Felo API PlatformFelo API Platform
モデル一覧へ戻る

Gemini Omni 1.1 Flash API

テキスト・画像・音声・動画を入力に、映像とネイティブ音声を生成するマルチモーダル動画モデル。会話形式で編集できる。

Gemini Omni 1.1 Flashは、テキスト・画像・音声・動画の入力を単一のAPIで処理し、動画と音声を出力するGoogle DeepMindのマルチモーダルモデルです。テキストプロンプトや1枚の画像、参照画像・参照動画、あるいは最初と最後のフレームから動画を生成でき、シーンを10秒単位で最大40秒まで延長できます。音声は音声・音楽・効果音を含むネイティブ音声として映像と同時に生成されます。

自然言語の指示による会話形式の動画編集に対応し、シーンを反復的に練り直すストーリーボーディングや、ナレーション主導の動画制作、多言語の解説コンテンツ、既存クリップの延長といった用途に向いています。マーケティング制作ではキャンペーン概要や製品画像、絵コンテから映像化する流れを1回のAPI呼び出しにまとめられ、従来3〜4個のモデルを要したパイプラインを置き換えられます。

360pのドラフトモードは標準の720p生成より最大60%高速で、コストは3分の1です。720p生成と4Kアップサンプリングに対応し、参照画像は最大7枚、参照動画は最大3本まで受け付けます。Content Credentials (C2PA)による来歴情報に対応する一方、画像生成・画像編集・構造化出力・システム指示・コンテキストキャッシュ・チューニングには対応していません。2026年5月のレビューでは編集の上限が4ターンであることが確認されています。

更新日時:

モデル ID

gemini-omni-1.1-flash
コンテキスト
131.072K
最大出力
65.536K
入力
text / image / video
出力
video

ハイライト

  • テキスト・画像・音声・動画を単一APIで処理
  • 映像とネイティブ音声を同時生成
  • 会話形式の自然言語による動画編集
  • 10秒単位で最大40秒までシーン延長
  • 360pドラフトは720pより最大60%高速
  • 参照画像7枚・参照動画3本まで対応

プロバイダー

1 プロバイダー

プロバイダーごとの API 料金を比較できます。プロバイダーを選択すると、すべての料金と適用条件を確認できます。

プロバイダー · 料金の内訳
稼働率

推論

既定の推論強度
low
常に有効
はい
選択できる推論強度
high / low

動画仕様

アスペクト比
16:9 / 9:16
音声 · 出力
はい
解像度
720p / 1080p / 4K / 360p

API リファレンス

このモデルのプロトコル情報は未公開です。接続要件は API リファレンスを確認してください。

API リファレンス →

対応パラメータ

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

よくある質問

モデルについて: Gemini Omni 1.1 Flash?

Gemini Omni 1.1 Flashは、テキスト・画像・音声・動画の入力を単一のAPIで処理し、動画と音声を出力するGoogle DeepMindのマルチモーダルモデルです。テキストプロンプトや1枚の画像、参照画像・参照動画、あるいは最初と最後のフレームから動画を生成でき、シーンを10秒単位で最大40秒まで延長できます。音声は音声・音楽・効果音を含むネイティブ音声として映像と同時に生成されます。 自然言語の指示による会話形式の動画編集に対応し、シーンを反復的に練り直すストーリーボーディングや、ナレーション主導の動画制作、多言語の解説コンテンツ、既存クリップの延長といった用途に向いています。マーケティング制作ではキャンペーン概要や製品画像、絵コンテから映像化する流れを1回のAPI呼び出しにまとめられ、従来3〜4個のモデルを要したパイプラインを置き換えられます。 360pのドラフトモードは標準の720p生成より最大60%高速で、コストは3分の1です。720p生成と4Kアップサンプリングに対応し、参照画像は最大7枚、参照動画は最大3本まで受け付けます。Content Credentials (C2PA)による来歴情報に対応する一方、画像生成・画像編集・構造化出力・システム指示・コンテキストキャッシュ・チューニングには対応していません。2026年5月のレビューでは編集の上限が4ターンであることが確認されています。

利用料金はどのように計算されますか?

料金は利用するプロバイダーと実際の使用量により決まります。長い入力などは料金が異なる場合があります。内訳をご確認ください。 実際の生成費用に基づく課金です。最終金額は請求明細をご確認ください。

どのような入力に対応していますか?

テキスト・画像・音声・動画の入力に対応し、映像とネイティブ音声を出力します。参照画像は最大7枚、参照動画は最大3本まで指定できます。

動画はどこまで長く生成できますか?

シーンを10秒単位で延長でき、合計40秒まで生成できます。最初と最後のフレームを指定した補間にも対応しています。

どのような用途に向いていますか?

キャンペーン概要や製品画像、絵コンテからのマーケティング動画制作や、自然言語で指示しながらシーンを練り直すストーリーボーディングに向いています。ナレーション主導の動画や多言語の解説コンテンツにも活用できます。

360pのドラフトモードにはどんな利点がありますか?

標準の720p生成より最大60%高速で、コストは3分の1です。下書きの確認から本番品質の720p生成、4Kアップサンプリングへと進められます。

生成した動画の来歴は確認できますか?

Content Credentials (C2PA)に対応しており、生成物の来歴情報を付与できます。

画像の生成や編集はできますか?

画像生成と画像編集には対応していません。また、構造化出力・システム指示・コンテキストキャッシュ・チューニングにも対応していません。

関連モデル