Introduction
Un prompt obligatoire et au moins une image ou vidéo de référence guident une nouvelle séquence de 3–15 secondes avec un son nouvellement généré.
| Champ | Valeur |
|---|---|
| Entrée | Texte |
| Sortie | Vidéo |
| Éditeur | |
| Disponibilité dans Gemini API | Disponibilité générale depuis le 5 novembre 2026, selon Google |
| Code du modèle | gemini-omni-1.2-flash |
| Durée de génération | 3–15 secondes entières ; 8 secondes par défaut |
| Durée avec dernière image | 3–10 secondes lorsqu’une dernière image est fournie |
| Durée de modification | Suit la durée de la source ; la séquence est coupée au-delà de 10 secondes |
| Résolutions de sortie | Google indique des sorties directes en 360p et 720p ; le 1080p et la 4K sont agrandis par Google |
| Formats de génération | 16:9 ou 9:16 ; 16:9 par défaut |
| Format vidéo et audio | MP4 à 24 fps avec une piste audio AAC |
| Références en entrée | Jusqu’à 6 images ; jusqu’à 3 clips vidéo de 3 secondes au plus chacun |
| Sorties longues avec références | Google indique une référence vidéo pour les sorties de 11–15 secondes |
| Filigrane | Google ajoute un filigrane SynthID invisible |
| Conservation des vidéos générées | Suppression après 14 jours |
Fonctionnalités et points forts
Un instant de marché avec son ambiance sonore
Dans nos tests, la scène de marché de 6 secondes en 720p montrait un cuisinier faisant sauter des nouilles dans un wok en flammes et prononçant la réplique demandée. Le crépitement de l’huile, la pluie et les conversations du marché accompagnaient l’action.
Animez le départ d’un bateau
L’exemple du ponton, d’une durée de 5 secondes, part d’une seule image nocturne. Dans nos tests, le bateau à moteur en bois s’éloignait doucement de l’hôtel tandis que son passager faisait signe, sur fond de moteur, d’eau et de musique jouée au loin.
Prévoyez la fin du mouvement
Une première image en studio et une pose finale guident cette animation de 5 secondes. Dans nos tests, la danseuse passait d’une pose à l’autre sur un piano doux, avec une caméra fixe.
Réunissez deux personnes dans un décor ferroviaire
Dans nos tests, deux portraits de référence ont donné une scène de 6 secondes dans un wagon-restaurant. Un voyageur faisait passer un billet plié sur la table ; l’autre le lisait et souriait, au rythme du train et des bruits de couverts.
Transportez la danse sur une scène au bord d’un lac
Dans nos tests, la modification a remplacé le studio gris par une scène éclairée par la lune au bord d’une eau brumeuse. La danseuse et ses mouvements restaient dans la scène tandis que le décor changeait.
Paramètres de requête
| Paramètre | Obligatoire | Description |
|---|---|---|
prompt | Oui | Obligatoire. Expliquez les éléments à reprendre de chaque image ou vidéo numérotée, puis décrivez la nouvelle action et le son. 1 caractères minimum · 20000 caractères maximum |
reference_image_urls | Non | Jusqu’à 6 URL d’images. Fournissez des images, des références vidéo ou les deux. 1 éléments minimum · 6 éléments maximum |
reference_video_urls | Non | Jusqu’à 3 URL de vidéos, chaque clip durant 3 secondes au plus. Elles guident le rendu et le mouvement ; leur audio est ignoré. 1 éléments minimum · 3 éléments maximum |
aspect_ratio | Non | Le format par défaut est le paysage 16:9 ; le vertical 9:16 est aussi proposé. Le cadrage n’entraîne aucuns frais supplémentaires. |
resolution | Non | Sélectionnez une sortie directe en 360p ou 720p (par défaut), ou choisissez le 1080p/4K. Les options 1080p et 4K sont agrandies par Google et coûtent davantage. |
duration_seconds | Non | Choisissez 3–15 secondes entières ; 8 par défaut. Pour 11–15 secondes, suivez la recommandation de Google d’une seule référence vidéo. |
Tarification
La génération avec références facture les secondes de sortie demandées au tarif de la résolution sélectionnée. Le nombre d’images, les clips de référence et le format n’ajoutent aucuns frais. Une demande avec références échouée ou refusée par Google ne coûte rien.
| Spécification | Prix |
|---|---|
| $0.0276 / seconde |
| $0.084 / seconde |
| $0.126 / seconde |
| $0.252 / seconde |
Cas d’utilisation
Une courte scène de marché avec dialogue
Décrivez un cuisinier, une action et une courte réplique entre guillemets, puis demandez le crépitement de l’huile et l’ambiance d’un marché sous la pluie.
Une arrivée ou un départ à l’hôtel
Animez une première image de ponton pour montrer le départ d’un bateau, ou ajoutez une dernière image si la composition finale est déjà prévue.
Une scène avec des personnages récurrents
Appuyez-vous sur des portraits de référence pour placer deux personnes déjà définies dans un nouveau décor, par exemple un wagon-restaurant au crépuscule.
Un autre décor pour une prestation
Demandez au mode video-edit de transformer un studio en décor au bord d’un lac tout en conservant le mouvement enregistré.
Guide de prompt et conseils pratiques
Choisissez l’endpoint selon votre point de départ
Partez d’un texte pour une nouvelle scène, d’une première image pour une animation, de références pour guider le visuel ou d’une vidéo pour une modification ciblée.
Précisez la structure de la scène
Google indique que le modèle peut créer plusieurs plans par défaut. Ajoutez « sans coupes » pour obtenir une seule prise, et placez les paroles demandées entre guillemets.
Donnez un rôle à chaque référence
Écrivez « utiliser le lieu dans Image 2 » ou « bouger comme Video 1 » pour que le prompt précise le rôle de chaque fichier envoyé.
Évaluez un brouillon avant d’augmenter la résolution
Explorez une idée en 360p au tarif le plus bas proposé. Le 1080p et la 4K sont agrandis par Google et coûtent davantage.
Ciblez la consigne de modification
Google recommande des changements simples suivis de « Conserver tout le reste à l’identique. » Vérifiez la durée de la source avant l’envoi : la modification coupe la séquence à 10 secondes.
Présentation
Le mode référence vers vidéo de Gemini Omni 1.2 Flash construit une nouvelle scène à partir de repères visuels envoyés. Fournissez un prompt et au moins un des paramètres reference_image_urls ou reference_video_urls. Les images guident les personnes, les objets ou les lieux ; les clips courts guident le rendu et le mouvement. La bande sonore des références est ignorée.
Selon Google, la version 1.2 améliore la cohérence sur six images de référence au plus, avec une recommandation de trois images au plus par personnage, pour deux personnages au maximum. Les références vidéo peuvent comprendre jusqu’à trois clips de trois secondes chacun au plus. Pour un résultat de 11–15 secondes, Google indique un clip de référence ; dans nos tests, une sortie de 11 secondes avec deux clips a aussi abouti. Appuyez-vous sur les recommandations indiquées pour préparer une scène longue.
Fonctionnalités et points clés
- Associez des références images et vidéos dans une même requête de génération.
- Attribuez des rôles visuels à six images envoyées au plus.
- Guidez le mouvement ou le rendu avec jusqu’à trois clips de référence, sous réserve des recommandations de Google pour les sorties longues.
- Désignez chaque fichier en langage courant, avec Image 1 ou Video 1 selon l’ordre d’envoi.
- Générez une nouvelle piste audio avec la scène ; l’audio des vidéos de référence est ignoré.
Cas d’usage
- Placez deux voyageurs issus des références dans un wagon-restaurant pour un bref échange.
- Reprenez un produit de sa photo de référence dans un lieu nouvellement décrit.
- Utilisez une courte référence de mouvement pour guider l’action d’une nouvelle scène de marché.
Guide du prompt et conseils pratiques
- Associez chaque personne à une source précise, par exemple « le voyageur dans Image 1 », en suivant l’ordre d’envoi.
- Expliquez ce que guide chaque vidéo, comme « bouger comme Video 1 », sans laisser son rôle implicite.
- Décrivez l’interaction séparément de l’apparence, par exemple « faire glisser un billet plié sur la table », pour définir le nouvel événement.
- Suivez les recommandations de Google sur les personnages avec une phrase telle qu’« utiliser les images 1–3 pour le premier personnage », sans dépasser six images au total.
- Décrivez de nouveaux sons, par exemple « le rythme régulier du train et le tintement des couverts », puisque l’audio des clips de référence est ignoré.
Démarrage rapide de l’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"
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.
