はじめに
必須のプロンプトと、少なくとも一つの参照画像または参照動画から、新たな音声を伴う 3–15 秒の映像を生成します。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 動画 |
| 提供元 | |
| Gemini API の提供状況 | Google の発表では 2026 年 11 月 5 日から一般提供 |
| モデルコード | gemini-omni-1.2-flash |
| 生成する長さ | 3–15 秒を整数で指定。既定は 8 秒 |
| 終了フレーム指定時の長さ | 終了画像を渡す場合は 3–10 秒 |
| 編集時の長さ | 元動画の長さに従い、10 秒を超える部分はカット |
| 出力解像度 | Google の案内では 360p と 720p がネイティブ出力。1080p と 4K は Google によるアップスケール |
| 生成時のアスペクト比 | 16:9 または 9:16。既定は 16:9 |
| 映像と音声の形式 | AAC 音声トラックを含む 24 fps の MP4 |
| 参照素材 | 画像は最大 6 枚。動画は各 3 秒以内で最大 3 本 |
| 長い動画を生成する場合の参照 | Google は 11–15 秒の生成時に参照動画 1 本と案内 |
| 透かし | Google が不可視の SynthID 透かしを付与 |
| 生成動画の保存期間 | 14 日後に削除 |
主な機能とハイライト
音まで描く市場のひとこま
当社のテストでは、6 秒・720p の市場シーンで、料理人が炎の上の中華鍋で麺をあおり、指定したセリフを話しました。油のはぜる音、雨音、市場のざわめきも動きに重なりました。
船が桟橋を離れる瞬間を動かす
5 秒の桟橋の作例は、夜の静止画 1 枚から始まります。当社のテストでは、乗客が見送りに応える中、木製のスピードボートがホテルをゆっくり離れました。エンジン音と水音に、遠くのバンド演奏も加わりました。
動きの終着点を決める
開始時のスタジオ画像と終了時のポーズで、5 秒のアニメーションを導きます。当社のテストでは、カメラを固定したまま、ダンサーが穏やかなピアノに合わせて二つのポーズの間を動きました。
2 人を列車のシーンに登場させる
当社のテストでは、2 枚の人物写真から 6 秒の食堂車のシーンができました。旅行者の一人が折りたたんだメモをテーブル越しに渡し、もう一人が読んでほほえみました。列車の走行音と食器の音も流れました。
演技の舞台を湖畔へ移す
当社のテストでは、灰色のスタジオが、霧のかかる水辺の月明かりに照らされた舞台へ変わりました。ダンサーと動きは残り、背景が置き換わりました。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | 必須です。番号付きの画像や動画から何を使うかを説明し、新しい動作と音を記述してください。 1 文字以上 · 20000 文字以内 |
reference_image_urls | いいえ | 画像 URL は最大 6 件です。画像、参照動画、または両方を渡してください。 1 件以上 · 6 件以内 |
reference_video_urls | いいえ | 動画 URL は最大 3 件で、各クリップは 3 秒までです。見た目と動きの指定に使われ、音声は無視されます。 1 件以上 · 3 件以内 |
aspect_ratio | いいえ | 既定は横長の 16:9 で、縦長の 9:16 も利用できます。構図の選択による追加料金は発生しません。 |
resolution | いいえ | ネイティブ出力の 360p または 720p（既定）、あるいは 1080p/4K を選びます。1080p と 4K は Google がアップスケールするため、単価が高くなります。 |
duration_seconds | いいえ | 3–15 秒を整数で選びます。既定は 8 秒です。 |
料金
参照から動画では、指定した出力秒数と選択した解像度の単価で課金します。画像枚数、参照クリップ、アスペクト比による追加料金はありません。失敗した試行も拒否されたリクエストも課金対象外です。
| 仕様 | 料金 |
|---|---|
| $0.0276 / 秒 |
| $0.084 / 秒 |
| $0.126 / 秒 |
| $0.252 / 秒 |
ユースケース
セリフのある市場の短いシーン
料理人、一つの動作、引用符で囲んだ短いセリフを書き、油のはぜる音や雨の市場の環境音も指定してください。
ホテルへの到着や出発
開始フレームに桟橋の画像を使って船の出発を描き、最後の構図が決まっている場合は終了画像も追加してください。
同じキャラクターの新たな場面
人物写真を参照し、設定済みの 2 人を夕暮れの食堂車などの新しい場所に登場させてください。
演技に別の舞台を用意
動画編集で、撮影済みの動きを残しながら、スタジオを湖畔の風景に変えるよう指示してください。
プロンプトガイドと実践のヒント
手元の素材に合うエンドポイントを選ぶ
新しいシーンなら文章、静止画を動かすなら開始フレーム、見た目を指定するなら参照素材、部分的な変更なら元動画から始めてください。
シーンの構成をはっきり伝える
Google によると、指定がなければ複数のショットが作られることがあります。ワンテイクにしたい場合は「no scene cuts」を加え、話してほしいセリフは引用符で囲んでください。
参照素材ごとの役割を指定する
「Image 2 の場所を使う」「Video 1 のように動く」と書き、アップロードした各素材の用途をプロンプトで伝えてください。
解像度を上げる前に小さい下書きを確認する
提供中で最も低い単価の 360p でアイデアを試してください。1080p と 4K は Google がアップスケールするため、料金が高くなります。
編集指示は変更点を絞る
Google は、単純な変更指示の後に「Keep everything else the same.」を加えることを推奨しています。編集では 10 秒でカットされるため、送信前に元動画の長さを確認してください。
概要
Gemini Omni 1.2 Flash の参照から動画は、アップロードした視覚素材を手がかりに新しいシーンを作ります。prompt と、reference_image_urls または reference_video_urls の少なくとも一方を渡してください。画像は人物、物、場所の指定に、短いクリップは見た目や動きの指定に使えます。参照素材の音声は使われません。
Google によると、1.2 では最大 6 枚の参照画像を使った際の一貫性が向上しています。最大 2 人のキャラクターについて、1 人あたり最大 3 枚の画像が推奨されています。参照動画は各 3 秒以内で最大 3 本です。11–15 秒の結果については参照クリップ 1 本と案内されていますが、当社のテストでは 2 本のクリップを使った 11 秒の出力も完了しました。長いシーンを計画する際は、公表されている案内に従ってください。
主な機能と特徴
- 同じ生成リクエストに参照画像と参照動画を組み合わせられます。
- アップロードした最大 6 枚の画像に、それぞれ映像内での役割を割り当てられます。
- Google の長い出力に関する案内に従い、最大 3 本の参照クリップで動きや見た目を指定できます。
- アップロード順に Image 1 や Video 1 と呼び、通常の文章で各素材を指定します。
- シーンとともに新たな音声トラックを生成し、参照映像の音声は使いません。
活用例
- 参照した 2 人の旅行者を列車の食堂車に置き、短いやりとりを描けます。
- 参照写真の商品を、新たに記述した場所に登場させられます。
- 短い動作の参照動画を使い、新しい市場シーンの動きを指定できます。
プロンプトの書き方とコツ
- 「Image 1 の旅行者」など、アップロード順を使って各人物の参照元を明確にしてください。
- 動画の用途を暗黙にせず、「Video 1 のように動く」といった言葉で何を参照するかを説明してください。
- 新たな出来事を決めるために、「折りたたんだメモをテーブル越しに滑らせる」など、見た目とは別にやりとりを記述してください。
- Google のキャラクターに関する案内に従い、「最初のキャラクターには Images 1–3 を使う」のように指定し、画像は合計 6 枚以内に収めてください。
- 参照クリップの音声は使われないため、「規則的な列車の走行音と食器の触れ合う音」など、新しい音を記述してください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-omni-1.2-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 8,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
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。
