跳转到主要内容
Gemini Omni 1.2 Flash 是 Google 的视频生成模型,成片自带音轨,人物能说出提示词里写的台词,最高输出 1080p。老张API按次计费:360p 每个 $0.10,720p $0.30,1080p $0.45,3–10 秒同价。

「文生视频」示例的输出:gemini-omni-1.2-flash,720p,10 秒,16:9,人物说出提示词里的台词

价格与选型

计费与价格

Gemini Omni 1.2 Flash 按次计费,价格只由 resolution 决定: 不影响价格的参数:
  • seconds:3–10 秒同价,10 秒的 720p 视频合每秒 $0.03。
  • 图片:带不带首帧或参考图价格相同。
  • reasoning_effort 和画面比例。
扣费规则:
  • 创建任务时扣费,失败的任务全额退回,包括被内容审核拦截的任务。
  • 参数不合法、在提交阶段直接返回错误的请求不扣费。
  • 重复提交会创建新任务并再次计费,业务层请保存业务 ID 与任务 id 的对应关系。
每个任务的实际扣费以调用日志为准。 10 秒视频约为 Google 官方价的 4.3 折。 Google 的 Gemini API 按秒计费,10 秒视频的官方价与老张API对照(2026 年 11 月 11 日核对,来源见页面末尾):

和其他视频模型怎么选

截至 2026 年 11 月 11 日,10 秒的 1080p 视频里 Gemini Omni 1.2 Flash 在老张API单价最低($0.45);360p 每个 $0.10,适合批量试效果。
  • 人物要开口说台词,或需要 1080p:选 Gemini Omni 1.2 Flash。
  • 要 20–60 秒的连续视频、续写已有视频,或 1:1、4:3 等比例:选 Muse,接口同为 /v1/videos,同一个令牌可以直接换模型。
  • 要 2K、参考视频或参考音频:选 MiniMax H3。
各模型一条 5 秒、10 秒视频的费用和接口对照见视频生成 API 选型与价格。

效果示例

下面的视频都是 Gemini Omni 1.2 Flash 的原始输出,没有剪辑,保留模型生成的音轨,点击即可播放。图注里写了分辨率、时长、画面比例和提示词。 Muse 的效果示例和 MiniMax H3 的效果示例用了同一组提示词,可以对比同一场景下的画面。

720p,5 秒,16:9。提示词:A red fox walking through snowy forest at sunrise, cinematic

720p,10 秒,16:9。提示词:A paper boat drifts down a rainy city gutter, then sails into a small sunny pond

1080p,10 秒,16:9。提示词:A hot air balloon rises over a valley at dawn, drifts over a river and a village, then lands in a meadow

1080p,10 秒,9:16 竖屏。提示词:A cyclist rides through a coastal town from morning to sunset: market, harbor, cliff road, lighthouse

开始之前

创建令牌

在令牌管理新增令牌,按下面配置: 不需要 Google 账号或 Gemini API Key,也不用单独开通视频分组。已经在用 Muse 的令牌可以直接调用。

调用流程

1

创建任务

调用 POST /v1/videos,请求体至少包含 model 和 prompt。接口是异步的,几秒内就返回任务 id,不用等视频生成完,请保存好它。
2

轮询状态

每 5–10 秒调用一次 GET /v1/videos/{id},读取 status。360p 的短视频通常 30–60 秒完成,720p 的 10 秒视频约 1 分钟,1080p 的 10 秒视频约 1.5–2 分钟。
3

下载结果

status 为 completed 时,从 video_url 下载 MP4,下载不需要 Authorization 请求头。
轮询最多等 15 分钟,没完成前不要重新提交。
  • 提交和查询请求本身都会立即返回,不需要加长 HTTP 请求的超时时间。
  • 期间状态一直是 queued 或 in_progress 就继续查。
  • 放弃轮询后,用同一个 id 稍后再查;重新提交会创建新任务并再次扣费。
  • 超过 30 分钟仍未完成的任务会自动判为失败并全额退款。

准备环境

下面的 cURL 示例用 jq 提取字段(macOS 可用 brew install jq 安装)。先设置密钥和 Base URL:

生成视频

文生视频

创建成功时返回排队中的任务:
三个可选字段都有默认值:
  • resolution:不传时为 720p。只想先看效果时传 360p,每个 $0.10。
  • seconds:3–10 的整数,不传时为 10。
  • aspect_ratio:16:9 或 9:16,不传时为 16:9。

让人物说台词

把台词直接写进 prompt,用引号括起来并写明是谁说的,成片里的人物会开口说出这句话。中文、英文、日语、韩语和俄语台词都可以,上面的示例就是这样写的。 不写台词时,模型会按画面自动配环境音和音效。想要某种声音,在提示词里写出来,例如“背景有雨滴声和琴声”。

图生视频

用 image 传一张图片,成片从这张图的画面开始。图片可以是公网链接或 data:image/...;base64, 格式的 data URL:
本地图片可以用 multipart 直接上传,字段名是 input_reference:
使用 -F 上传时不要设置 Content-Type: application/json。每张图片不超过 10 MB,支持 JPEG、PNG 和 WebP。

参考图生视频

reference_images 传多张图片,模型会把图里的人物、物品和场景放进同一条视频。提示词里用“图 1”“图 2”按数组顺序指代:
  • image 和 reference_images 合计最多 6 张,第 7 张起会返回错误。
  • multipart 上传时,参考图的字段名是 reference_images,可以重复多次。
  • image 和 reference_images 可以同时传:image 定起始画面,参考图提供要出现的人物或物品。
  • 涉及真实人物的限制见内容限制。

竖屏和 1080p

竖屏传 "aspect_ratio": "9:16"。也可以改用 size 同时指定分辨率和比例,例如 1080p 竖屏:
size 可用的值见请求字段。价格按对应的分辨率档位计算,1080x1920 就是 1080p 的 $0.45。

查询和下载

查询任务

生成中时 status 为 in_progress,progress 为大致进度:
完成后返回 video_url:
失败时 status 为 failed,原因在 error.message,费用已经退回:

下载视频

也可以用 GET /v1/videos/{id}/content 带上 Authorization 下载,返回的就是 MP4 文件。视频链接保留 7 天,需要长期使用请下载后自己保存。

Python 最小客户端

需要 requests(pip install requests):

API 参考

请求字段

size 与分辨率、比例的对应关系: 不支持的输入会在提交时直接返回错误,不扣费:
  • 参考视频、参考音频和尾帧(video_url、last_frame 等字段)。
  • 2K、4K,以及 16:9、9:16 以外的画面比例。
  • 小于 3 秒或大于 10 秒的 seconds。

输出规格

  • 格式:MP4,H.264 视频加 AAC 音轨,24fps。
  • 尺寸和时长与请求一致,例如 720p 加 9:16 输出 720×1280。
  • 文件带 Google 的 C2PA 内容凭证和不可见的 SynthID 水印,画面上没有可见水印。

任务状态

内容限制

下面两类内容会被模型拦截,任务以 failed 返回并全额退费:
  • 真实人物:提示词里出现真实人物的姓名会被拦截,模型也不生成真实人物的肖像,名人照片这类图片可能被拦截。
  • 色情内容,以及受版权保护的角色形象。
普通的人物图片可以正常使用,例如 AI 生成的人像。

常见错误

报错信息为英文,下表按出现的位置列出:

常见问题

Gemini Omni 1.2 Flash API 每个视频多少钱?

按分辨率计费:360p 每个 $0.10,720p $0.30,1080p $0.45,3–10 秒同价。10 秒的视频约为 Google 官方价的 4.3 折,对照见计费与价格。

需要 Google 账号或 Gemini API Key 吗?

不需要。用老张API default 分组的令牌调用 POST /v1/videos 即可,计费模式选按量优先。

最长能生成多少秒,能出 4K 吗?

单条 3–10 秒,分辨率最高 1080p,不支持 2K 和 4K。需要 20–60 秒的连续视频时用 Muse,需要 2K 时用 MiniMax H3。

生成的视频有水印吗?

画面上没有可见水印。文件里带 Google 的 C2PA 内容凭证和不可见的 SynthID 水印,用来标识视频由 AI 生成。

一条视频要等多久?

360p 的短视频通常 30–60 秒,720p 的 10 秒视频约 1 分钟,1080p 的 10 秒视频约 1.5–2 分钟。接口是异步的,提交和查询都会立即返回,每 5–10 秒查询一次即可。

原来调用 Muse 或 Sora 2 的代码怎么改?

接口相同,创建和查询的路径都不用改,令牌也不用换。只改三处:
  • model 改为 gemini-omni-1.2-flash。
  • seconds 改到 3–10。
  • 需要 360p 或 1080p 时加上 resolution,不加就是 720p。

相关文档与来源