Guia de integração do Gemini Omni 1.2 Flash: modos de entrada, parâmetros e cobrança por especificação

Modelo e limites de capacidade

O HiAPI disponibiliza atualmente o acesso público ao gemini-omni-1.2-flash para geração de vídeo. Suporta texto para vídeo, imagem inicial para vídeo, transição entre quadro inicial e final e imagem de referência para vídeo. Não oferece edição de vídeo, continuação, entrada de vídeo ou áudio, nem o parâmetro seed.

As tarefas são enviadas de forma unificada via POST /v1/tasks; o corpo da requisição usa a estrutura {"model":"gemini-omni-1.2-flash","input":{...},"storage":"temp"}.

Modos de entrada e regras de exclusividade

Escolha o modo conforme o material:

• Texto para vídeo: envie apenas prompt, sem nenhum campo de imagem.
• Imagem inicial para vídeo: envie prompt e first_frame_url, usando uma imagem pública para definir o quadro inicial.
• Transição entre quadro inicial e final: envie simultaneamente first_frame_url e last_frame_url; last_frame_url depende de first_frame_url, esse modo tem duração máxima de 10 segundos e não pode incluir negative_prompt nem system_prompt.
• Imagem de referência para vídeo: envie prompt e image_urls, usando de 1 a 10 imagens de referência HTTP(S) públicas para restringir estilo ou sujeito. Ao enviar apenas uma image_urls, ela continua sendo imagem de referência, não quadro inicial.

image_urls é mutuamente exclusivo com first_frame_url e last_frame_url, não podendo ser misturados na mesma requisição. Todos os parâmetros de imagem aceitam apenas URLs HTTP(S) públicas; Base64 não é suportado.

Parâmetros e valores padrão

Não presuma que todos os modos terão som, sincronização labial, texto preciso ou sujeito/marca totalmente consistentes; nada disso é garantido.

Dois exemplos copiáveis de POST /v1/tasks

A API Key na chamada usa apenas o marcador YOUR_API_KEY; não insira chaves reais. Ambas as requisições usam storage: "temp".

Texto para vídeo de 3 segundos em 360p

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "Um avião de papel branco decola da mesa, passa sobre o vidro azul, câmera o acompanha lentamente",
    "duration": 3,
    "resolution": "360p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

Imagem inicial para vídeo de 10 segundos em 720p

O https://example.com/first-frame.png no exemplo é um endereço de marcador; antes de chamar, substitua por uma imagem real publicamente acessível; não é uma entrada de teste real.

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "O edifício na imagem transita do amanhecer ao crepúsculo, a luz se move lentamente, câmera avança levemente",
    "first_frame_url": "https://example.com/first-frame.png",
    "duration": 10,
    "resolution": "720p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

Não adicione image_urls na requisição de imagem inicial para vídeo; os dois são mutuamente exclusivos.

Envio, consulta e nova tentativa

Após o envio, salve o ID da tarefa retornado e consulte o status e o resultado dessa tarefa via GET /v1/tasks/{id}, substituindo {id} pelo ID real da tarefa. A requisição de consulta usa a mesma API Key da requisição de envio.

Em caso de timeout de rede com ID de tarefa já obtido, consulte primeiro a tarefa existente; se o ID ainda não foi obtido, repita o envio com a mesma Idempotency-Key para recuperar a mesma tarefa e evitar criar tarefas duplicadas. Recriar uma tarefa por insatisfação com um resultado bem-sucedido aumenta o orçamento.

Cobrança por resolução e orçamento para 10 segundos

A tabela de multiplicadores padrão atual é a seguinte:

Orçamento = preço unitário da resolução escolhida × duração solicitada × quantidade. O orçamento de um item de 10 segundos é: 360p $0.229, 720p $0.343, 1080p $0.343, 4k $0.80.

A cobrança real e os multiplicadores aplicáveis prevalecem na liquidação final; não se pode inferir a cobrança a partir de segundos fracionários no contêiner do arquivo. Não presuma que tarefas com falha são sempre cobradas ou sempre gratuitas, nem estime dobrando o custo a cada tentativa ou considerando fixo o custo de requisições de texto.

Em uma validação em produção em 11 de novembro de 2026, uma tarefa de texto para vídeo de 3 segundos em 360p levou cerca de 34 segundos e foi cobrada $0.0687, consistente com o preço unitário dessa especificação multiplicado pela duração solicitada. Essa amostra não significa que a qualidade e a cobrança de outras especificações ou modos tenham sido testadas em campo.