Wprowadzenie
Wymagany prompt i co najmniej jedna referencja obrazowa lub wideo wyznaczają nowe nagranie trwające 3–15 sekund z nowo wygenerowanym dźwiękiem.
| Pole | Wartość |
|---|---|
| Wejście | Tekst |
| 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. Wyjaśnij, co wykorzystać z każdego ponumerowanego obrazu lub filmu, a następnie opisz nową akcję i dźwięk. od 1 znaków · do 20000 znaków |
reference_image_urls | Nie | Do 6 adresów URL obrazów. Prześlij obrazy, referencje wideo lub oba rodzaje materiałów. od 1 elementów · do 6 elementów |
reference_video_urls | Nie | Do 3 adresów URL wideo, każdy klip do 3 sekund. Wyznaczają wygląd i ruch; ich dźwięk jest pomijany. od 1 elementów · do 3 elementów |
aspect_ratio | Nie | Domyślny format to poziome 16:9; dostępne jest też pionowe 9:16. Kadrowanie nie zwiększa opłaty. |
resolution | Nie | Wybierz natywne 360p lub 720p (domyślnie) albo 1080p/4K. Opcje 1080p i 4K są skalowane w górę przez Google i wiążą się z wyższym kosztem. |
duration_seconds | Nie | Wybierz 3–15 pełnych sekund; domyślnie 8. Dla 11–15 sekund stosuj zalecenie Google dotyczące jednej referencji wideo. |
Cennik
Generowanie z referencji jest rozliczane za żądane sekundy wyniku według stawki dla wybranej rozdzielczości. Liczba obrazów, klipy referencyjne i proporcje nie powodują dopłaty. Gdy żądanie z referencjami nie powiedzie się lub Google je odrzuci, nie płacisz.
| 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 referencje na wideo w Gemini Omni 1.2 Flash buduje nową scenę na podstawie przesłanych wskazówek wizualnych. Podaj prompt oraz co najmniej jedno z pól reference_image_urls lub reference_video_urls. Obrazy określają osoby, przedmioty lub miejsca; krótkie klipy określają wygląd i ruch. Ścieżka dźwiękowa referencji jest pomijana.
Według Google wersja 1.2 poprawia spójność przy użyciu do sześciu obrazów referencyjnych; zalecane są do trzech zdjęć na postać dla maksymalnie dwóch postaci. Referencje wideo mogą obejmować do trzech klipów, każdy o długości do trzech sekund. Dla wyniku 11–15 sekund Google wymienia jeden klip referencyjny; w naszych testach ukończono też 11-sekundowy wynik z dwoma klipami. Planując długą scenę, stosuj podane zalecenia.
Główne funkcje i możliwości
- Łącz referencje obrazowe i wideo w jednym żądaniu generowania.
- Przypisz role wizualne nawet sześciu przesłanym obrazom.
- Wyznacz ruch lub wygląd za pomocą do trzech klipów referencyjnych, z uwzględnieniem zaleceń Google dla dłuższych wyników.
- Nazywaj materiały zwykłymi słowami, używając Image 1 lub Video 1 zgodnie z kolejnością przesyłania.
- Generuj nową ścieżkę dźwiękową wraz ze sceną; dźwięk nagrań referencyjnych jest pomijany.
Zastosowania
- Umieść dwie osoby z referencji w wagonie restauracyjnym na czas krótkiej wymiany.
- Przenieś produkt ze zdjęcia referencyjnego do nowo opisanego miejsca.
- Użyj krótkiej referencji ruchu, by wyznaczyć ruch w nowej scenie targowej.
Jak pisać prompt i dopracować efekt
- Przypisz każdej osobie wyraźne źródło, np. „podróżny z Image 1”, zgodnie z kolejnością przesyłania.
- Wyjaśnij, co wyznacza każde wideo, np. „ruch jak w Video 1”, zamiast pozostawiać jego rolę domysłom.
- Opisz interakcję osobno od wyglądu, np. „przesuń złożoną kartkę przez stół”, aby określić nowe zdarzenie.
- Zastosuj zalecenia Google dotyczące postaci, np. „użyj obrazów 1–3 dla pierwszej postaci”, nie przekraczając łącznie sześciu obrazów.
- Opisz nowe dźwięki, np. „miarowy rytm pociągu i brzęk sztućców”, ponieważ dźwięk klipów referencyjnych jest pomijany.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-omni-1.2-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 8,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
