gemini-omni-1.2-flash in der Praxis: 3 geschäftliche Video-Generierungsszenarien und eine Checkliste für die Umsetzung

Zuerst Eingabeform und Parametergrenzen klären

Das aktuell über HiAPI angebundene öffentliche Modell gemini-omni-1.2-flash gibt Videos aus und bietet vier Generierungsmodi: Text-zu-Video, Startbild-zu-Video, Übergang vom ersten zum letzten Frame sowie Referenzbild-zu-Video. Bevor man Code schreibt, sollte man festlegen, „was ich ihm diesmal füttere“ – das ist effektiver, als zuerst ein Szenario auszuwählen.

Derzeit nicht verfügbar sind: Videobearbeitung, Videofortsetzung, Video oder Audio als Eingabe sowie der seed-Parameter. Workflows, die auf diese Fähigkeiten angewiesen sind, lassen sich mit diesem Modell nicht umsetzen.

Anfrageparameter

• prompt: das einzige Pflichtfeld, muss eine nicht leere Zeichenkette mit maximal 20000 Zeichen sein.
• duration: Ganzzahl, 3–15 Sekunden, Standard 10 Sekunden.
• resolution: 360p / 720p / 1080p / 4k, Standard 720p. 1080p und 4k sind hochskalierte Ausgaben; 4k enthält möglicherweise keine Tonspur.
• aspect_ratio: 16:9 oder 9:16, Standard 16:9.

Bildparameter und Ausschlussbeziehungen

• image_urls: 1–10 öffentlich erreichbare HTTP(S)-Referenzbilder, löst Referenzbild-zu-Video aus. Auch bei nur einem Bild bleibt es der Referenzbildmodus, es wird nicht automatisch zum Startbildmodus.
• first_frame_url: legt das Startbild fest, kann allein verwendet werden und ergibt Startbild-zu-Video.
• last_frame_url: muss zusammen mit first_frame_url verwendet werden und ergibt den Übergang vom ersten zum letzten Frame. Der Erst-/Letztbild-Modus ist maximal 10 Sekunden lang, und die Anfrage darf weder negative_prompt noch system_prompt enthalten.
• image_urls ist unvereinbar mit first_frame_url und last_frame_url – pro Anfrage kann nur einer dieser Modi gewählt werden.
• Alle Bildparameter akzeptieren nur öffentlich zugängliche HTTP(S)-URLs, Base64 wird nicht unterstützt.

Eine vorab zu setzende Erwartung: Es wird nicht garantiert, dass alle Modi Ton, Lippensynchronität oder korrekten Text liefern, ebenso wenig, dass Subjekt oder Marke im Ergebnis vollständig mit der Referenz übereinstimmen. All das erfordert manuelle Abnahme.

Kostenrahmen: sekundenbasierter Preis nach Auflösungsstufe

Das Modell rechnet nach Anforderungsdauer ab, der Stückpreis richtet sich nach der Auflösungsstufe. Die aktuellen Preise beim Standard-Multiplikator lauten:

• 360p: $0,0229/Sekunde
• 720p: $0,0343/Sekunde
• 1080p: $0,0343/Sekunde
• 4k: $0,0800/Sekunde

Die Budgetumrechnung lautet: Stückpreis der gewählten Auflösung × Anforderungsdauer × Anzahl. Bei gleicher Spezifikation und gleicher Dauer erhöht jede weitere erfolgreiche Aufgabe das Budget in der Regel um den Betrag einer Aufgabe, statt das kumulierte Budget jeder Runde zu verdoppeln.

Die tatsächliche Abrechnung und der anwendbare Multiplikator richten sich nach dem Preispanel der Website. Abgerechnet wird nach Anforderungsdauer; aus den Dezimalsekunden im Ausgabedateicontainer lässt sich das nicht rückrechnen.

Zwei fürs Budget direkt relevante Vorgehensweisen: Wird eine Aufgabe wegen Unzufriedenheit mit dem Ergebnis neu erstellt, erhöht das das Budget um eine weitere Aufgabe; bei Netzwerk-Timeout zuerst den Status der bestehenden Aufgabe abfragen und erst nach Bestätigung, dass keine erfolgreiche Erstellung vorliegt, über eine Neuanlage entscheiden.

Szenario 1: Textkonzept-Entwurf

Geeignet, wenn nur ein Text-Briefing vorliegt und vor der eigentlichen Produktion mehrere visuelle Richtungen verglichen werden sollen. Das ist die direkteste Anwendung von Text-zu-Video.

Vorgehen

• Das Briefing in eine visualisierbare Beschreibung umschreiben. „Eine junge Frau geht morgens schnell durch die Straßen der Stadt, hält einen Kaffee in der Hand, Kamera folgt“ ist umsetzbarer als „vermittelt einen vitalen Lifestyle“.
• Nur prompt übergeben, keine Bildparameter, und je Richtung eine Aufgabe einreichen.
• Mit kürzerer duration das Budget pro Aufgabe begrenzen; in der Entwurfsphase braucht es keine Langfilme. Innerhalb einer Charge duration und resolution konstant halten, um den Quervergleich zu erleichtern.
• Strukturiert dokumentieren: prompt, duration, resolution, Aufgaben-ID und Ergebnis-URL gemeinsam archivieren, damit die nächste Iteration eine Referenz hat.

Grenzen

Entwürfe dienen der Richtungsauswahl, nicht als Werbematerial; Storyboard-Details, Markenzeichen und konforme Untertitel erfordern in der Regel eine anschließende professionelle Produktion. Muss das Endbild zu vorhandenem Material passen, sollte man zu Startbild-zu-Video oder Referenzbild-zu-Video wechseln.

Szenario 2: Dynamisierung eines Startbilds

Geeignet, wenn bereits ein hochwertiges statisches Bild vorliegt – Produktbild, Cover, Illustration, Poster – und das Bild in Bewegung gebracht werden soll, während das Subjekt des Originals erhalten bleibt.

Vorgehen

• Mit first_frame_url das Startbild festlegen; der prompt beschreibt nur Bewegung und Kamera (leichtes Heranzoomen, langsames Umkreisen, fließendes Licht), nicht das Subjekt erneut.
• Wenn ein Endbild festgelegt werden soll, first_frame_url und last_frame_url gemeinsam übergeben, um den Übergang vom ersten zum letzten Frame zu erzeugen; dann darf duration 10 Sekunden nicht überschreiten, und die Anfrage darf weder negative_prompt noch system_prompt enthalten.
• Bilder zuerst öffentlich ablegen: nur öffentlich zugängliche HTTP(S)-URLs werden akzeptiert, interne Adressen oder Base64 sind nicht verwendbar.
• Jede Aufgabe einzeln persistieren: Quellbild-URL, prompt, duration, resolution und Aufgaben-ID festhalten, um Rückverfolgung und Wiederverwendung zu ermöglichen.

Unterschied zum Referenzbildmodus

first_frame_url bestimmt, „wo es beginnt“; image_urls liefert Stil- und Inhaltsreferenzen. Beide schließen sich aus und dürfen nicht in derselben Anfrage verwendet werden; ein einzelnes image_urls wird nicht zum Startbildmodus.

Szenario 3: Visuelle Steuerung durch Referenzbilder

Geeignet, wenn eine Materialcharge in Farbton, Textur und Kompositionsgewohnheit näher an einer bestehenden Visualität liegen soll und die Qualität des Einzelclips nicht das Hauptproblem ist.

Vorgehen

• Mit image_urls 1–10 öffentliche Referenzbilder übergeben; wähle wenige Materialien, die den Zielstil am besten repräsentieren. Vermeide Referenzbilder mit widersprüchlichen Zielen und prüfe die tatsächlichen Generierungsergebnisse.
• Klarstellen, dass dies der Referenzbildmodus ist: Auch bei nur einem Bild bleibt es Referenzbild-zu-Video, ohne Start- oder Endframe.
• Feste Prüfpunkte etablieren: Hauptfarbton, Lichtausrichtung, Bilddichte, Textbereiche – für jede neue Charge im Quervergleich prüfen.
• Bei Abweichungen zuerst das Referenzmaterial prüfen, dann den prompt anpassen, statt blind neu zu starten – ein Neustart erzeugt eine sekundenbasierte Abrechnung.

Grenzen

Referenzbilder können Stil steuern, garantieren aber keine vollständige Übereinstimmung von Subjekt oder Marke; manuelle Stichproben bleiben nötig. Versteht man sie als „Stilbaseline“ statt „Stilversicherung“, liegt die Erwartung näher an der Realität.

Checkliste für die Umsetzung

Punkt für Punkt vor dem Start prüfen, um Eingabe- und Budgetprobleme früh zu erkennen.

Fähigkeiten und Parameter

• Ist klar, welcher Modus diesmal genutzt wird: Text-zu-Video, Startbild-zu-Video, Übergang vom ersten zum letzten Frame oder Referenzbild-zu-Video?
• Ist der prompt nicht leer und maximal 20000 Zeichen lang?
• Ist duration eine Ganzzahl zwischen 3 und 15 Sekunden? Wurde im Erst-/Letztbild-Modus auf unter 10 Sekunden begrenzt?
• Sind resolution und aspect_ratio passend zum Zweck gewählt (Standard 720p, 16:9)?
• Wurde nur eine Bildquelle verwendet: image_urls oder first_frame_url/last_frame_url?
• Sind alle Bilder öffentliche HTTP(S)-URLs, kein Base64?
• Wurden in der Erst-/Letztbild-Anfrage negative_prompt und system_prompt entfernt?
• Werden Videobearbeitung, Fortsetzung, Video-/Audioeingabe oder seed verwendet? Diese sind derzeit nicht verfügbar.

Kosten

• Wurde das Budget als Stückpreis der gewählten Auflösung × Dauer × Anzahl berechnet statt nach Gefühl?
• Wird das Budget anhand der „Kandidatenzahl“ statt der „Lieferzahl“ geschätzt?
• Ist klar, dass bei gleicher Spezifikation und gleicher Dauer jede weitere erfolgreiche Aufgabe das Budget um eine Aufgabe erhöht?
• Richtet sich die tatsächliche Abrechnung nach dem Preispanel der Website und dem anwendbaren Multiplikator, statt aus Dezimalsekunden im Dateicontainer abgeleitet zu werden?

Technik

• Ist die Aufgabenübermittlung asynchron, sodass die Anfrageseite nicht blockierend auf das Video wartet?
• Werden Aufgaben-IDs gespeichert und persistiert, einschließlich prompt, duration, resolution und Ergebnis-URL?
• Gibt es eine explizite Zustandsmaschine und Idempotenzschlüssel, um doppelte Einreichungen zu vermeiden?
• Wird bei Netzwerk-Timeout zuerst der Status bestehender Aufgaben abgefragt, statt direkt neu zu erstellen?
• Ist die Parallelität begrenzt und warten Batch-Aufgaben in der Warteschlange?

Qualität und Abnahme

• Sind die Abnahmekriterien vorab festgeschrieben: Subjektintegrität, Markenelemente, Textbereiche, Ton wie erwartet?
• Bleibt der Anteil manueller Stichproben erhalten und wird bei Skalierung nicht gesenkt?
• Gibt es Circuit Breaker und Alarme für das Tages- oder Chargenbudget?

Alle vier Modi teilen dieselbe Schnittstellenform, der Unterschied liegt nur in den Eingabeparametern. Modus richtig wählen, Ausschlussbeziehungen in die Parametervalidierung schreiben, Budget pro Aufgabe sauber berechnen – dann ist der Weg in die Batch-Verarbeitung klar.