Gemini Omni 1.1 Flash API
Google DeepMind 推出的多模态视频生成模型,支持文本、图像、音频与视频输入,直接输出带原生音频的视频。
Gemini Omni 1.1 Flash 是 Google DeepMind 推出的多模态视频生成模型,把文本、图像、音频和视频的处理统一到一个 API 中。它既能根据文本提示生成视频,也能以单张图像、参考图像与参考视频,或首尾帧为起点生成视频,并在延长场景时保持画面一致性与叙事连贯。模型可生成包含语音、音乐和音效的原生音频,支持通过自然语言指令进行对话式视频编辑,还提供 360p 草稿模式、720p 生成与 4K 上采样。
在营销制作中,它可以从活动简报、产品图、故事板和视觉概念直接产出视频;也适合对话式故事板迭代、配音驱动的视频生成、多语言讲解内容,以及在现有片段基础上续写镜头。对希望快速验证新 AI 功能原型的团队,单次 API 调用即可替代原本需要三到四个模型串联的流程,从而降低延迟、成本与失败率。
需要注意的是,该模型不支持图像生成与图像编辑,也不支持结构化输出、系统指令、上下文缓存和调优。2026 年 5 月的一次上手评测记录了 4 轮编辑的上限;此外,该版本已正式可用,早期预览版已被 1.2 Flash 模型取代。
更新时间:
模型 ID
gemini-omni-1.1-flash- 上下文
- 131.072K
- 最大输出
- 65.536K
- 输入
- text / image / video
- 输出
- video
核心要点
- 文本、图像、音频、视频统一 API
- 原生音频含语音、音乐与音效
- 360p 草稿模式提速最高 60%
- 场景可延长至 40 秒
- 最多 7 张参考图与 3 段参考视频
- 支持 Content Credentials (C2PA)
供应商
比较不同供应商的调用价格,点击供应商可查看完整费用和适用条件。
| 可用率 | |
|---|---|
历史统计不等于实时健康检查,缺失数据不代表服务中断。
推理能力
- 默认推理强度
- low
- 始终启用
- 是
- 可选推理强度
- high / low
视频规格
- 宽高比
- 16:9 / 9:16
- 音频 · 输出
- 是
- 分辨率
- 720p / 1080p / 4K / 360p
API 文档
该模型尚未公布具体协议信息,请查阅 API 文档中的接入要求。
API 文档 →支持的参数
- prompt
- duration
- resolution
- aspect_ratio
- generate_audio
- seed
- size
- frame_images
- input_references
- user
- session_id
- trace
常见问题
什么是 Gemini Omni 1.1 Flash?
Gemini Omni 1.1 Flash 是 Google DeepMind 推出的多模态视频生成模型,把文本、图像、音频和视频的处理统一到一个 API 中。它既能根据文本提示生成视频,也能以单张图像、参考图像与参考视频,或首尾帧为起点生成视频,并在延长场景时保持画面一致性与叙事连贯。模型可生成包含语音、音乐和音效的原生音频,支持通过自然语言指令进行对话式视频编辑,还提供 360p 草稿模式、720p 生成与 4K 上采样。 在营销制作中,它可以从活动简报、产品图、故事板和视觉概念直接产出视频;也适合对话式故事板迭代、配音驱动的视频生成、多语言讲解内容,以及在现有片段基础上续写镜头。对希望快速验证新 AI 功能原型的团队,单次 API 调用即可替代原本需要三到四个模型串联的流程,从而降低延迟、成本与失败率。 需要注意的是,该模型不支持图像生成与图像编辑,也不支持结构化输出、系统指令、上下文缓存和调优。2026 年 5 月的一次上手评测记录了 4 轮编辑的上限;此外,该版本已正式可用,早期预览版已被 1.2 Flash 模型取代。
如何计算调用费用?
费用取决于你使用的供应商、对应价格和实际用量。长文本输入等情况可能适用不同价格,详见计费明细。 按实际生成费用计费,具体金额以账单为准。
Gemini Omni 1.1 Flash 支持哪些输入和输出?
支持文本、图像、音频与视频输入,输出视频与原生音频。它不支持图像生成和图像编辑。
它适合哪些任务?
适合营销制作、对话式故事板迭代、配音驱动视频、多语言讲解内容、片段续写以及新 AI 功能原型验证。
视频可以延长到多长?
场景可按 10 秒为单位延长,总时长最多 40 秒。
它能接受多少参考素材?
最多可接受 7 张参考图像和 3 段参考视频。
它和同系列其他模型有什么区别?
该版本已正式可用,早期预览版已被 1.2 Flash 模型取代。它聚焦视频生成与编辑,不支持图像生成、图像编辑、结构化输出、系统指令、上下文缓存和调优。
相关模型
Gemini Omni 1.2 Flash
Google视频gemini-omni-1.2-flashGoogle 推出的视频生成模型,支持文本、图像、音频、视频输入,以对话方式生成和编辑视频,在 Video Arena 排名第一。
分辨率
720p / 1080p / 4K / 360p
时长
—
按实际生成费用计费,具体金额以账单为准。
Veo 3.1 Fast
Google视频veo-3.1-fastVeo 3.1 Fast 是 Google 推出的视频生成模型,支持从文字或图片生成视频,适合电影感视频创作。
分辨率
720p / 1080p / 4K
时长
—
按实际生成费用计费,具体金额以账单为准。