Introdução
Um prompt obrigatório e pelo menos uma referência de imagem ou vídeo orientam 3–15 segundos de vídeo novo, com som gerado para a cena.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Saída | Vídeo |
| Publicação | |
| Disponibilidade na Gemini API | Disponível para uso geral desde 5 de novembro de 2026, segundo o Google |
| Código do modelo | gemini-omni-1.2-flash |
| Duração da geração | 3–15 segundos inteiros; 8 segundos por padrão |
| Duração com quadro final | 3–10 segundos quando você envia uma imagem final |
| Duração da edição | Acompanha a duração original; o trecho após 10 segundos é cortado |
| Resoluções de saída | O Google informa saída direta em 360p e 720p; 1080p e 4K são ampliados pelo Google |
| Formatos de geração | 16:9 ou 9:16; padrão 16:9 |
| Formato de vídeo e áudio | MP4 a 24 fps com uma faixa de áudio AAC |
| Entradas de referência | Até 6 imagens; até 3 clipes de vídeo, cada um com no máximo 3 segundos |
| Referências para saídas mais longas | O Google informa uma referência de vídeo para saídas de 11–15 segundos |
| Marca-d’água | O Google inclui uma marca-d’água invisível SynthID |
| Armazenamento dos vídeos gerados | Excluídos após 14 dias |
Recursos e destaques
Um momento no mercado com som próprio
Nos nossos testes, a cena de mercado de 6 segundos em 720p mostrou um cozinheiro salteando macarrão numa wok em chamas e dizendo a fala solicitada. O chiado do óleo, a chuva e as conversas do mercado acompanharam a ação.
Dê movimento à partida de uma lancha
O exemplo do píer, de 5 segundos, parte de uma imagem noturna. Nos nossos testes, a lancha de madeira se afastou devagar do hotel enquanto a passageira acenava, ao som do motor, da água e de uma banda ao longe.
Planeje como o movimento termina
Uma imagem inicial de estúdio e uma pose final orientam esta animação de 5 segundos. Nos nossos testes, a dançarina passou de uma pose à outra ao som de piano suave, com a câmera fixa.
Leve duas pessoas para uma cena de trem
Nos nossos testes, dois retratos de referência viraram uma cena de 6 segundos num vagão-restaurante. Uma pessoa passou um bilhete dobrado pela mesa; a outra leu e sorriu, com o ritmo do trem e o som dos talheres.
Transfira a apresentação para um palco à beira do lago
Nos nossos testes, a edição substituiu o estúdio cinza por um palco ao luar, junto à água com névoa. A dançarina e os movimentos permaneceram na cena enquanto o cenário mudou.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
prompt | Sim | Obrigatório. Explique o que usar de cada imagem ou vídeo numerado e depois descreva a nova ação e o som. pelo menos 1 caracteres · no máximo 20000 caracteres |
reference_image_urls | Não | Até 6 URLs de imagens. Envie imagens, referências de vídeo ou ambos. pelo menos 1 itens · no máximo 6 itens |
reference_video_urls | Não | Até 3 URLs de vídeos, cada clipe com até 3 segundos. Eles orientam o visual e o movimento; seu áudio é ignorado. pelo menos 1 itens · no máximo 3 itens |
aspect_ratio | Não | O padrão é horizontal 16:9; vertical 9:16 também está disponível. O enquadramento não acrescenta custo. |
resolution | Não | Selecione 360p ou 720p (padrão) diretos, ou escolha 1080p/4K. As opções de 1080p e 4K são ampliadas pelo Google e têm preço maior. |
duration_seconds | Não | Escolha 3–15 segundos inteiros; o padrão é 8. Para 11–15 segundos, siga a orientação do Google de uma referência de vídeo. |
Preços
A geração com referências cobra os segundos de saída solicitados pela tarifa da resolução selecionada. A quantidade de imagens, os clipes de referência e a proporção não acrescentam custo. Você não paga se a requisição com referências falhar ou for recusada pelo Google.
| Especificação | Preço |
|---|---|
| $0.0276 / segundo |
| $0.084 / segundo |
| $0.126 / segundo |
| $0.252 / segundo |
Casos de uso
Uma cena de mercado com fala
Descreva um cozinheiro, uma ação e uma fala curta entre aspas, depois peça o chiado do óleo e o ambiente de um mercado sob chuva.
Uma chegada ou partida no hotel
Anime uma imagem inicial do píer para mostrar a partida de uma lancha, ou adicione uma imagem final quando você já tiver planejado a composição de encerramento.
Uma cena com personagens recorrentes
Use retratos de referência para levar duas pessoas já definidas a um novo cenário, como um vagão-restaurante ao entardecer.
Outro palco para uma apresentação
Peça à edição de vídeo que transforme um estúdio num cenário à beira do lago, preservando o movimento gravado.
Guia de prompt e dicas práticas
Escolha o endpoint conforme seu material inicial
Comece com texto para criar uma cena, uma imagem inicial para animar, referências para orientar o visual ou um vídeo para fazer uma alteração específica.
Deixe clara a estrutura da cena
Segundo o Google, o modelo pode criar várias tomadas por padrão. Adicione “sem cortes de cena” quando quiser uma tomada única e escreva as falas solicitadas entre aspas.
Dê uma função a cada referência
Escreva “use o local da Image 2” ou “mova como no Video 1” para que o prompt explique o papel de cada arquivo enviado.
Avalie um rascunho pequeno antes de aumentar a resolução
Use 360p para explorar uma ideia pela menor tarifa disponível. O Google amplia 1080p e 4K, e essas opções custam mais.
Mantenha a instrução de edição focada
O Google recomenda mudanças simples seguidas de “Mantenha todo o resto igual.” Confira a duração do vídeo original antes de enviar: a edição corta o material aos 10 segundos.
Introdução
O modo referência para vídeo do Gemini Omni 1.2 Flash constrói uma cena nova com base nos materiais visuais enviados. Forneça um prompt e pelo menos um dos campos reference_image_urls ou reference_video_urls. Imagens orientam pessoas, objetos ou lugares; clipes curtos orientam o visual e o movimento. A trilha sonora das referências é ignorada.
Segundo o Google, a versão 1.2 melhora a consistência entre até seis imagens de referência, e a recomendação é usar até três imagens por personagem, para até dois personagens. As referências de vídeo podem incluir até três clipes, cada um de até três segundos. Para um resultado de 11–15 segundos, o Google informa um clipe de referência; nos nossos testes, uma saída de 11 segundos com dois clipes também foi concluída. Siga a orientação informada ao planejar uma cena longa.
Recursos e destaques
- Combine referências de imagem e vídeo numa mesma requisição de geração.
- Atribua funções visuais a até seis imagens enviadas.
- Oriente o movimento ou o visual com até três clipes de referência, respeitando a orientação do Google para saídas mais longas.
- Nomeie cada arquivo em linguagem simples, usando Image 1 ou Video 1 na ordem de envio.
- Gere uma faixa de áudio nova junto com a cena; o áudio dos vídeos de referência é ignorado.
Casos de uso
- Coloque duas pessoas das referências num vagão-restaurante para uma breve interação.
- Leve um produto da foto de referência para um local descrito no prompt.
- Use uma referência curta de movimento para orientar uma nova cena de mercado.
Guia de prompt e dicas práticas
- Associe cada pessoa a uma origem clara, como “a pessoa da Image 1”, seguindo a ordem de envio.
- Explique o que cada vídeo orienta, como “mova como no Video 1”, em vez de deixar essa função implícita.
- Descreva a interação separadamente da aparência, como “deslize um bilhete dobrado pela mesa”, para definir o novo acontecimento.
- Siga a orientação do Google para personagens com uma frase como “use as imagens 1–3 para o primeiro personagem”, sem ultrapassar seis imagens no total.
- Descreva o novo som, como “ritmo constante do trem e tilintar de talheres”, já que o áudio dos clipes de referência é ignorado.
Início rápido da 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"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
