TellWorldAI 世界档案
问档案English

首页›实践›实践

实践

Gemini Omni 1.2 Flash 视频生成 API 怎么调用

用 gemini-omni-1.2-flash 模型 ID 生成第一条视频,并掌握画幅、分辨率、时长、参考图和多轮编辑等参数的写法与限制。

这篇适合谁

这篇适合想用 API 生成或编辑视频的开发者。读完后,你应该能用 Python、命令行或 REST 生成第一条视频,并知道画幅、分辨率、时长和参考图分别怎么设置,以及哪些功能目前不能用。

Gemini Omni 1.2 Flash 是什么

Gemini Omni 1.2 Flash 的模型 ID 是 gemini-omni-1.2-flash,它是一个多模态模型,主要用于快速生成视频、对话式编辑和镜头控制[1]。它可以接收文本、图片和视频作为输入,生成带有同步原生音频的视频,单条最长 15 秒[1]。

它的几个重点能力如下:

  • 多轮编辑和延伸:通过 Interactions API,你可以用自然语言分多轮修改或延伸视频。模型会更新视频,同时保留场景的其余部分[1]。
  • 角色一致性:最多 6 张参考图,可以让角色和物体在不同镜头之间保持一致[1]。

旧模型 gemini-omni-1.1-flash 还会保留一段为期 4 周的过渡期。从 2026 年 12 月 3 日起,发给它的请求会自动转到 gemini-omni-1.2-flash,代码不用改,计费按 1.2 Flash 的费率执行[1]。如果你的项目还在用 1.1 的模型名,可以提前换成新的 ID。

第一条视频:文生视频

官方示例使用 Python 的 genai 客户端。调用 client.interactions.create 时传入模型 ID 和提示词,返回结果中的 interaction.output_video.data 是 base64 编码的视频,解码后写入文件即可[1]:

import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input="A marble rolling fast on a chain reaction style track, continuous smooth shot."
)
with open("marble.mp4", "wb") as f:
    f.write(base64.b64decode(interaction.output_video.data))

如果不想写代码,也可以用命令行。-m 指定模型,--out 指定输出文件[1]:

gemini-api video "A marble rolling fast on a chain reaction style track, continuous smooth shot." \
  -m gemini-omni-1.2-flash \
  --out marble.mp4

注意 interaction.output_video 只是 SDK 提供的便捷字段。直接调用 REST 接口时,要从响应里的 steps 数组中取视频数据[1]。REST 的地址是 https://generativelanguage.googleapis.com/v1beta/interactions,请求体里用 model 指定模型,用 input 传入提示词[1]。

调整画幅、分辨率和时长

这三个参数的设置位置不同,容易混淆:

  • 画幅:aspect_ratio 设为 "9:16" 可以生成竖屏视频,默认是 16:9 横屏[1]。
  • 分辨率:在 response_format 里设置 resolution,可选 360p、720p(默认)、1080p 和 4k。其中 1080p 和 4k 是放大后的输出[1]。
  • 时长:在 response_format 里设置 duration,可以是 3 到 15 之间的任意整秒,默认 10 秒。设置之后会覆盖提示词里提到的时长。超过 15 秒会返回 invalid argument 错误[1]。

图生视频和首尾帧

图生视频的做法是把参考图和提示词一起传入。模型会自己判断如何使用这张图,适合让商品图、插画或照片动起来。官方建议使用高分辨率的图片,并且把镜头运动、主体动作和环境效果写具体[1]。

如果想指定开头和结尾,可以在 input 列表里放两张图,描述两者之间的过渡。首尾帧插值支持 3 到 10 秒的时长,两张图搭配超过 10 秒的时长会返回 invalid argument 错误[1]。

要让同一个角色或物体在多个镜头里保持一致,可以使用主体参考。每次请求最多 6 张参考图,每个角色最多 3 张,最多支持 2 个角色[1]。

task 参数(放在 video_config 里)可以指定生成模式,可选值有 text_to_video、image_to_video、reference_to_video、edit 和 extend。官方建议先只用自然语言提示;只有提示无法选中想要的模式时,才把 task 当作备用手段[1]。提示词里不要写 <FIRST_FRAME>、<IMAGE_REF_0> 这类控制字符串,它们已经被弃用[1]。

多轮编辑和延伸视频

生成视频后,把 previous_interaction_id 传给下一轮请求,就可以在上一条结果的基础上修改,不需要重新上传视频。模型会记得上下文,没有提到的元素会保留下来[1]。编辑时简单的提示词效果最好。想保持其余部分不变,就加上「Keep everything else the same」[1]。

要编辑自己上传的视频,要先用 Files API 上传,视频不超过 15 秒[1]。

视频延伸是在片尾追加内容。模型用输入视频的最后 10 秒作为上下文,每轮延伸 3 到 10 秒,默认 10 秒,总长最多 30 秒。它只能接在末尾,不能在开头加内容,也不能在中间插入[1]。

取回大视频

超过 4MB 的视频,可以在 response_format 里设置 delivery="uri"。响应会给出一个 Google 托管的 URI,轮询到视频状态变成 ACTIVE 后再下载[1]。

限制

  • 不支持系统指令、temperature、top_p、停止序列和负面提示词字段[1]。
  • 不支持预置吞吐量、音频输入或音频参考、语音编辑,也不能用 YouTube 视频作为输入[1]。
  • 参考视频只能用于生成新视频,不能用于编辑或延伸。11 到 15 秒的视频最多支持 1 个参考视频,且参考视频不超过 3 秒[1]。
  • 生成的视频都带有 SynthID 水印,观众看不到,但可以用程序检测来核实来源[1]。
  • 官方明确支持英文,其他语言没有评估过,效果可能有差异[1]。

提示词怎么写

要得到单个连续的场景,需要在提示词里明确写出,比如「in a single continuous shot」和「no scene cuts」[1]。想要特定的音乐或声音,就直接描述,比如「Include calm background music」[1]。

下一步

页面末尾还有一份提示词指南,涵盖单场景、编辑和音频等写法[1]。

来源

  1. 1

引用本页: Gemini Omni 1.2 Flash 视频生成 API 怎么调用. TellWorld, https://www.tellworld.net/zh/practice/practice-gemini-omni-1-2-flash-video. 更新于 2026-11-15

相关动态