Guía de integración de Gemini Omni 1.2 Flash: modos de entrada, parámetros y facturación por especificación

Modelo y límites de capacidad

HiAPI expone actualmente gemini-omni-1.2-flash para generar vídeo. Admite texto a vídeo, imagen inicial a vídeo, transición de fotograma inicial a final e imagen de referencia a vídeo. No ofrece edición de vídeo, continuación, entrada de vídeo o audio, ni el parámetro seed.

Las tareas se envían siempre mediante POST /v1/tasks; el cuerpo de la solicitud usa la estructura {"model":"gemini-omni-1.2-flash","input":{...},"storage":"temp"}.

Modos de entrada y reglas de exclusión mutua

Seleccione el modo según el material:

• Texto a vídeo: envíe solo prompt, sin ningún campo de imagen.
• Imagen inicial a vídeo: envíe prompt y first_frame_url, usando una imagen pública para especificar el fotograma inicial.
• Transición de fotograma inicial a final: envíe first_frame_url y last_frame_url al mismo tiempo; last_frame_url depende de first_frame_url, este modo dura como máximo 10 segundos y no admite negative_prompt ni system_prompt.
• Imagen de referencia a vídeo: envíe prompt e image_urls, usando de 1 a 10 imágenes de referencia HTTP(S) públicas para condicionar el estilo o el sujeto. Si solo se envía una imagen en image_urls, sigue siendo una imagen de referencia, no un fotograma inicial.

image_urls es mutuamente excluyente con first_frame_url y last_frame_url, y no puede combinarse en la misma solicitud. Todos los parámetros de imagen aceptan únicamente URL HTTP(S) públicas; no se admite Base64.

Parámetros y valores predeterminados

No asuma que todos los modos incluyen sonido, sincronización labial, texto preciso o coincidencia total de sujeto/marca; nada de esto está garantizado.

Dos solicitudes POST /v1/tasks copiables

La clave de API usada en las llamadas solo aparece como el marcador YOUR_API_KEY; no se incluye ninguna clave real. Ambas solicitudes usan storage: "temp".

Texto a vídeo de 3 segundos a 360p

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "Un avión de papel blanco despega de la mesa, pasa junto a un cristal azul y la cámara lo sigue lentamente",
    "duration": 3,
    "resolution": "360p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

Imagen inicial a vídeo de 10 segundos a 720p

https://example.com/first-frame.png en el ejemplo es una dirección de marcador de posición; antes de llamar debe reemplazarse por una imagen real accesible públicamente; no es una entrada medida.

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "El edificio de la imagen pasa del amanecer al atardecer, la luz se desplaza lentamente y la cámara avanza ligeramente",
    "first_frame_url": "https://example.com/first-frame.png",
    "duration": 10,
    "resolution": "720p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

No añada image_urls a una solicitud de imagen inicial a vídeo; ambas opciones son mutuamente excluyentes.

Envío, consulta y reintento

Tras el envío, guarde el ID de tarea devuelto y consulte el estado y el resultado de esa tarea mediante GET /v1/tasks/{id}, sustituyendo {id} por el ID de tarea real. La solicitud de consulta usa la misma clave de API que la solicitud de envío.

Si se produce un tiempo de espera de red y ya se dispone del ID de tarea, consulte primero la tarea existente; si aún no se dispone del ID de tarea, reintente el envío con la misma Idempotency-Key para recuperar la misma tarea y evitar crear tareas duplicadas. Crear una nueva tarea tras un resultado exitoso pero insatisfactorio aumenta el presupuesto.

Facturación por resolución y presupuesto para 10 segundos

Las tarifas de multiplicador predeterminadas actuales son las siguientes:

Presupuesto = precio unitario de la resolución elegida × duración solicitada × número de elementos. El presupuesto de un elemento de 10 segundos es: 360p $0.229, 720p $0.343, 1080p $0.343, 4k $0.80.

La factura real y el multiplicador aplicable se rigen por la liquidación final; no se puede inferir la facturación a partir de los segundos decimales del contenedor del archivo. No asuma que las tareas fallidas siempre se cobran o siempre son gratuitas, ni estime duplicando el coste por ronda o suponiendo que el coste de las solicitudes de texto es constante.

En una validación en producción del 11 de noviembre de 2026, una tarea de texto a vídeo de 3 segundos a 360p tardó unos 34 segundos y se cobraron $0.0687, lo que coincide con el precio unitario de esa especificación multiplicado por la duración solicitada. Esta muestra no implica que la calidad y la facturación de otras especificaciones o modos se hayan medido.