Gemini Omni 1.1 Flash API
Gemini Omni 1.1 Flash es un modelo multimodal rápido y eficiente de Google DeepMind que genera vídeo con audio nativo a partir de texto, imágenes, audio o vídeo, unificando todo el flujo en una sola API.
Gemini Omni 1.1 Flash es un modelo de Google DeepMind que unifica el procesamiento de texto, imagen, audio y vídeo en una única API. Genera vídeo a partir de indicaciones de texto, de una sola imagen, de imágenes y vídeos de referencia, o de fotogramas inicial y final para interpolación. Además, produce audio nativo —voz, música y efectos de sonido— junto con el vídeo, y permite editar conversacionalmente mediante instrucciones en lenguaje natural.
El modelo está pensado para tareas de producción audiovisual y marketing: crear vídeos desde briefs de campaña, imágenes de producto o guiones gráficos; refinar escenas de forma iterativa; generar vídeos guiados por locución; crear contenido explicativo multilingüe; extender clips existentes con indicaciones; y prototipar nuevas funciones de IA. Su modo borrador en 360p es hasta un 60% más rápido que la generación estándar en 720p y cuesta un tercio, mientras que la generación en 720p y el reescalado a 4K cubren la calidad final. Admite hasta 7 imágenes de referencia y 3 vídeos de referencia, y permite extender escenas en incrementos de 10 segundos hasta un total de 40 segundos.
Entre sus limitaciones, no genera ni edita imágenes, no admite salida estructurada, instrucciones de sistema, caché de contexto ni ajuste fino. Una revisión práctica de mayo de 2026 documentó un límite de 4 turnos en la edición conversacional. El modelo está disponible a través de Gemini API, la Agent Platform de Google Cloud y herramientas de terceros como Comfy y Nenis, e incluye compatibilidad con Content Credentials (C2PA) para la procedencia del contenido.
Actualizado:
ID DEL MODELO
gemini-omni-1.1-flash- Contexto
- 131.072K
- Salida máx.
- 65.536K
- Entrada
- text / image / video
- Salida
- video
Aspectos destacados
- Generación de vídeo desde texto, imagen, audio o vídeo
- Audio nativo: voz, música y efectos
- Edición conversacional en lenguaje natural
- Modo borrador 360p un 60% más rápido
- Hasta 7 imágenes y 3 vídeos de referencia
- Extensión de escenas hasta 40 segundos
Proveedores
Compara los precios de API entre proveedores. Selecciona un proveedor para ver todos los cargos y condiciones.
| Disponibilidad | |
|---|---|
Las estadísticas históricas no son una comprobación en tiempo real. La falta de datos no implica una interrupción.
Razonamiento
- Esfuerzo predeterminado
- low
- Siempre activado
- Sí
- Niveles de esfuerzo disponibles
- high / low
Especificaciones de vídeo
- Relaciones de aspecto
- 16:9 / 9:16
- Audio · Salida
- Sí
- Resoluciones
- 720p / 1080p / 4K / 360p
Referencia de la API
Los detalles del protocolo de este modelo no están publicados. Consulta la referencia de la API para los requisitos de integración.
Referencia de la API →Parámetros compatibles
- prompt
- duration
- resolution
- aspect_ratio
- generate_audio
- seed
- size
- frame_images
- input_references
- user
- session_id
- trace
Preguntas frecuentes
¿Qué es Gemini Omni 1.1 Flash?
Gemini Omni 1.1 Flash es un modelo de Google DeepMind que unifica el procesamiento de texto, imagen, audio y vídeo en una única API. Genera vídeo a partir de indicaciones de texto, de una sola imagen, de imágenes y vídeos de referencia, o de fotogramas inicial y final para interpolación. Además, produce audio nativo —voz, música y efectos de sonido— junto con el vídeo, y permite editar conversacionalmente mediante instrucciones en lenguaje natural. El modelo está pensado para tareas de producción audiovisual y marketing: crear vídeos desde briefs de campaña, imágenes de producto o guiones gráficos; refinar escenas de forma iterativa; generar vídeos guiados por locución; crear contenido explicativo multilingüe; extender clips existentes con indicaciones; y prototipar nuevas funciones de IA. Su modo borrador en 360p es hasta un 60% más rápido que la generación estándar en 720p y cuesta un tercio, mientras que la generación en 720p y el reescalado a 4K cubren la calidad final. Admite hasta 7 imágenes de referencia y 3 vídeos de referencia, y permite extender escenas en incrementos de 10 segundos hasta un total de 40 segundos. Entre sus limitaciones, no genera ni edita imágenes, no admite salida estructurada, instrucciones de sistema, caché de contexto ni ajuste fino. Una revisión práctica de mayo de 2026 documentó un límite de 4 turnos en la edición conversacional. El modelo está disponible a través de Gemini API, la Agent Platform de Google Cloud y herramientas de terceros como Comfy y Nenis, e incluye compatibilidad con Content Credentials (C2PA) para la procedencia del contenido.
¿Cómo se cobra el uso?
Tu factura depende del proveedor que uses, de sus precios y de tu uso. Las entradas más largas u otras condiciones pueden tener precios distintos. Se factura según el costo real de generación. Consulta tu factura para el importe final.
¿Qué tipos de entrada admite Gemini Omni 1.1 Flash?
Acepta texto, imágenes, audio y vídeo como entrada, y puede generar vídeo con audio nativo como salida.
¿Cuánto puede durar un vídeo generado?
El modelo puede extender escenas en incrementos de 10 segundos hasta un total de 40 segundos.
¿Qué modos de calidad de vídeo ofrece?
Ofrece un modo borrador en 360p, generación en 720p y reescalado a 4K. El modo borrador en 360p es hasta un 60% más rápido que la generación estándar en 720p y cuesta un tercio.
¿Puede editar vídeo de forma conversacional?
Sí, permite la edición conversacional de vídeo mediante instrucciones en lenguaje natural, aunque una revisión práctica de mayo de 2026 documentó un límite de 4 turnos.
¿Cuántas imágenes y vídeos de referencia acepta?
Admite hasta 7 imágenes de referencia y 3 vídeos de referencia para la generación.
¿Genera o edita imágenes?
No, Gemini Omni 1.1 Flash no admite generación ni edición de imágenes.
Modelos relacionados
Gemini Omni 1.2 Flash
GoogleVídeogemini-omni-1.2-flashModelo de Google que genera y edita vídeo a partir de texto, imágenes, audio y vídeo mediante conversación en lenguaje natural, con una sólida comprensión de la física y el contexto cultural.
Resolución
720p / 1080p / 4K / 360p
Duración
—
Se factura según el costo real de generación. Consulta tu factura para el importe final.
Veo 3.1 Fast
GoogleVídeoveo-3.1-fastModelo de generación de vídeo de Google que crea vídeos cinematográficos a partir de texto o de imágenes dentro de Google Cloud Model Garden.
Resolución
720p / 1080p / 4K
Duración
—
Se factura según el costo real de generación. Consulta tu factura para el importe final.