はじめに
Gemini Omni 1.1 Flash のテキストから動画：プロンプトを入れると、音声付きの 4〜10 秒クリップが返ります。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 動画 |
| 提供元 | |
| 長さ | 4、6、8、10 秒 |
| 解像度 | 720p がネイティブ。1080p と 4K は Google がアップスケール |
| アスペクト比 | 16:9、9:16 |
| フレームレート | 24 fps |
| 音声 | すべてのクリップに生成 |
主な機能とハイライト
7 つの参照スロット、すべてが効く
画像 1 はデニムジャケットの男性、画像 2 は天文台の写真で、望遠鏡のそばに女性がいました。プロンプトでは、男性が天文台まで歩いて手を振るように指定しました。男性は顔とジャケットを保ったまま、そのとおりに動きました。画像 2 の女性も、彼の後ろの望遠鏡のそばに現れました。ショットに入れたいものに合わせて、各参照を切り抜いてください。4K（3840x2160）でレンダーし、ここでは 1080p で表示しています。
より長いクリップ、そしてモデルが選ぶカット
天文台のプロンプトから作った 8 秒の 9:16 のクリップです。ドームの二つの半分が滑り開いて真鍮の望遠鏡と明かりの点いた操作卓が見え、約 6 秒のところでモデルは、星空を背景にした望遠鏡の外側からのアングルにカットしました。カットを入れたくない場合は「one continuous shot」と書いてください。
終了フレームに正確に着地
Veo 3.1 の段階に送ったのと同じ開始・終了フレームです。4 秒、720p で、彼女は望遠鏡から振り向いてカメラに向き、腕を組んで、最後のフレームのように手すりにもたれて終わりました。
人物写真が一つのシーンになる
一枚のスタジオの人物写真と、「At dusk the woman from the reference walks toward the camera and smiles.」というプロンプト。Omni は、写真のままの髪、コーデュロイのジャケット、タートルネックで、彼女を夕暮れの静かな通りに立たせ、カメラに向かって歩いて微笑むところを 4 秒、720p で作りました。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | 必須で、最大 20,000 文字です。被写体、動き、カメラ、音を書き、セリフは引用符で囲んでください。 1 文字以上 · 20000 文字以内 |
aspect_ratio | いいえ | 16:9（既定）または 9:16。料金は変わりません。 |
resolution | いいえ | 720p（既定）がモデルのネイティブ出力です。1080p と 4K は Google によるアップスケールで、料金が上がります。 |
duration_seconds | いいえ | 4・6・8・10 秒（既定は 8）。長いクリップほど料金が上がります。 |
seed | いいえ | Omni のショットを比較するときは 0〜2147483647 の整数を指定し、シーンの設定を一つずつ変えます。seed を固定しても同じフレームになる保証はありません。 |
料金
クリップ単位で、長さ（4・6・8・10 秒）と解像度によって課金されます。1080p と 4K は 720p より高くなります。アスペクト比とシードは料金に影響しません。失敗または拒否されたリクエストは課金されません。
| 解像度 | 長さ: 4 | 長さ: 6 | 長さ: 8 | 長さ: 10 |
|---|---|---|---|---|
| $0.3648 / リクエスト | $0.5473 / リクエスト | $0.7297 / リクエスト | $0.9122 / リクエスト |
| $0.5473 / リクエスト | $0.821 / リクエスト | $1.0946 / リクエスト | $1.3683 / リクエスト |
| $1.0946 / リクエスト | $1.642 / リクエスト | $2.1893 / リクエスト | $2.7367 / リクエスト |
ユースケース
Google の現在の動画モデルで新規プロジェクト
Google は新しい用途に Veo 3.1 ではなく Gemini Omni Flash を推奨しています。クリップは 10 秒まで伸びるので、Veo で 8 秒のクリップと延長を組み合わせていた作業が、一度のリクエストで済みます。
複数の素材を使う広告と商品カット
商品、人物、場所をそれぞれ別の参照として最大 7 枚まで送り、プロンプトでは「Image 1」「Image 2」などと呼んでください。
1080p または 4K での納品
720p で下書きし、残すバージョンを 1080p か 4K でレンダーします。どちらも 720p の出力から Google がアップスケールしたものなので、まず 720p で動きを確認してください。
セットの静止画で終わる必要があるショット
画像から動画で開始フレームと任意の終了フレームを渡せます。1 ショットあたり最大 10 秒です。
プロンプトガイドと実践のヒント
参照に番号を付けて指す
アップロードの順番どおりに「Image 1 の男性」「Image 2 の天文台」と書いてください。参照に写っているものはどれも現れる可能性があるので、要らないものは切り抜いてください。
カットの有無を指定する
長いクリップでは、モデルが自分で新しいアングルにカットすることがあります。一つの連続したショットにしたい場合は「one continuous shot」を加えるか、欲しいショットを書いてください。
音を説明する
プロンプトの最後に「Sound: footsteps on gravel」のような一行を加え、話す言葉は引用符で囲んでください。音声はすべての解像度に含まれます。
下書きは 720p、納品は 4K
720p の 4 秒の下書きは $0.3648、同じクリップの 4K は $1.0946 です。まずプロンプトを直してから、解像度に一度だけ払ってください。
概要
Gemini Omni 1.1 Flash テキストから動画 は、文章で書いたシーンを 4・6・8・10 秒のクリップにします。音声は映像と同時に生成されます。720p、1080p、4K と、16:9 か 9:16 を選べます。Google は生成前にプロンプトと画像を確認します。拒否されたリクエストは失敗となり、課金されません。
Gemini Omni 1.1 Flash のモードを選ぶ
| 手元にあるもの | モード |
|---|---|
| 文章で書いたシーン | Gemini Omni 1.1 Flash テキストから動画 (現在のページ) |
| 最初のフレーム（任意で最後のフレーム） | Gemini Omni 1.1 Flash 画像から動画 |
| 残したい人物・商品・場所の写真 | Gemini Omni 1.1 Flash 参照画像から動画 |
プロンプトのコツ
- 起きる順に書きます。場所と光、被写体、動き、カメラワーク、音の順です。
- セリフは引用符で囲みます。複数のショットにするなら、[0-3s] のように時間の範囲を付けてください。
- 720p・4 秒で試してから、必要な長さと解像度で本番を生成してください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-omni-1.1-flash/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"aspect_ratio": "16:9",
"duration_seconds": 8
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。
