Руководство по подключению Gemini Omni 1.2 Flash: режимы ввода, параметры и тарификация по спецификациям

Модель и границы возможностей

В HiAPI сейчас公开но доступна gemini-omni-1.2-flash для генерации видео. Поддерживается генерация видео по тексту, генерация видео по первому кадру, переход между первым и последним кадром и генерация видео по референсным изображениям. Редактирование видео, продолжение видео, ввод видео или аудио не поддерживаются, параметр seed также не предоставляется.

Задачи отправляются единообразно через POST /v1/tasks; тело запроса использует структуру {"model":"gemini-omni-1.2-flash","input":{...},"storage":"temp"}.

Режимы ввода и правила взаимоисключения

Режим выбирается по материалам:

• Генерация видео по тексту: передаётся только prompt, без каких-либо полей изображений.
• Генерация видео по первому кадру: передаются prompt и first_frame_url, начальный кадр задаётся одним публичным изображением.
• Переход между первым и последним кадром: одновременно передаются first_frame_url и last_frame_url; last_frame_url зависит от first_frame_url, этот режим длится максимум 10 секунд и не допускает negative_prompt или system_prompt.
• Генерация видео по референсным изображениям: передаются prompt и image_urls, от 1 до 10 публичных HTTP(S)-референсов задают стиль или субъект. Если передан только один image_urls, он всё равно остаётся референсом, а не первым кадром.

image_urls взаимоисключающи с first_frame_url и last_frame_url, их нельзя смешивать в одном запросе. Все параметры изображений принимают только публичные HTTP(S) URL, Base64 не поддерживается.

Параметры и значения по умолчанию

Не следует предполагать, что во всех режимах будет звук, синхронизация губ, точный текст или полное соответствие субъекта/бренда; всё это не гарантируется.

Два готовых к копированию запроса POST /v1/tasks

API-ключ при вызове обозначается только заполнителем YOUR_API_KEY, реальный ключ не записывается. В обоих запросах используется storage: "temp".

3-секундное видео по тексту в 360p

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "Белый бумажный самолётик взлетает со стола, проносится мимо синего стекла, камера медленно следует за ним",
    "duration": 3,
    "resolution": "360p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

10-секундное видео по первому кадру в 720p

В примере https://example.com/first-frame.png — адрес-заполнитель, перед вызовом его необходимо заменить на реальное публично доступное изображение; это не реальный входной материал.

{
  "model": "gemini-omni-1.2-flash",
  "input": {
    "prompt": "Здание на кадре переходит от рассвета к сумеркам, свет медленно перемещается, камера слегка наезжает",
    "first_frame_url": "https://example.com/first-frame.png",
    "duration": 10,
    "resolution": "720p",
    "aspect_ratio": "16:9"
  },
  "storage": "temp"
}

В запрос генерации видео по первому кадру не добавляйте image_urls; они взаимоисключающи.

Отправка, запрос и повтор

После отправки сохраните возвращённый ID задачи, запрашивайте статус и результат этой задачи через GET /v1/tasks/{id}, заменяя {id} на фактический ID задачи. Запросы запроса и отправки используют один и тот же API-ключ.

При сетевом тайм-ауте, если ID задачи уже получен, сначала запросите существующую задачу; если ID задачи ещё не получен, повторите отправку с исходным Idempotency-Key, чтобы восстановить ту же задачу и избежать создания дубликатов. Повторное создание задачи при успешном, но неудовлетворительном результате увеличивает бюджет.

Тарификация по разрешению и бюджет на 10 секунд

Текущие тарифы по умолчанию следующие:

Бюджет = цена выбранного разрешения × длительность запроса × количество. Бюджет одного 10-секундного ролика: 360p — $0.229, 720p — $0.343, 1080p — $0.343, 4k — $0.80.

Фактический счёт и применяемые коэффициенты определяются окончательным расчётом; нельзя выводить тарификацию по числу дробных секунд в файловом контейнере. Не предполагайте, что неудачные задачи всегда платные или всегда бесплатные, и не оценивайте по удвоению стоимости за раунд или постоянной стоимости текстовых запросов.

В одной производственной проверке 11 ноября 2026 года задача генерации 3-секундного видео по тексту в 360p заняла около 34 секунд, фактическое списание составило $0.0687, что соответствует цене данной спецификации, умноженной на длительность запроса. Эта выборка не означает, что качество и тарификация других спецификаций или режимов уже проверены на практике.