Gemini Omni 1.2 Flash 接続ガイド：入力モード、パラメータ、スペック別課金

モデルと機能の範囲

HiAPI は現在 gemini-omni-1.2-flash を公開接続しており、動画の出力に使用します。テキスト動画生成、始点フレーム画像からの動画生成、始点・終点フレーム間のトランジション、参照画像からの動画生成に対応しています。動画編集、続きの生成、動画または音声の入力は開放されておらず、seed パラメータも提供されていません。

タスクの投入はすべて POST /v1/tasks を通じて行います。リクエストボディは {"model":"gemini-omni-1.2-flash","input":{...},"storage":"temp"} という構造を使用します。

入力モードと排他ルール

素材に応じてモードを選択します：

• テキスト動画生成：prompt のみを渡し、画像フィールドは一切渡しません。
• 始点フレーム画像からの動画生成：prompt と first_frame_url を渡し、公開画像1枚で開始画面を指定します。
• 始点・終点フレーム間のトランジション：first_frame_url と last_frame_url を同時に渡します。last_frame_url は first_frame_url に依存し、このモードは最長10秒で、negative_prompt や system_prompt を指定できません。
• 参照画像からの動画生成：prompt と image_urls を渡し、公開 HTTP(S) の参照画像1〜10枚でスタイルや被写体を制約します。image_urls に1枚だけ渡した場合でも、それは参照画像であり、始点フレームではありません。

image_urls は first_frame_url および last_frame_url と排他であり、同じリクエスト内で混用できません。すべての画像パラメータは公開 HTTP(S) URL のみを受け付け、Base64 には対応していません。

パラメータとデフォルト値

各モードで音声、リップシンク、文字の正確さ、被写体やブランドの完全な一致が伴うと想定しないでください。これらはいずれも保証されません。

コピー可能な2つの POST /v1/tasks リクエスト

呼び出し時の API Key は YOUR_API_KEY のプレースホルダのみで、実際のキーは記載しません。どちらのリクエストも storage: "temp" を使用します。

3秒 360p テキスト動画生成

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "白い紙飛行機が机から飛び立ち、青いガラスをかすめて、カメラがゆっくりと追従する",
    "duration": 3,
    "resolution": "360p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

10秒 720p 始点フレーム画像からの動画生成

例の https://example.com/first-frame.png はプレースホルダアドレスであり、呼び出し前に公開アクセス可能な実画像に置き換える必要があります。実測入力ではありません。

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "画面内の建物が早朝から夕暮れへと移り変わり、光がゆっくりと動き、カメラがわずかに前進する",
    "first_frame_url": "https://example.com/first-frame.png",
    "duration": 10,
    "resolution": "720p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

始点フレーム画像からの動画生成リクエストには image_urls を追加しないでください。両者は排他です。

投入、照会、リトライ

投入後に返されるタスク ID を保存し、GET /v1/tasks/{id} でそのタスクの状態と結果を照会します。{id} は実際のタスク ID に置き換えます。照会リクエストは投入リクエストと同じ API Key を使用します。

ネットワークタイムアウトが発生し、すでにタスク ID を取得済みの場合は、まず既存のタスクを照会します。まだタスク ID を取得していない場合は、元の Idempotency-Key を使用して投入をリトライし、同じタスクを復元して重複タスクの作成を避けます。成功したものの結果に満足せずタスクを再作成すると、予算が増加します。

解像度別課金と10秒の予算

現在のデフォルト倍率の料金は以下のとおりです：

予算 = 選択した解像度の単価 × リクエスト時間 × 本数。1本10秒の予算は：360p $0.229、720p $0.343、1080p $0.343、4k $0.80。

実際の請求と適用倍率は最終精算に準じます。ファイルコンテナ内の小数秒数から課金を推測することはできません。失敗タスクが一律に課金される、または一律に無料になると想定しないでください。また、1回あたりのコストが倍になるとか、テキストリクエストの費用が一定であると仮定して見積もらないでください。

2026年11月11日の本番検証では、3秒 360p のテキスト動画生成タスクに約34秒を要し、実際の課金は $0.0687 で、そのスペックの単価にリクエスト時間を乗じた額と一致しました。このサンプルは、他のスペックやモードの品質と課金がすべて実測済みであることを意味するものではありません。