Wprowadzenie
Podaj wymagany prompt i wybierz długość, rozdzielczość oraz format poziomy lub pionowy; wynik zawiera wygenerowany dźwięk.
| 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 | Wymagany opis sceny. Uwzględnij miejsce, akcję i dźwięk; zamówione kwestie zapisz w cudzysłowie. od 1 znaków · do 20000 znaków |
aspect_ratio | Nie | Wybierz poziome 16:9 lub pionowe 9:16; domyślnie używane jest 16:9. Wybór nie powoduje dopłaty. |
resolution | Nie | Wybierz 360p, 720p (domyślnie), 1080p lub 4K. Google wymienia 360p/720p jako natywne; 1080p i 4K skaluje w górę i pobiera za nie wyższą opłatę. |
duration_seconds | Nie | Podaj dowolną liczbę całkowitą od 3 do 15; bez tego ustawienia wybrane zostanie 8 sekund. Rozliczenie opiera się na żądanej długości. |
Cennik
Opłata za generowanie obejmuje żądaną liczbę sekund według stawki dla wybranej rozdzielczości. Proporcje nie zwiększają kosztu. Nieudane próby i odrzucone żądania są bezpłatne.
| 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 tekst na wideo w Gemini Omni 1.2 Flash zaczyna od zapisanego pomysłu. Podaj miejsce, akcję i dźwięki, które mają być słyszalne, a następnie wybierz 3–15 pełnych sekund. Bez ustawienia długości powstanie scena 8-sekundowa. Użyj 16:9 dla kompozycji poziomej lub 9:16 dla pionowej.
Ten endpoint sprawdza się, gdy pomysł nie ma jeszcze obrazu początkowego. W naszych testach prompt o deszczowym targu dał scenę z kucharzem podrzucającym makaron i wypowiadającym zamówioną kwestię, ze skwierczeniem oleju i gwarem w tle. Według Google Omni może opowiedzieć krótką historię w kilku ujęciach, jeśli nie poprosisz o jedno ciągłe ujęcie.
Główne funkcje i możliwości
- Generuj obraz sceny i jej dźwięk razem na podstawie wymaganego promptu tekstowego.
- Ustaw czas w pełnych sekundach: od krótkich, 3-sekundowych szkiców po sceny trwające 15 sekund.
- Wybierz natywne 360p lub 720p albo droższe 1080p/4K skalowane w górę przez Google.
- Otrzymaj wideo MP4 przy 24 fps ze ścieżką dźwiękową AAC.
- Opisz kwestie mówione, muzykę lub odgłosy otoczenia w tym samym prompcie.
Zastosowania
- Zaplanuj scenkę przy stoisku z jedzeniem z krótkim dialogiem i odgłosami gotowania.
- Stwórz pionową scenę deszczowej ulicy do publikacji w mediach społecznościowych bez przygotowywania zdjęcia.
- Sprawdź koncepcję targu oświetlonego lampionami w 360p, zanim wybierzesz rozdzielczość końcową.
Jak pisać prompt i dopracować efekt
- Najpierw określ konkretne otoczenie, np. „targ oświetlony lampionami po deszczu”, aby akcja miała wyraźne miejsce.
- Przypisz postaci jedną czytelną czynność, np. „kucharz podrzuca makaron”, zanim dodasz kolejne zdarzenie.
- Aby zachować ciągłość obrazu, zgodnie z poradą Google dopisz „w jednym ciągłym ujęciu”.
- Wpisz krótką kwestię w cudzysłowie, np. „Ready in a minute”, a otaczające dźwięki opisz osobno.
- Dla sceny bez mowy użyj sugerowanego przez Google sformułowania „Bez dialogu”; nie ma osobnego pola na prompt negatywny.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/gemini-omni-1.2-flash/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"aspect_ratio": "16:9",
"duration_seconds": 8
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
