Guida all'integrazione di Gemini Omni 1.2 Flash: modalità di input, parametri e fatturazione per specifica

Modello e limiti delle capacità

HiAPI espone attualmente gemini-omni-1.2-flash per la generazione di video. Supporta text-to-video, image-to-video con primo frame, transizione primo-ultimo frame e image-to-video con immagini di riferimento. Non sono disponibili editing video, continuazione, input video o audio, né il parametro seed.

Le attività vengono inviate in modo uniforme tramite POST /v1/tasks; il corpo della richiesta usa la struttura {"model":"gemini-omni-1.2-flash","input":{...},"storage":"temp"}.

Modalità di input e regole di esclusione reciproca

Scegliere la modalità in base ai materiali:

• Text-to-video: passare solo prompt, senza alcun campo immagine.
• Image-to-video con primo frame: passare prompt e first_frame_url, usando un'immagine pubblica per specificare la scena iniziale.
• Transizione primo-ultimo frame: passare contemporaneamente first_frame_url e last_frame_url; last_frame_url dipende da first_frame_url, questa modalità dura al massimo 10 secondi e non può includere negative_prompt o system_prompt.
• Image-to-video con immagini di riferimento: passare prompt e image_urls, usando da 1 a 10 immagini di riferimento pubbliche HTTP(S) per vincolare stile o soggetto. Se si passa una sola immagine in image_urls, resta un'immagine di riferimento, non un primo frame.

image_urls è in esclusione reciproca con first_frame_url e last_frame_url: non è possibile combinarli nella stessa richiesta. Tutti i parametri immagine accettano solo URL pubblici HTTP(S); Base64 non è supportato.

Parametri e valori predefiniti

Non dare per scontato che ogni modalità includa audio, sincronizzazione labiale, testo accurato o coerenza totale di soggetto/brand; nulla di tutto ciò è garantito.

Due richieste POST /v1/tasks copiabili

La chiave API nelle chiamate è indicata solo con il segnaposto YOUR_API_KEY, senza inserire chiavi reali. Entrambe le richieste usano storage: "temp".

Text-to-video da 3 secondi a 360p

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "Un aeroplanino di carta bianco decolla dal tavolo, sfiora il vetro blu, la camera segue lentamente",
    "duration": 3,
    "resolution": "360p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

Image-to-video con primo frame da 10 secondi a 720p

L'indirizzo https://example.com/first-frame.png nell'esempio è un segnaposto e deve essere sostituito con un'immagine reale accessibile pubblicamente prima della chiamata; non è un input misurato.

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "L'edificio nella scena passa dall'alba al tramonto, la luce si sposta lentamente, la camera avanza leggermente",
    "first_frame_url": "https://example.com/first-frame.png",
    "duration": 10,
    "resolution": "720p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

Nella richiesta image-to-video con primo frame non aggiungere image_urls; i due sono in esclusione reciproca.

Invio, consultazione e nuovi tentativi

Dopo l'invio, salvare l'ID attività restituito e consultare stato e risultato dell'attività tramite GET /v1/tasks/{id}, sostituendo {id} con l'ID attività effettivo. La richiesta di consultazione usa la stessa chiave API della richiesta di invio.

In caso di timeout di rete con ID attività già ottenuto, consultare prima l'attività esistente; se l'ID attività non è ancora stato ottenuto, riprovare l'invio con la stessa Idempotency-Key per recuperare la stessa attività ed evitare la creazione di attività duplicate. Ricreare un'attività perché il risultato, pur riuscito, non soddisfa, aumenta il budget.

Fatturazione per risoluzione e budget per 10 secondi

Le tariffe attuali con moltiplicatore predefinito sono le seguenti:

Budget = prezzo unitario della risoluzione scelta × durata richiesta × numero di video. Per un singolo video da 10 secondi il budget è: 360p $0.229, 720p $0.343, 1080p $0.343, 4k $0.80.

La fatturazione effettiva e i moltiplicatori applicabili sono quelli del regolamento finale; non è possibile dedurre la fatturazione dai secondi decimali nel contenitore del file. Non dare per scontato che le attività fallite siano sempre a pagamento o sempre gratuite, né stimare raddoppiando il costo per tentativo o assumendo costi costanti per le richieste testuali.

In una verifica in produzione dell'11 novembre 2026, un'attività text-to-video da 3 secondi a 360p ha richiesto circa 34 secondi e ha addebitato effettivamente $0.0687, coerente con il prezzo unitario di quella specifica moltiplicato per la durata richiesta. Questo campione non implica che qualità e fatturazione di altre specifiche o modalità siano già state misurate.