Introducción
Empieza con un prompt obligatorio y elige la duración, la resolución y el formato horizontal o vertical; el resultado incluye audio 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 | Descripción obligatoria de la escena. Incluye el lugar, la acción y las indicaciones de audio; escribe entre comillas el diálogo solicitado. mínimo 1 caracteres · máximo 20000 caracteres |
aspect_ratio | No | Elige formato horizontal 16:9 o vertical 9:16; se usa 16:9 por defecto. La elección no añade cargos. |
resolution | No | Elige 360p, 720p (por defecto), 1080p o 4K. Google indica 360p/720p como salidas directas; Google escala 1080p y 4K, que tienen un costo mayor. |
duration_seconds | No | Solicita cualquier número entero de 3 a 15; si lo omites, se eligen 8 segundos. Se cobra según esta duración solicitada. |
Precios
La generación se cobra por los segundos solicitados a la tarifa de la resolución elegida. La relación de aspecto no añade cargos. Los intentos fallidos y las solicitudes rechazadas no tienen costo.
| 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 texto a video de Gemini Omni 1.2 Flash parte de una idea escrita. Indica el lugar, la acción y lo que debe escucharse, y elige entre 3–15 segundos enteros. Si omites la duración, se genera una escena de 8 segundos. Usa 16:9 para una composición horizontal o 9:16 para una vertical.
Esta opción sirve para ideas sin imagen de partida. En nuestras pruebas, un prompt de mercado lluvioso produjo un cocinero salteando fideos y diciendo la frase solicitada, con aceite chisporroteando y conversaciones de fondo. Google indica que Omni puede desarrollar una historia breve en varias tomas, a menos que pidas una toma continua.
Funciones y aspectos destacados
- Genera la escena visual y su sonido juntos a partir de un prompt de texto obligatorio.
- Fija la duración en segundos enteros, desde borradores breves de 3 segundos hasta escenas de 15 segundos.
- Elige 360p o 720p directos, o solicita 1080p/4K escalados por Google con una tarifa mayor.
- Recibe video MP4 a 24 fps con una pista de audio AAC.
- Describe diálogo, música o efectos de ambiente en el mismo prompt.
Casos de uso
- Planea una escena de puesto de comida con una frase breve de diálogo y sonidos de cocina.
- Crea una escena vertical de calle lluviosa para redes sociales sin preparar una imagen.
- Explora un concepto de mercado iluminado por faroles en 360p antes de elegir la resolución de entrega.
Guía de prompts y consejos prácticos
- Define primero un entorno concreto, como «un mercado iluminado por faroles después de la lluvia», para situar claramente la acción.
- Asigna al sujeto una tarea fácil de reconocer, como «el cocinero saltea fideos», antes de añadir otro evento.
- Si quieres una vista sin interrupciones, sigue la indicación de Google y añade «en una sola toma continua».
- Escribe entre comillas una frase breve, como “Ready in a minute”, y describe por separado el sonido del entorno.
- Para una escena sin habla, usa la fórmula que sugiere Google, «Sin diálogo»; no existe un campo separado de prompt negativo.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-omni-1.2-flash/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"aspect_ratio": "16:9",
"duration_seconds": 8
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
