Gemini Omni 1.2 Flash Integrationsleitfaden: Eingabemodi, Parameter und Abrechnung nach Spezifikation

Modell und Leistungsumfang

HiAPI stellt derzeit gemini-omni-1.2-flash für die Videoausgabe öffentlich bereit. Unterstützt werden Text-zu-Video, Bild-zu-Video mit erstem Frame, Übergang zwischen erstem und letztem Frame sowie Referenzbild-zu-Video. Videobearbeitung, Fortsetzung, Video- oder Audioeingaben sowie der Parameter seed werden nicht angeboten.

Aufgaben werden einheitlich über POST /v1/tasks eingereicht; der Request-Body verwendet die Struktur {"model":"gemini-omni-1.2-flash","input":{...},"storage":"temp"}.

Eingabemodi und Ausschließlichkeitsregeln

Modus passend zum Material wählen:

• Text-zu-Video: Nur prompt übergeben, kein Bildfeld.
• Bild-zu-Video mit erstem Frame: prompt und first_frame_url übergeben, um mit einem öffentlichen Bild das Startbild festzulegen.
• Übergang zwischen erstem und letztem Frame: Gleichzeitig first_frame_url und last_frame_url übergeben; last_frame_url setzt first_frame_url voraus, dieser Modus dauert maximal 10 Sekunden und darf weder negative_prompt noch system_prompt enthalten.
• Referenzbild-zu-Video: prompt und image_urls übergeben, um mit 1–10 öffentlichen HTTP(S)-Referenzbildern Stil oder Motiv festzulegen. Wird nur ein image_urls-Eintrag übergeben, bleibt er ein Referenzbild und ist kein erster Frame.

image_urls und first_frame_url/last_frame_url schließen sich gegenseitig aus und dürfen nicht im selben Request gemischt werden. Alle Bildparameter akzeptieren ausschließlich öffentliche HTTP(S)-URLs, kein Base64.

Parameter und Standardwerte

Nicht davon ausgehen, dass alle Modi Ton, Lippensynchronisation, exakte Texte oder vollständig identische Motive/Marken liefern; all dies ist nicht garantiert.

Zwei kopierbare POST /v1/tasks-Requests

Der API-Key wird beim Aufruf nur als Platzhalter YOUR_API_KEY verwendet, kein echter Schlüssel wird eingetragen. Beide Requests verwenden storage: "temp".

3 Sekunden 360p Text-zu-Video

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "Ein weißes Papierflugzeug hebt vom Tisch ab, gleitet über blaues Glas, die Kamera folgt langsam",
    "duration": 3,
    "resolution": "360p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

10 Sekunden 720p Bild-zu-Video mit erstem Frame

Die Beispieladresse https://example.com/first-frame.png ist ein Platzhalter und muss vor dem Aufruf durch ein öffentlich erreichbares echtes Bild ersetzt werden; sie ist keine gemessene Eingabe.

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "Das Gebäude im Bild geht vom frühen Morgen in die Abenddämmerung über, das Licht wandert langsam, die Kamera fährt leicht vorwärts",
    "first_frame_url": "https://example.com/first-frame.png",
    "duration": 10,
    "resolution": "720p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

Beim Request für Bild-zu-Video mit erstem Frame kein image_urls zusätzlich angeben; beide schließen sich gegenseitig aus.

Einreichen, Abfragen und Wiederholen

Nach dem Einreichen die zurückgegebene Aufgaben-ID speichern und über GET /v1/tasks/{id} Status und Ergebnis dieser Aufgabe abfragen, wobei {id} durch die tatsächliche Aufgaben-ID zu ersetzen ist. Abfrage- und Einreichungs-Request verwenden denselben API-Key.

Bei Netzwerk-Timeout und bereits erhaltener Aufgaben-ID zuerst die vorhandene Aufgabe abfragen; liegt noch keine Aufgaben-ID vor, die Einreichung mit dem ursprünglichen Idempotency-Key wiederholen, um dieselbe Aufgabe wiederherzustellen und doppelte Aufgaben zu vermeiden. Eine Aufgabe trotz Erfolg wegen unzufriedenstellendem Ergebnis neu zu erstellen, erhöht das Budget.

Abrechnung nach Auflösung und 10-Sekunden-Budget

Die aktuellen Standard-Multiplikatorpreise lauten:

Budget = Stückpreis der gewählten Auflösung × angeforderte Dauer × Anzahl. Für einen einzelnen 10-Sekunden-Clip beträgt das Budget: 360p $0.229, 720p $0.343, 1080p $0.343, 4k $0.80.

Die tatsächliche Abrechnung und der anwendbare Multiplikator richten sich nach der endgültigen Abrechnung; aus den Dezimal-Sekundenangaben im Dateicontainer lässt sich die Abrechnung nicht ableiten. Nicht davon ausgehen, dass fehlgeschlagene Aufgaben generell berechnet oder generell kostenlos sind, und ebenso wenig, dass sich die Kosten pro Runde verdoppeln oder Text-Request-Kosten konstant bleiben.

Bei einer Produktionsvalidierung am 11. November 2026 dauerte eine 3-Sekunden-360p-Text-zu-Video-Aufgabe etwa 34 Sekunden, die tatsächliche Belastung betrug $0.0687 und entsprach damit dem Stückpreis dieser Spezifikation multipliziert mit der angeforderten Dauer. Dieses Beispiel belegt nicht, dass Qualität und Abrechnung anderer Spezifikationen oder Modi bereits gemessen wurden.