Felo API PlatformFelo API Platform
بازگشت به مدل‌ها

Gemini Omni 1.1 Flash API

مدل ویدیوی چندوجهی سریع و مقرون‌به‌صرفه Google DeepMind که متن، تصویر، صدا و ویدیو را در یک API واحد پردازش می‌کند و ویدیو با صدای بومی تولید می‌کند.

Gemini Omni 1.1 Flash یک مدل چندوجهی از Google DeepMind است که متن، تصویر، صدا و ویدیو را به‌عنوان ورودی می‌پذیرد و ویدیو به‌همراه صدای بومی (گفتار، موسیقی و جلوه‌های صوتی) تولید می‌کند. این مدل می‌تواند ویدیو را از یک متن، از یک تصویر، یا با تکیه بر تصاویر و ویدیوهای مرجع بسازد و حتی از فریم اول و آخر برای درون‌یابی استفاده کند. صحنه‌ها را می‌توان به‌صورت ۱۰ ثانیه‌ای تا مجموع ۴۰ ثانیه گسترش داد و ویرایش گفتگومحور ویدیو با دستورهای زبان طبیعی ممکن است.

این مدل یک خط لوله تولید ویدیو را که در حالت عادی به سه یا چهار مدل جداگانه نیاز داشت، در یک فراخوانی API واحد جمع می‌کند و تأخیر، هزینه و نرخ خطا را کاهش می‌دهد. حالت پیش‌نویس 360p تا ۶۰٪ سریع‌تر از تولید استاندارد 720p اجرا می‌شود و یک‌سوم هزینه آن را دارد. خروجی نهایی می‌تواند با افزایش کیفیت به 4K برسد و Content Credentials (C2PA) برای اصالت محتوا پشتیبانی می‌شود. این مدل حداکثر ۷ تصویر مرجع و ۳ ویدیوی مرجع را می‌پذیرد.

Gemini Omni 1.1 Flash برای تولید محتوای بازاریابی از بریف کمپین، تصاویر محصول، استوری‌بورد و مفاهیم بصری، استوری‌بورد گفتگومحور با اصلاح تکراری صحنه، تولید ویدیو با راهنمایی گفتار، محتوای توضیحی چندزبانه، گسترش کلیپ‌های موجود با دستور متنی و نمونه‌سازی اولیه قابلیت‌های هوش مصنوعی مناسب است. از محدودیت‌های آن می‌توان به عدم پشتیبانی از تولید و ویرایش تصویر، خروجی ساختاریافته، دستورهای سیستمی، کش کردن زمینه و تنظیم دقیق اشاره کرد؛ همچنین یک بررسی عملی در مه ۲۰۲۶ سقف چهار نوبت ویرایش را ثبت کرده است.

به‌روزرسانی:

MODEL ID

gemini-omni-1.1-flash
زمینه
131.072K
حداکثر خروجی
65.536K
ورودی
text / image / video
خروجی
video

نکات برجسته

  • پردازش متن، تصویر، صدا و ویدیو در یک API
  • تولید ویدیو با صدای بومی
  • گسترش صحنه تا ۴۰ ثانیه
  • ویرایش گفتگومحور ویدیو
  • حالت پیش‌نویس 360p سریع‌تر و ارزان‌تر
  • پشتیبانی از Content Credentials (C2PA)

ارائه‌دهندگان

1 ارائه‌دهنده

قیمت API را بین ارائه‌دهندگان مقایسه کنید. یک ارائه‌دهنده را انتخاب کنید تا همه هزینه‌ها و شرایط را ببینید.

ارائه‌دهنده · جزئیات قیمت‌گذاری
دسترس‌پذیری

استدلال

سطح تلاش پیش‌فرض
low
همیشه فعال
بله
سطوح تلاش موجود
high / low

مشخصات ویدیو

نسبت‌های ابعاد
16:9 / 9:16
صدا · خروجی
بله
رزولوشن‌ها
720p / 1080p / 4K / 360p

مرجع API

جزئیات پروتکل این مدل منتشر نشده است. برای الزامات یکپارچه‌سازی، مرجع API را ببینید.

مرجع API →

پارامترهای پشتیبانی‌شده

  • prompt
  • duration
  • resolution
  • aspect_ratio
  • generate_audio
  • seed
  • size
  • frame_images
  • input_references
  • user
  • session_id
  • trace

پرسش‌های متداول

معرفی مدل: Gemini Omni 1.1 Flash?

Gemini Omni 1.1 Flash یک مدل چندوجهی از Google DeepMind است که متن، تصویر، صدا و ویدیو را به‌عنوان ورودی می‌پذیرد و ویدیو به‌همراه صدای بومی (گفتار، موسیقی و جلوه‌های صوتی) تولید می‌کند. این مدل می‌تواند ویدیو را از یک متن، از یک تصویر، یا با تکیه بر تصاویر و ویدیوهای مرجع بسازد و حتی از فریم اول و آخر برای درون‌یابی استفاده کند. صحنه‌ها را می‌توان به‌صورت ۱۰ ثانیه‌ای تا مجموع ۴۰ ثانیه گسترش داد و ویرایش گفتگومحور ویدیو با دستورهای زبان طبیعی ممکن است. این مدل یک خط لوله تولید ویدیو را که در حالت عادی به سه یا چهار مدل جداگانه نیاز داشت، در یک فراخوانی API واحد جمع می‌کند و تأخیر، هزینه و نرخ خطا را کاهش می‌دهد. حالت پیش‌نویس 360p تا ۶۰٪ سریع‌تر از تولید استاندارد 720p اجرا می‌شود و یک‌سوم هزینه آن را دارد. خروجی نهایی می‌تواند با افزایش کیفیت به 4K برسد و Content Credentials (C2PA) برای اصالت محتوا پشتیبانی می‌شود. این مدل حداکثر ۷ تصویر مرجع و ۳ ویدیوی مرجع را می‌پذیرد. Gemini Omni 1.1 Flash برای تولید محتوای بازاریابی از بریف کمپین، تصاویر محصول، استوری‌بورد و مفاهیم بصری، استوری‌بورد گفتگومحور با اصلاح تکراری صحنه، تولید ویدیو با راهنمایی گفتار، محتوای توضیحی چندزبانه، گسترش کلیپ‌های موجود با دستور متنی و نمونه‌سازی اولیه قابلیت‌های هوش مصنوعی مناسب است. از محدودیت‌های آن می‌توان به عدم پشتیبانی از تولید و ویرایش تصویر، خروجی ساختاریافته، دستورهای سیستمی، کش کردن زمینه و تنظیم دقیق اشاره کرد؛ همچنین یک بررسی عملی در مه ۲۰۲۶ سقف چهار نوبت ویرایش را ثبت کرده است.

هزینه استفاده چگونه محاسبه می‌شود؟

صورت‌حساب شما به ارائه‌دهنده‌ای که استفاده می‌کنید، قیمت‌های آن و میزان مصرف شما بستگی دارد. ورودی‌های طولانی‌تر یا شرایط دیگر ممکن است قیمت متفاوتی داشته باشند. صورت‌حساب بر اساس هزینه واقعی تولید محاسبه می‌شود. مبلغ نهایی را در صورت‌حساب ببینید.

این مدل چه ورودی‌هایی را می‌پذیرد؟

متن، تصویر، صدا و ویدیو را به‌عنوان ورودی می‌پذیرد و خروجی آن ویدیو به‌همراه صدای بومی است.

چه نوع ویدیویی می‌توان با آن ساخت؟

ویدیو از متن، از یک تصویر، یا با تکیه بر تصاویر و ویدیوهای مرجع، و همچنین درون‌یابی از فریم اول و آخر قابل تولید است.

ویدیو تا چه مدت قابل گسترش است؟

صحنه‌ها را می‌توان به‌صورت ۱۰ ثانیه‌ای تا مجموع ۴۰ ثانیه گسترش داد.

آیا از تولید یا ویرایش تصویر پشتیبانی می‌کند؟

خیر، این مدل از تولید تصویر و ویرایش تصویر پشتیبانی نمی‌کند.

حالت پیش‌نویس 360p چه مزیتی دارد؟

این حالت تا ۶۰٪ سریع‌تر از تولید استاندارد 720p است و یک‌سوم هزینه آن را دارد.

از چه راه‌هایی قابل دسترسی است؟

از طریق Gemini API، پلتفرم عامل Google Cloud و ابزارهای شخص ثالث مانند Comfy و Nenis در دسترس است.

مدل‌های مرتبط