis zu 6 Bild-URLs. Übergeben Sie Bilder, Videoreferenzen oder beides. mindestens 1 Einträge · höchstens 6 Einträge |
reference_video_urls | Nein | Bis zu 3 Video-URLs, jeder Clip höchstens 3 Sekunden lang. Sie geben Look und Bewegung vor; ihr Ton wird ignoriert. mindestens 1 Einträge · höchstens 3 Einträge |
aspect_ratio | Nein | Voreingestellt ist Querformat 16:9; Hochformat 9:16 steht ebenfalls zur Verfügung. Das Bildformat kostet nicht zusätzlich. |
resolution | Nein | Wählen Sie direkte 360p oder 720p (Standard) oder entscheiden Sie sich für 1080p/4K. Die Optionen 1080p und 4K skaliert Google hoch; dafür gelten höhere Preise. |
duration_seconds | Nein | Wählen Sie 3–15 ganze Sekunden; voreingestellt sind 8. Beachten Sie für 11–15 Sekunden Googles Vorgabe einer einzigen Videoreferenz. |
Preis
Bei der Erzeugung aus Referenzen zählen die angeforderten Ausgabesekunden zum Tarif der gewählten Auflösung. Bildanzahl, Referenzclips und Seitenverhältnis kosten nicht zusätzlich. Fehlgeschlagene Versuche sowie abgelehnte Anfragen werden kostenfrei beendet.
| Spezifikation | Preis |
|---|---|
| $0.0276 / Sekunde |
| $0.084 / Sekunde |
| $0.126 / Sekunde |
| $0.252 / Sekunde |
Anwendungsfälle
Eine kurze Marktszene mit Sprache
Skizzieren Sie einen Koch, eine Handlung und einen kurzen Satz in Anführungszeichen. Ergänzen Sie zischendes Öl und die Atmosphäre eines regnerischen Marktes.
Ankunft oder Abfahrt am Hotel
Animieren Sie ein erstes Bild vom Anleger zu einer Bootsabfahrt, oder ergänzen Sie ein letztes Bild, wenn die abschließende Komposition feststeht.
Eine Szene mit wiederkehrenden Figuren
Versetzen Sie zwei bekannte Personen anhand von Referenzporträts in eine neue Umgebung, etwa einen Speisewagen in der Dämmerung.
Eine andere Bühne für einen Auftritt
Lassen Sie die Videobearbeitung ein Studio in eine Umgebung am See verwandeln und dabei die aufgezeichnete Bewegung erhalten.
Prompt-Leitfaden und Praxistipps
Den Endpunkt passend zum Ausgangsmaterial wählen
Beginnen Sie für eine neue Szene mit Text, für eine Animation mit einem ersten Standbild, für visuelle Vorgaben mit Referenzen oder für eine gezielte Änderung mit einem Video.
Den Aufbau der Szene klar beschreiben
Laut Google kann das Modell standardmäßig mehrere Einstellungen erzeugen. Ergänzen Sie „keine Szenenschnitte“, wenn Sie eine durchgehende Aufnahme wünschen, und setzen Sie gewünschte Sprache in Anführungszeichen.
Jeder Referenz eine Aufgabe geben
Schreiben Sie „verwende den Ort aus Image 2“ oder „Bewegung wie in Video 1“, damit der prompt die Rolle jedes Uploads erläutert.
Einen kleinen Entwurf prüfen, dann die Auflösung erhöhen
Erkunden Sie eine Idee mit 360p zum niedrigsten angebotenen Tarif. 1080p und 4K skaliert Google hoch; diese Optionen kosten mehr.
Eine Bearbeitungsanweisung gezielt formulieren
Google empfiehlt einfache Änderungen mit dem anschließenden Hinweis „Alles andere unverändert lassen.“ Prüfen Sie vor dem Absenden die Länge der Quelle: Bei der Bearbeitung werden Aufnahmen nach 10 Sekunden abgeschnitten.
Einführung
Gemini Omni 1.2 Flash Referenz zu Video baut eine neue Szene anhand hochgeladener visueller Vorgaben auf. Geben Sie einen prompt und mindestens eines der Felder reference_image_urls oder reference_video_urls an. Bilder geben Personen, Gegenstände oder Orte vor; kurze Clips dienen als Vorlage für Look und Bewegung. Die Tonspur der Referenz wird ignoriert.
Laut Google verbessert Version 1.2 die Konsistenz über bis zu sechs Referenzbilder hinweg. Google empfiehlt bis zu drei Bilder pro Figur für höchstens zwei Figuren. Als Videoreferenzen sind bis zu drei Clips mit jeweils höchstens drei Sekunden möglich. Für ein Ergebnis mit 11–15 Sekunden nennt Google einen Referenzclip; in unseren Tests wurde auch eine Ausgabe mit 11 Sekunden und zwei Clips fertiggestellt. Planen Sie lange Szenen anhand der genannten Vorgaben.
Wichtige Funktionen und Merkmale
- Kombinieren Sie Bild- und Videoreferenzen innerhalb derselben Erzeugungsanfrage.
- Weisen Sie bis zu sechs hochgeladenen Bildern visuelle Rollen zu.
- Geben Sie Bewegung oder Look mit bis zu drei Referenzclips vor und beachten Sie dabei Googles Vorgaben für längere Ausgaben.
- Benennen Sie jeden Upload in einfacher Sprache mit Image 1 oder Video 1 entsprechend der Reihenfolge des Hochladens.
- Erzeugen Sie mit der Szene eine neue Tonspur; Ton aus den Referenzaufnahmen wird ignoriert.
Einsatzmöglichkeiten
- Setzen Sie zwei Reisende aus Referenzen für einen kurzen Austausch in einen Speisewagen.
- Übernehmen Sie ein Produkt aus seinem Referenzfoto in einen neu beschriebenen Schauplatz.
- Nutzen Sie eine kurze Bewegungsreferenz als Vorgabe für die Bewegung einer neuen Marktszene.
Prompt-Leitfaden und Praxistipps
- Ordnen Sie jeder Person eine eindeutige Quelle zu, etwa „die reisende Person in Image 1“, und beachten Sie die Upload-Reihenfolge.
- Erklären Sie, was jedes Video vorgeben soll, etwa „Bewegung wie in Video 1“, statt seine Rolle vorauszusetzen.
- Beschreiben Sie Interaktion getrennt vom Aussehen, etwa „einen gefalteten Zettel über den Tisch schieben“, um das neue Geschehen festzulegen.
- Folgen Sie Googles Vorgaben für Figuren mit einer Formulierung wie „Bilder 1–3 für die erste Figur verwenden“ und bleiben Sie bei insgesamt höchstens sechs Bildern.
- Beschreiben Sie neuen Ton, etwa „gleichmäßiger Zugrhythmus und klirrendes Besteck“, da der Ton der Referenzclips ignoriert wird.
API-Schnellstart
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-omni-1.2-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 8,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
