Google は 1.2 で何を変更しましたか？

Google によると、1.2 ではクリップの長さが 10 秒から 15 秒に伸び、最大 6 枚の参照画像を使う際のキャラクターや被写体の一貫性が向上しています。動画出力の値下げと、有料枠のレート制限の倍増も発表されています。このページでは、当社の 1.1 ページの選択肢に 360p の下書きと動画編集を加えています。

Gemini Omni 1.1 Flash へのリクエストはどうなりますか？

Google は 2026 年 12 月 3 日に、Gemini Omni 1.1 Flash へのすべてのリクエストをバージョン 1.2 に移行します。新しいプロジェクトは、このページから始めることをおすすめします。

1080p と 4K はモデルから直接出力されますか？

Google の案内では、360p と 720p はネイティブ出力で、1080p と 4K はアップスケールです。アップスケールの選択肢は料金が高くなります。当社のテストで確認した 16:9 のファイルサイズは、360p が 640x360、720p が 1280x720、1080p が 1920x1080 でした。

生成するクリップにはどのくらいの動きを収められますか？

長さは 3–15 秒の整数で指定でき、省略すると 8 秒になります。終了フレームを使う画像から動画では 3–10 秒に限られ、それより長いリクエストは課金前に拒否されます。編集では元動画の長さに従い、10 秒の位置でカットされます。

参照画像や参照動画はどう指定しますか？

アップロード順に「Image 1 の人物」「Video 1 のように動く」など、通常の文章で指定してください。画像は最大 6 枚、動画は各 3 秒で最大 3 本まで追加できます。Google は最大 2 人のキャラクターについて、1 人あたり最大 3 枚の画像を推奨しています。11–15 秒の出力では参照動画 1 本と案内していますが、当社のテストでは参照動画 2 本を使った 11 秒のリクエストも実行できました。参照動画の音声は使われず、Google は従来の制御タグを非推奨としています。

動画編集の料金はどの長さで決まりますか？

編集では元動画の秒数の端数を切り上げ、最低 3 秒、最大 10 秒として課金します。単価は解像度で決まり、生成よりも編集のほうが高くなります。10 秒を超える元動画はその位置でカットされます。当社のテストでは、12 秒の入力に対して 10.03 秒の動画が返りました。失敗または拒否となったリクエストに料金は発生しません。

公開直後にタスクの完了が遅れることがあるのはなぜですか？

当社のテストでは、公開当日の混雑でGoogle 側から一時的な処理失敗が返り、その後の試行で成功する場合がありました。SpicyAPI はこのような失敗を自動で再試行するため、タスクの完了まで数分長くかかることがあります。失敗した試行には課金されません。

Gemini Omni 1.2 Flash の NSFW ルールはどうなっていますか？

Google は利用ポリシーに基づいてプロンプトと生成動画をフィルタリングし、成人向けコンテンツを拒否します。このフィルタによって拒否されたリクエストは課金対象になりません。

Gemini Omni 1.2 Flash API：料金・NSFW ルール・15 秒動画

google/gemini-omni-1.2-flash/text-to-video

場所、動作、音の指示を書き、入力画像を使わずに 3–15 秒の Gemini Omni 1.2 Flash のシーンを生成できます。

最低価格 $0.028/秒

モデルを実行 API を見る

入力

テキストから動画

プロンプト294/20000

アスペクト比

解像度料金に影響

長さ料金に影響

セーフティチェックオフ

SpicyAPI はこのモデルにセーフティチェックをかけません。プロンプトと素材はそのままモデルに渡り、出力はモデル自身が決めます。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち

サンプル出力

延長

動画編集

動画アップスケール

{
  "model": "google/gemini-omni-1.2-flash/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "duration_seconds": 6,
    "prompt": "In a single continuous handheld shot, a street cook in her fifties tosses noodles in a flaming wok at a rain-wet night market, steam rolling past paper lanterns. She looks up at the camera and says, \"Two minutes, no rushing.\" Sound design: sizzling oil, rain on canvas awnings, distant chatter."
  }
}

はじめに

必須のプロンプトを入力し、長さ、出力解像度、横長か縦長かを選びます。生成結果には音声も含まれます。

Gemini Omni 1.2 Flash · Text to Video の仕様
項目	値
入力	テキスト
出力	動画
提供元	Google
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

Gemini Omni 1.2 Flash · Text to Video のリクエストパラメーター
パラメーター	必須	説明
`prompt`	はい	シーンの説明は必須です。場所、動作、音の指示を含め、話してほしい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	横長の 16:9 または縦長の 9:16 を選べます。既定は 16:9 で、選択による追加料金はありません。 `16:9` · `9:16` · デフォルト値: `16:9`
`resolution`	いいえ	360p、720p（既定）、1080p、4K から選びます。Google の案内では 360p/720p がネイティブ出力です。 `360p` · `720p` · `1080p` · `4k` · デフォルト値: `720p`
`duration_seconds`	いいえ	3–15 の整数で指定します。省略時は 8 秒になり、課金にはこの指定時間を使います。 `3–15` · デフォルト値: `8`

料金

生成料金は、指定した秒数と選択した解像度の単価で計算します。アスペクト比による追加料金はなく、失敗した試行や拒否されたリクエストも課金対象外です。

料金
仕様	料金
`360p`	$0.0276 / 秒
`720p`	$0.084 / 秒
`1080p`	$0.126 / 秒
`4k`	$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 のテキストから動画は、文章で表したアイデアから始まります。場所、動作、聞こえる音を伝え、3–15 秒を整数で選んでください。長さを省略すると 8 秒のシーンになります。横長の構図は 16:9、縦長は 9:16 を使います。

元になる画像がないアイデアに適しています。当社のテストでは、雨の市場のプロンプトから、料理人が麺をあおって指定のセリフを話す映像ができ、油のはぜる音や周囲のざわめきも付きました。Google によると、連続したショットを指定しなければ、Omni は複数のショットで短い物語を組み立てる場合があります。

主な機能と特徴

必須のテキストプロンプトから、シーンの映像と音を一緒に生成します。
3 秒の短い下書きから 15 秒のシーンまで、長さを整数秒で指定できます。
ネイティブ出力の 360p または 720p と、より高い単価で Google がアップスケールする 1080p/4K を選べます。
AAC 音声トラックを含む 24 fps の MP4 動画を受け取れます。
セリフ、音楽、環境音の効果を同じプロンプトに記述できます。

活用例

短いセリフと調理音のある屋台のシーンを計画できます。
静止画を用意せずに、投稿用の縦長の雨の街路シーンを作れます。
納品時の解像度を決める前に、提灯が照らす市場の案を 360p で試せます。

プロンプトの書き方とコツ

「雨上がりの提灯が灯る市場」など、動きの舞台が伝わる具体的な場所から書き始めてください。
「料理人が麺をあおる」など、被写体のわかりやすい動作を一つ示してから、次の出来事を加えてください。
途切れない映像にしたい場合は、Google の案内に従い「in a single continuous shot」を加えてください。
「Ready in a minute」のような短いセリフは引用符で囲み、周囲の音は別に説明してください。
セリフのないシーンには Google が勧める「No dialogue」を使ってください。ネガティブプロンプト専用の項目はありません。

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/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。

文章からシーンを作り、静止画を動かし、参照素材を組み合わせ、短い元動画を変更できます。生成音声付きで、360p の下書きから Google がアップスケールする 4K まで選べます。

主なスペック

生成できる最長時間: 15 秒; 3–15 秒を整数で選べます。終了フレームを使う場合は 10 秒までです。
4 種類の出力解像度: 360P–4K; Google は 360p/720p を直接出力し、1080p/4K をアップスケールします。後者は単価が高くなります。
参照画像の枠数: 6; Google は 2 人のキャラクターそれぞれに最大 3 枚の画像を勧めています。
参照動画の枠数: 3; 各クリップは 3 秒までです。Google は 11–15 秒の出力には 1 本と案内しています。
映像と音を同時に生成: 音声; どの解像度でも、MP4 の生成結果に AAC 音声トラックが含まれます。
既存の映像を変更: 編集; 元動画と変更指示を送信します。映像は 10 秒の位置でカットされます。

課金前に知っておくこと

すべてのモード

Google では新規生成の長さを 3–15 秒の整数に制限しており、省略時は 8 秒になります。
生成のアスペクト比は 16:9 と 9:16 に限られます。動画編集にはアスペクト比の設定がありません。
シードやネガティブプロンプトの項目はありません。Google は除外したい内容もプロンプトに書く方法を勧めています。
このモデルでは、Google は音声入力や音声編集に対応していません。
このページでは動画延長や複数ターンの編集を提供していません。
残したい動画は 14 日以内にダウンロードしてください。生成動画はその後削除されます。
Google はプロンプトと生成動画に安全性フィルタを適用し、特定の識別可能な人物が写るアップロードを制限しています。出力には不可視の SynthID 透かしが入ります。

画像から動画

任意の終了画像を追加すると、指定できる長さは 3–10 秒になります。この範囲を超えるリクエストは課金前に拒否されます。

動画編集

元動画は 10 秒の位置でカットされ、出力の長さは残った映像に従います。

参照素材から動画

参照画像は最大 6 枚、参照動画は最大 3 本まで受け付けます。各参照動画は 3 秒以内で、音声は使われません。Google は 11–15 秒の生成では参照動画 1 本と案内しています。