Introducción
Un prompt obligatorio y al menos una referencia de imagen o video guían entre 3–15 segundos de material nuevo con sonido recién generado.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Salida | Video |
| Editor | |
| Disponibilidad en la API de Gemini | Disponibilidad general desde el 5 de noviembre de 2026, según Google |
| Código del modelo | gemini-omni-1.2-flash |
| Duración de la generación | 3–15 segundos enteros; 8 segundos por defecto |
| Duración con cuadro final | 3–10 segundos al proporcionar una imagen final |
| Duración de la edición | Sigue la duración del original; se recorta lo que exceda los 10 segundos |
| Resoluciones de salida | Google indica salida directa en 360p y 720p; escala 1080p y 4K |
| Formatos de generación | 16:9 o 9:16; 16:9 por defecto |
| Formato de video y audio | MP4 a 24 fps con una pista de audio AAC |
| Referencias de entrada | Hasta 6 imágenes; hasta 3 clips de video de un máximo de 3 segundos cada uno |
| Resultados largos con referencias | Google indica una referencia de video para resultados de 11–15 segundos |
| Marca de agua | Google incorpora una marca de agua invisible SynthID |
| Almacenamiento de videos generados | Se eliminan después de 14 días |
Funciones y aspectos destacados
Un instante de mercado con sonido propio
En nuestras pruebas, la escena de mercado de 6 segundos a 720p mostró a un cocinero salteando fideos en un wok en llamas y diciendo la frase solicitada. El chisporroteo del aceite, la lluvia y las conversaciones del mercado acompañaron la acción.
Pon en marcha la salida de una lancha
El ejemplo del muelle, de 5 segundos, parte de una imagen nocturna. En nuestras pruebas, la lancha de madera se alejó despacio del hotel mientras su pasajera saludaba, con el zumbido del motor, el agua y una banda a lo lejos.
Define dónde termina el movimiento
Una imagen inicial de estudio y una pose final guían esta animación de 5 segundos. En nuestras pruebas, la bailarina pasó de una pose a la otra con música suave de piano y cámara fija.
Lleva a dos personas a una escena de tren
En nuestras pruebas, dos retratos de referencia se convirtieron en una escena de 6 segundos en un vagón comedor. Una persona pasó una nota doblada por la mesa; la otra la leyó y sonrió, con el ritmo del tren y el sonido de los cubiertos.
Traslada la actuación a un escenario junto al lago
En nuestras pruebas, la edición reemplazó el estudio gris por un escenario iluminado por la luna junto al agua con neblina. La bailarina y sus movimientos se conservaron mientras cambiaba el entorno.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Obligatorio. Explica qué debe usarse de cada imagen o video numerado y describe la acción y el sonido nuevos. mínimo 1 caracteres · máximo 20000 caracteres |
reference_image_urls | No | Hasta 6 URL de imágenes. Proporciona imágenes, videos de referencia o ambos. mínimo 1 elementos · máximo 6 elementos |
reference_video_urls | No | Hasta 3 URL de video, con un máximo de 3 segundos por clip. Orientan el aspecto y el movimiento; su audio se ignora. mínimo 1 elementos · máximo 3 elementos |
aspect_ratio | No | El formato predeterminado es horizontal 16:9; también se ofrece vertical 9:16. El encuadre no añade cargos. |
resolution | No | Elige 360p o 720p (por defecto) directos, o selecciona 1080p/4K. Google escala las opciones de 1080p y 4K, que tienen un costo mayor. |
duration_seconds | No | Elige 3–15 segundos enteros; 8 por defecto. Para 11–15 segundos, sigue la indicación de Google de usar una sola referencia de video. |
Precios
La generación con referencias se cobra por los segundos de salida solicitados a la tarifa de la resolución elegida. La cantidad de imágenes, los clips de referencia y la relación de aspecto no añaden cargos. No pagas si una solicitud con referencias falla o Google la rechaza.
| Especificación | Precio |
|---|---|
| $0.0276 / segundo |
| $0.084 / segundo |
| $0.126 / segundo |
| $0.252 / segundo |
Casos de uso
Una escena de mercado con diálogo
Describe a un cocinero, una acción y una frase breve entre comillas, y pide chisporroteo de aceite y ambiente de mercado bajo la lluvia.
Una llegada o salida de hotel
Anima una imagen inicial del muelle para mostrar la salida de una lancha, o añade una imagen final si ya tienes prevista la composición de cierre.
Una escena con personajes recurrentes
Usa retratos de referencia para situar a dos personas ya definidas en un entorno nuevo, como un vagón comedor al anochecer.
Otro escenario para una actuación
Pide al modo de edición de video que cambie un estudio por un entorno junto al lago y conserve el movimiento grabado.
Guía de prompts y consejos prácticos
Elige el endpoint según tu material de partida
Empieza con texto para una escena nueva, una imagen inicial para animarla, referencias para orientar el aspecto visual o un video para una modificación puntual.
Aclara la estructura de la escena
Google indica que el modelo puede crear varias tomas por defecto. Añade «sin cortes de escena» si quieres una sola toma y escribe entre comillas el diálogo solicitado.
Asigna una función a cada referencia
Escribe «usa el lugar de Image 2» o «muévete como en Video 1» para que el prompt indique la función de cada archivo subido.
Revisa un borrador pequeño antes de subir la resolución
Explora una idea en 360p con la tarifa más baja disponible. Google escala 1080p y 4K, y esas opciones tienen un costo mayor.
Centra la instrucción de edición en un cambio concreto
Google recomienda cambios sencillos seguidos de «Mantén todo lo demás igual». Comprueba la duración del original antes de enviarlo: la edición recorta el material a los 10 segundos.
Introducción
El modo referencia a video de Gemini Omni 1.2 Flash construye una escena nueva a partir de guías visuales subidas. Proporciona un prompt y al menos uno de los parámetros reference_image_urls o reference_video_urls. Las imágenes orientan personas, objetos o lugares; los clips breves orientan el aspecto y el movimiento. Se ignora la pista de sonido de las referencias.
Google indica que la versión 1.2 mejora la coherencia entre hasta seis imágenes de referencia y recomienda hasta tres imágenes por personaje para un máximo de dos personajes. Las referencias de video pueden incluir hasta tres clips de un máximo de tres segundos cada uno. Para un resultado de 11–15 segundos, Google indica un clip de referencia; en nuestras pruebas, también se completó una salida de 11 segundos con dos clips. Sigue las indicaciones publicadas al planear una escena larga.
Funciones y aspectos destacados
- Combina referencias de imagen y video en una misma solicitud de generación.
- Asigna funciones visuales a un máximo de seis imágenes subidas.
- Orienta el movimiento o el aspecto con hasta tres clips de referencia, según las indicaciones de Google para resultados más largos.
- Nombra cada archivo de forma sencilla, usando Image 1 o Video 1 según el orden de subida.
- Genera una pista de audio nueva con la escena; se ignora el audio del material de referencia.
Casos de uso
- Sitúa a dos viajeros de referencia en un vagón comedor para un intercambio breve.
- Lleva un producto de su foto de referencia a un lugar nuevo que describas.
- Usa una referencia breve de movimiento para guiar una nueva escena de mercado.
Guía de prompts y consejos prácticos
- Asigna a cada persona una referencia clara, como «la persona que viaja en Image 1», según el orden de subida.
- Explica qué guía cada video, como «muévete como en Video 1», en lugar de dar por sentada su función.
- Describe la interacción aparte de la apariencia, como «desliza una nota doblada por la mesa», para definir el nuevo evento.
- Sigue las indicaciones de Google sobre personajes con una frase como «usa las imágenes 1–3 para el primer personaje», sin superar las seis imágenes en total.
- Describe sonido nuevo, como «ritmo constante del tren y tintineo de cubiertos», ya que se ignora el audio de los clips de referencia.
Inicio rápido de la API
# 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"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
