Wprowadzenie
Prześlij wymaganą pierwszą klatkę i prompt; opcjonalna ostatnia klatka wyznacza zakończenie i ogranicza klip do 10 sekund.
| Pole | Wartość |
|---|---|
| Wejście | Obraz |
| Wyjście | Wideo |
| Wydawca | |
| Dostępność w Gemini API | Ogólna dostępność od 5 listopada 2026 r., według Google |
| Kod modelu | gemini-omni-1.2-flash |
| Długość generowanego klipu | 3–15 pełnych sekund; domyślnie 8 sekund |
| Długość z ostatnią klatką | 3–10 sekund po podaniu obrazu końcowego |
| Czas edytowanego wideo | Zgodny z długością źródła; materiał po 10 sekundach jest odcinany |
| Rozdzielczości wyjściowe | Google wymienia natywne 360p i 720p; 1080p i 4K skaluje w górę |
| Formaty generowania | 16:9 lub 9:16; domyślnie 16:9 |
| Format wideo i dźwięku | MP4 przy 24 fps ze ścieżką dźwiękową AAC |
| Materiały referencyjne | Do 6 obrazów; do 3 klipów wideo, każdy o długości do 3 sekund |
| Dłuższe klipy z referencji | Google wymienia jedną referencję wideo dla wyników o długości 11–15 sekund |
| Znak wodny | Google dodaje niewidoczny znak wodny SynthID |
| Przechowywanie wygenerowanych filmów | Usuwane po 14 dniach |
Najważniejsze funkcje
Chwila na targu z własnym dźwiękiem
W naszych testach 6-sekundowa scena targowa w 720p pokazała kucharza podrzucającego makaron nad płonącym wokiem i wypowiadającego zamówioną kwestię. Akcji towarzyszyły skwierczenie oleju, deszcz i gwar targu.
Ożyw odpłynięcie łodzi
5-sekundowy przykład z pomostem zaczyna się od jednego nocnego zdjęcia. W naszych testach drewniana motorówka powoli oddalała się od hotelu, a pasażer machał; słychać było silnik, wodę i odległy zespół muzyczny.
Zaplanuj zakończenie ruchu
Pierwszy obraz ze studia i końcowa poza wyznaczają przebieg tej 5-sekundowej animacji. W naszych testach osoba tańcząca przechodziła między dwiema pozami przy spokojnej muzyce fortepianowej i nieruchomej kamerze.
Umieść dwie osoby w scenie kolejowej
W naszych testach dwa portrety referencyjne posłużyły do stworzenia 6-sekundowej sceny w wagonie restauracyjnym. Jedna osoba przesunęła przez stół złożoną kartkę, a druga przeczytała ją i uśmiechnęła się, przy odgłosach pociągu i sztućców.
Przenieś występ na scenę nad jeziorem
W naszych testach edycja zastąpiła szare studio sceną w świetle księżyca obok spowitej mgłą wody. Osoba tańcząca i jej ruchy pozostały w kadrze, a zmieniła się sceneria.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Wymagane instrukcje ruchu. Opisz akcję po pierwszym obrazie, pracę kamery i oczekiwane dźwięki. od 1 znaków · do 20000 znaków |
image_url | Tak | Wymagany URL obrazu otwierającego wygenerowaną scenę. od 1 znaków |
last_image_url | Nie | Opcjonalny URL obrazu końcowego. Po jego podaniu wymagany jest czas 3–10 sekund; dłuższe żądania są odrzucane przed naliczeniem opłaty. od 1 znaków |
aspect_ratio | Nie | Użyj domyślnego 16:9 dla kadru poziomego lub 9:16 dla pionowego. Opcja automatyczna nie jest dostępna; ustawienie nie powoduje dopłaty. |
resolution | Nie | Dostępne rozdzielczości to 360p, domyślne 720p, 1080p i 4K. Google skaluje 1080p i 4K w górę, więc kosztują więcej; 360p/720p wymienia jako natywne. |
duration_seconds | Nie | Pełne sekundy od 3 do 15, domyślnie 8. Gdy podasz |
Cennik
Animacja obrazu jest rozliczana za żądane sekundy według stawki dla wybranej rozdzielczości. Pierwszy i ostatni obraz oraz proporcje nie powodują dopłaty. Nieudane lub odrzucone żądania są bezpłatne, także te z ostatnią klatką na ponad 10 sekund.
| Specyfikacja | Cena |
|---|---|
| $0.0276 / sekundę |
| $0.084 / sekundę |
| $0.126 / sekundę |
| $0.252 / sekundę |
Zastosowania
Scenka targowa z dialogiem
Opisz kucharza, jedną czynność i krótką kwestię w cudzysłowie, a następnie dodaj skwierczenie oleju i odgłosy deszczowego targu.
Przyjazd do hotelu lub wyjazd
Zmień pierwszy obraz pomostu w animację odpływającej łodzi albo dodaj obraz końcowy, gdy masz zaplanowaną ostatnią kompozycję.
Scena z powracającymi postaciami
Użyj portretów referencyjnych, by umieścić dwie znane już postacie w nowej scenerii, na przykład w wagonie restauracyjnym o zmierzchu.
Występ na innej scenie
Poproś tryb video-edit o zmianę studia w scenerię nad jeziorem z zachowaniem nagranego ruchu.
Wskazówki
Dobierz endpoint do materiału wyjściowego
Zacznij od tekstu dla nowej sceny, pierwszego zdjęcia dla animacji, referencji wyznaczających wygląd lub wideo do konkretnej zmiany.
Jasno określ strukturę sceny
Według Google model może domyślnie utworzyć kilka ujęć. Dodaj „bez cięć między scenami”, jeśli chcesz jedno ujęcie, a zamówione kwestie zapisz w cudzysłowie.
Przypisz rolę każdej referencji
Napisz „użyj miejsca z Image 2” lub „ruch jak w Video 1”, aby prompt określał rolę każdego przesłanego materiału.
Oceń mały szkic przed zwiększeniem rozdzielczości
Sprawdź pomysł w 360p przy najniższej oferowanej stawce. Google skaluje 1080p i 4K w górę, a te opcje są droższe.
Skup polecenie edycji na konkretnej zmianie
Google zaleca proste zmiany z dopiskiem „Zachowaj wszystko inne bez zmian”. Przed wysłaniem sprawdź długość źródła: edycja przycina materiał na 10 sekundach.
Wprowadzenie
Tryb obraz na wideo w Gemini Omni 1.2 Flash wprawia pierwszy obraz w ruch. Podaj image_url oraz prompt opisujący akcję po tej klatce. Przykład z pomostem wykorzystuje nocne zdjęcie łodzi jako początek 5-sekundowego odpłynięcia z odgłosami silnika i wody.
Dodaj last_image_url, gdy scena ma mieć zaplanowane zakończenie. Z tym obrazem końcowym dozwolona długość wynosi 3–10 sekund; bez niego wybierz 3–15 sekund. Żądanie z ostatnią klatką na ponad 10 sekund jest odrzucane przed naliczeniem jakiejkolwiek opłaty. W naszych testach dwa obrazy studyjne wyznaczały przejście osoby tańczącej od pierwszej do ostatniej pozy.
Główne funkcje i możliwości
- Użyj przesłanego obrazu jako pierwszej klatki animacji.
- Wyznacz końcową kompozycję opcjonalnym drugim obrazem.
- Generuj dźwięk podczas animacji bez przesyłania ścieżki dźwiękowej.
- Wybierz format poziomy 16:9 lub pionowy 9:16 dla zamawianej sceny.
- Pracuj w 360p lub domyślnym 720p, a także w droższych 1080p i 4K skalowanych w górę przez Google.
Zastosowania
- Ożyw nocne zdjęcie drewnianej łodzi, która odpływa od hotelowego pomostu.
- Połącz dwie pozy studyjne w 5-sekundową sekwencję ze spokojną muzyką fortepianową.
- Zmień zdjęcie produktu w krótką animację z zaplanowaną kompozycją końcową.
Jak pisać prompt i dopracować efekt
- Opisz zmiany po pierwszej klatce, np. „łódź powoli oddala się od pomostu”, zamiast powtarzać każdy widoczny szczegół.
- Przy dwóch obrazach wyjaśnij przejście, np. „płynnie przejdź do końcowej pozy”, i wybierz najwyżej 10 sekund.
- Określ spokojną pracę kamery, np. „nieruchoma kamera”, gdy to ruch w scenie ma budować ujęcie.
- Nazwij oczekiwane odgłosy, np. „niski szum silnika i plusk wody”, ponieważ zdjęcie nie dostarcza dźwięku.
- Poproś o ciągłość krótkim zwrotem, np. „bez cięć między scenami”, zgodnie ze wskazówkami Google dotyczącymi jednego ujęcia.
Szybki start z 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-omni-1.2-flash/image-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 8,
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
