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
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。
| 稼働率 | |
|---|---|
過去の統計はリアルタイムの稼働確認ではありません。データの欠損は障害を意味しません。
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
Gemini Omni 1.2 Flash
Google動画gemini-omni-1.2-flashGoogleの動画生成・編集モデル。テキストや画像から動画を作り、会話形式で修正できる。
解像度
720p / 1080p / 4K / 360p
長さ
—
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。
Veo 3.1 Fast
Google動画veo-3.1-fastGoogleのVeo 3.1 Fastは、テキストや画像から動画を生成できるGoogleの第一-partyモデルです。
解像度
720p / 1080p / 4K
長さ
—
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。