メインコンテンツへスキップ
Gemini Omni 1.2 Flashは、音声付きのクリップの中で、プロンプトに書いたセリフを人物が話すGoogleの動画生成モデルです。LaoZhang APIでは1本ごとの課金で、360pが$0.10、720pが$0.30、1080pが$0.45、3〜10秒はどの長さでも同じ料金です。

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。 次のパラメーターは、料金に影響しません。
  • 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。
課金のルールです。
  • 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。
実際の課金額は、タスクごとに呼び出しログで確認できます。 10秒のクリップは、Googleの公式価格の約43%です。 GoogleのGemini APIは1秒ごとの課金です。次の表は、10秒のクリップでGoogleの公式価格とLaoZhang APIの料金を比べたものです(2026年11月11日に確認。出典はページ末尾の「関連ドキュメントと出典」)。

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。
各モデルで5秒・10秒のクリップがいくらか、どのエンドポイントを使うかは、動画APIの比較にまとめています。

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。 GoogleアカウントもGemini APIキーも必要ありません。動画専用のグループを有効にする必要もありません。すでにMuseで使っているトークンは、そのまま使えます。

仕組み

1

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。
2

状態をポーリングする

5〜10秒おきに 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。
3

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。
最大15分間ポーリングを続け、タスクの実行中は再送しないでください。
  • 送信とポーリングのどちらもすぐに返るため、HTTPのタイムアウトを長くする必要はありません。
  • status が queued か in_progress の間は確認を続けます。
  • ポーリングをやめた場合は、あとで同じ id を確認してください。再送すると新しいタスクが作成され、再び課金されます。
  • 30分たっても完了していないタスクは、失敗として扱われ、全額返金されます。

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

リクエストが成功すると、待機中のタスクが返ります。
この3つの任意フィールドには、いずれも既定値があります。
  • 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。
ローカルの画像は、multipartフォームデータでそのままアップロードできます。フィールド名は 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

生成中は status が in_progress になり、progress におおよその進捗が入ります。
完了すると、タスクに video_url が入ります。
失敗したタスクは 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。 次の入力には対応していません。送信時にエラーが返り、課金されません。
  • 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。
AIで生成した人物画像など、一般的な人物の画像は問題なく使えます。

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