下の「テキストから動画を生成する」の例の出力:gemini-omni-1.2-flash、720p、10秒、16:9。人物がプロンプトのセリフを話します(プロンプトは出力例に対応するため英語のままです)
料金と選び方
料金
Gemini Omni 1.2 Flashは1本ごとの課金で、料金はresolution だけで決まります。
seconds:3〜10秒はどの長さでも同じ料金です。720pの10秒クリップなら、1秒あたり$0.03です。- 画像:先頭フレームや参照画像を送っても、料金は変わりません。
reasoning_effortとアスペクト比:どの値でも同じ料金です。
- タスクの作成時に課金され、失敗したタスクは全額返金されます。コンテンツの審査でブロックされたタスクも返金されます。
- パラメーターエラーで送信時に拒否されたリクエストは、課金されません。
- 再送するたびに新しいタスクが作成され、再び課金されます。自社のジョブIDとタスクの
idの対応を保存してください。
動画モデルの選び方
2026年11月11日時点で、1080pの10秒クリップでは、Gemini Omni 1.2 FlashがLaoZhang APIで最も低価格です($0.45)。360pは1本$0.10なので、プロンプトをまとめて試すのに向いています。- 人物にセリフを話させたい、または1080pが必要:Gemini Omni 1.2 Flashを使います。
- 20〜60秒の連続したクリップ、既存動画の延長、1:1や4:3などの比率が必要:Museを使います。エンドポイントは同じ
/v1/videosで、同じトークンのままモデルを切り替えられます。 - 2K、参照動画、参照音声が必要:MiniMax H3を使います。
出力例
次のクリップは、編集していないGemini Omni 1.2 Flashの出力で、モデルが生成した音声がそのまま付いています。クリックすると再生されます。キャプションには、解像度、長さ、アスペクト比、プロンプトを載せています。 Museの出力例とMiniMax H3の出力例は同じプロンプトを使っているため、同じシーンでモデルを比較できます。720p、5秒、16:9。プロンプト:A red fox walking through snowy forest at sunrise, cinematic
720p、10秒、16:9。プロンプト:A paper boat drifts down a rainy city gutter, then sails into a small sunny pond
1080p、10秒、16:9。プロンプト: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の縦向き。プロンプト:A cyclist rides through a coastal town from morning to sunset: market, harbor, cliff road, lighthouse
始める前に
トークンの作成
トークン管理で、次の設定でトークンを追加します。仕組み
タスクを作成する
model と prompt を指定して、POST /v1/videos を呼びます。このエンドポイントは非同期で、動画の完成を待たずに、数秒でタスクの ID を返します。この ID を保存してください。状態をポーリングする
GET /v1/videos/{id} を呼び、status を読み取ります。360pの短いクリップは通常30〜60秒、720pの10秒クリップは約1分、1080pの10秒クリップは約1.5〜2分で完了します。結果をダウンロードする
status が completed になったら、video_url からMP4をダウンロードします。ダウンロードに Authorization ヘッダーは不要です。準備
cURLの例では、レスポンスのフィールドを読み取るためにjq を使います(macOSでは brew install jq)。先にキーとベースURLを設定します。
動画を生成する
テキストから動画を生成する
resolution:省略すると720pです。まず仕上がりを確かめたいだけなら360pを指定すると、1本$0.10で済みます。seconds:3〜10の整数で、省略すると10秒です。aspect_ratio:16:9または9:16で、省略すると16:9です。
人物にセリフを話させる
セリフはprompt にそのまま書きます。引用符で囲み、誰が話すのかを書くと、クリップの中の人物がそのセリフを口にします。セリフは、日本語、英語、中国語、韓国語、ロシア語で話せます。上の例は英語のセリフで、下の「画像から動画を生成する」の例は日本語のセリフです。
セリフを書かない場合は、モデルが映像に合わせて環境音と効果音を付けます。入れたい音があるときは、プロンプトに書いてください。上の例では、最後の文で雨とバイオリンの音を指定しています。
画像から動画を生成する
image に画像を1枚指定すると、クリップはその画像の画面から始まります。画像は、公開URLまたは data:image/...;base64, のデータURLで渡します。
input_reference です。
-F でアップロードするときは、Content-Type: application/json を設定しないでください。画像は1枚あたり10 MBまでで、JPEG、PNG、WebPに対応します。
参照画像から生成する
reference_images に複数の画像を指定すると、モデルは画像の中の人物、物、場所を1本のクリップにまとめます。プロンプトでは、配列の順の番号で画像を指し示します。次の例では、英語で「image 1」「image 2」と書いています。
imageとreference_imagesは合わせて最大6枚で、7枚以上送るとエラーが返ります。- multipartでアップロードするときは、参照画像のフィールド名も
reference_imagesで、複数回指定できます。 imageとreference_imagesは同時に送れます。imageが最初の画面を決め、参照画像は登場させたい人物や物を伝えます。- 実在の人物についての制限は、下の「コンテンツの制限」を参照してください。
縦向きと1080pで生成する
縦向きにするには、"aspect_ratio": "9:16" を指定します。代わりに size を使うと、解像度と比率をまとめて指定できます。次は、1080pの縦向きの例です。
size に使える値は、下の「リクエストのフィールド」にあります。料金は対応する解像度の区分で決まり、1080x1920 なら1080pの$0.45です。
ポーリングとダウンロード
タスクを取得する
status が in_progress になり、progress におおよその進捗が入ります。
video_url が入ります。
status: "failed" になり、理由が error.message に入ります。課金はすでに返金されています。
動画をダウンロードする
Authorization ヘッダーを付けて GET /v1/videos/{id}/content を呼んでも、MP4ファイルが返ります。動画のリンクは7日間利用できます。長く使う動画は、ダウンロードして自分で保存してください。
最小のPythonクライアント
requests が必要です(pip install requests)。
APIリファレンス
リクエストのフィールド
size と、解像度・比率の対応です。
- 参照動画、参照音声、末尾フレーム(
video_url、last_frameなどのフィールド) - 2K、4K、および
16:9・9:16以外のアスペクト比 - 3秒未満、または10秒を超える
seconds
出力の仕様
- 形式はMP4で、H.264の映像にAACの音声が付き、24 fpsです。
- サイズと長さはリクエストのとおりです。たとえば
720pと9:16なら、720×1280で出力されます。 - ファイルには、GoogleのC2PAコンテンツ認証情報(Content Credentials)と、目に見えないSynthIDの電子透かしが入ります。画面に見える透かしはありません。
タスクの状態
コンテンツの制限
次の2種類の内容はモデルにブロックされます。タスクはfailed で返り、全額返金されます。
- プロンプトに実在の人物の名前があると、ブロックされます。モデルは実在の人物の肖像も生成しないため、有名人の写真のような画像はブロックされることがあります。
- 性的な内容と、著作権で保護されたキャラクターもブロックされます。
エラー
エラーメッセージは英語で返ります。次の表は、エラーが返る場所ごとに並べています。よくある質問
Gemini Omni 1.2 Flash APIの料金は1本いくらですか?
解像度ごとの料金で、360pが1本$0.10、720pが$0.30、1080pが$0.45です。3〜10秒はどの長さでも同じ料金です。10秒のクリップなら、Googleの公式価格の約43%です。比較は上の「料金」にあります。Gemini Omni 1.2 FlashにGoogleアカウントは必要ですか?
いいえ。GoogleアカウントもGemini APIキーも必要ありません。LaoZhang APIのdefault グループのトークンで、POST /v1/videos を呼ぶだけです。課金方式は従量優先を選んでください。
Gemini Omni 1.2 Flashは最長何秒ですか? 4Kは出せますか?
1本あたり3〜10秒で、解像度は最大1080pです。2Kと4Kには対応していません。20〜60秒の連続したクリップが必要なときはMuseを、2Kが必要なときはMiniMax H3を使ってください。Gemini Omni 1.2 Flashの動画に透かしは入りますか?
画面に見える透かしは入りません。ファイルには、GoogleのC2PAコンテンツ認証情報と、目に見えないSynthIDの電子透かしが入ります。どちらも、動画がAIで生成されたことを示すためのものです。Gemini Omni 1.2 Flashの生成時間はどのくらいですか?
360pの短いクリップは通常30〜60秒、720pの10秒クリップは約1分、1080pの10秒クリップは約1.5〜2分です。エンドポイントは非同期で、送信もポーリングもすぐに返るため、5〜10秒おきに状態を確認してください。MuseやSora 2のコードをGemini Omniに切り替えるには?
エンドポイントは同じです。作成と取得のパスも、トークンも変える必要はありません。変更するのは次の3点です。modelをgemini-omni-1.2-flashにする。secondsを3〜10にする。- 360pか1080pが必要なときは、
resolutionを加える。省略すると720pになる。
関連ドキュメントと出典
- 動画APIの比較と料金:各動画モデルの1本あたりの費用、エンドポイント、トークングループの比較
- Muse 動画生成API:同じエンドポイントで使える、20〜60秒の長いクリップと動画の延長
- モデルと料金
- Gemini Omni 1.2 Flash提供開始のお知らせ(英語)
- Google:Gemini Omni 1.2 Flashの発表(モデルの機能。2026年11月11日に確認)
- Google:Gemini APIの料金(公式の1秒あたりの料金。2026年11月11日に確認)