Gemini Omni 1.1 Flash

Gemini Omni 1.1 Flash Start-End-Frame-to-Video auf E2X

Gemini Omni 1.1 Flash ist Googles gemini-omni-1.1-flash, seit dem 27. August 2026 allgemein verfügbar und ein Modell aus der Gemini-Familie statt aus der Veo-Familie. Wir betreiben seine Zwei-Bilder-Capability als google/omni-1.1-flash/start-end-frame-to-video und rechnen pro Sekunde Ausgabe ab — $0.09 bei 720p, dauerhaft 40 % unter dem Listenpreis von $0.15. Der voreingestellte Clip von acht Sekunden kostet $0.72.

Drei Felder gehen hinein: ein Startbild, ein Endbild, ein Prompt. Ihr erstes Bild wird Bild eins, Ihr zweites das letzte, alles dazwischen ist erfunden. Das ist kein Clip-Auftrag, sondern ein Brückenauftrag, und eine Brücke ist so viel wert wie ihre beiden Ufer.

Auch das ist hier neu — die frühere Generation Omni Flash kam ohne diese Capability, der schlichteste Beleg für die These in unserem Text zum 1.1-Release. Ein Release für Kontinuität, keines für Qualität.

Unsere Sätze, geprüft am 28. August 2026:

1080p und 4K sind hochskaliert, nicht nativ.

Was das Modell zwischen Ihren beiden Bildern erfindet

Tweening ist das falsche Denkmodell. Ein Tweening-Werkzeug blendet Pixel A auf Pixel B. Dieses Modell liest beide Bilder, entscheidet, welches Ereignis die Szene plausibel von einem zum anderen getragen hat, und rendert genau das — Audio inklusive, nativ aus demselben Prompt erzeugt. Kein has_sound-Feld, kein Stummschalter.

Bei 24 fps ist eine Brücke von vier Sekunden sechsundneunzig Einzelbilder, von denen Sie zwei geliefert haben. Die anderen vierundneunzig sind eine Behauptung über Physik, aufgestellt ganz gleich, ob sie trägt. Der Bildausschnitt ist 16:9 oder 9:16; rechnen Sie mit vier Minuten pro Job.

Bilder, die sich verbinden lassen, und Bilder, die es nicht tun

Drei Fragen entscheiden über das Paar. Dasselbe Motiv? Nicht ähnlich — dasselbe. Dasselbe Licht? Richtung des Führungslichts, Farbtemperatur, Kontrast. Hätte eine Kamera diese Bewegung machen können? Wenn Sie sie nicht in einem Satz sagen können, dem ein Operator folgen würde, kann es das Modell auch nicht.

Lautet die Antwort nein, gibt es keinen Fehler — das Modell übertüncht die Lücke, in vier Ausprägungen:

• Ein erfundener Schnitt. Zwei Einstellungen, an einer willkürlichen Stelle zusammengeschweißt. Sie haben eine Aufnahme bestellt, bekommen haben Sie eine Montage.
• Ein Morph. Geometrie, die sich nicht drehen kann, fließt einfach: ein Gesicht, das sich nach innen stülpt, ein Etikett, das über Glas gleitet.
• Ein Lichtsprung. Mittag am einen Ende, Dämmerung am anderen, die Belichtung springt mitten in der Einstellung wie eine misslungene Blende.
• Geisterbilder. Eine Person im Startbild, drei im Endbild — die zwei zusätzlichen blenden sich aus dem Nichts auf.

Ein Clip, den Sie nicht verwenden können, kostet genauso viel wie ein brauchbarer.

Bei 360p entwerfen, bevor Sie für das Rendering zahlen

Bei $0.0297 pro Sekunde kostet ein Test von vier Sekunden bei 360p $0.1188, das fertige Ergebnis mit acht Sekunden bei 720p $0.72, also das Fünffache. Und 360p, zu klein, um ein Gesicht zu beurteilen, reicht völlig, um die Mitte zu beurteilen. Ein Schnitt ist ein Schnitt, bei jeder Auflösung. Ein Morph ist ein Morph. Google gibt außerdem an, dass diese Stufe bis zu 60 % schneller läuft — Formulierung aus dem Launch-Blog, keine Zahl aus der API-Referenz.

Damit wird Storyboard-Arbeit bezahlbar iterierbar. Zwei Key Frames pro Beat, die Shotlist mit vier Sekunden bei 360p durchgerechnet, als Animatic abgespielt — zwölf Beats für etwa $1.73. Fehlschläge sind fast immer ein Problem des Bildpaars, behoben durch das Neuzeichnen eines Boards statt durch fünfmaliges Umschreiben des Prompts. Rendern Sie nur die Überlebenden. Veo 3.1 Fast start-end-frame-to-video hat überhaupt keine Draft-Stufe.

Die Dauer ist die Steuerung fürs Tempo

duration akzeptiert 4, 6, 8 oder 10, als String. Jede Sekunde kostet gleich viel, es liest sich also wie ein Budgetregler. Es ist ein Regieregler.

Dieselben zwei Bilder in vier Sekunden und in zehn sind zwei verschiedene Einstellungen. Vier erzwingen den Weg — die Kamera legt sich fest, wenig Raum zum Erfinden. Zehn müssen gefüllt werden, und das Modell findet seine eigene Füllung: ein Drift, ein gehaltener Moment, eine zweite Geste. Diese erfundene Nebenhandlung ist die am wenigsten vorhersagbare Ausgabe hier.

Passen Sie die Länge an die Distanz an: zwei Produktansichten, dreißig Grad auseinander, auf zehn Sekunden gestreckt, kaufen Ihnen ein Kriechen und tote Luft. Zehn ist die Decke von Omni und ein echter Vorsprung — Veo hört bei acht auf.

API-Request: zwei Bild-URLs rein, ein Clip raus

Erzeugen Sie einen Key, halten Sie ihn serverseitig, schicken Sie den Job ab. prompt, start_frame_url und end_frame_url sind Pflicht, und wir holen beide Bilder ab, jede URL muss also auf einen nicht authentifizierten Request antworten.

curl -X POST https://api.e2x.ai/v1/jobs/submit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/omni-1.1-flash/start-end-frame-to-video",
    "input": {
      "prompt": "Die Kamera fährt im Bogen nach rechts um die Espressomaschine, während sich Dampf aufbaut. Summen der Mühle, Café-Geplauder.",
      "start_frame_url": "https://example.com/07a-left.jpg",
      "end_frame_url": "https://example.com/07b-right.jpg",
      "duration": "6",
      "resolution": "360p"
    }
  }'

Pollen Sie die Job-ID, oder übergeben Sie eine webhookUrl:

const headers = {
  Authorization: `Bearer ${process.env.E2X_API_KEY}`,
  "Content-Type": "application/json",
};

const { data } = await fetch("https://api.e2x.ai/v1/jobs/submit", {
  method: "POST",
  headers,
  body: JSON.stringify({
    model: "google/omni-1.1-flash/start-end-frame-to-video",
    input: {
      prompt: "Ein langsamer Kranfahrt-Abwärts vom Dachgeländer zum Tisch im Innenhof. Eine einzige durchgehende Bewegung.",
      start_frame_url: "https://example.com/12a-roof.jpg",
      end_frame_url: "https://example.com/12b-courtyard.jpg",
      duration: "10",
      resolution: "720p",
    },
  }),
}).then((r) => r.json());

let url = null;
while (!url) {
  const job = await fetch(`https://api.e2x.ai/v1/jobs/${data.jobId}`, { headers })
    .then((r) => r.json());

  if (job.data.status === "completed") url = job.data.outputs[0].url;
  else if (["failed", "cancelled"].includes(job.data.status))
    throw new Error(job.data.error?.message ?? job.data.status);
  else await new Promise((r) => setTimeout(r, 5000));
}

Der Status läuft pending, processing, completed oder landet auf failed/cancelled. Zwei Schemafallen: duration und resolution sind Strings, und die Felder heißen start_frame_url und end_frame_url, nicht das anderswo verwendete einzelne image_url. Die aktuellen Werte stehen in der maschinenlesbaren Spezifikation.

Wo das Veo schlägt, und wo nicht

Veo 3.1 Fast erledigt denselben Job für ein Neuntel des Geldes:

Preise und Produktbedingungen können sich ändern. Prüfen Sie vor einer Kaufentscheidung die aktuellen Preise des jeweiligen Anbieters. Die Batch- oder Flex-Preise von Google sind einem standardmäßigen On-Demand-API-Request nicht direkt gleichwertig, da Zeitplanung, Verfügbarkeit und Verarbeitungsbedingungen abweichen; sie sind deshalb von diesem Vergleich ausgenommen. Dies ist ein Vergleich mit klar umrissenem Rahmen und keine Behauptung, dass E2X in jeder Konfiguration die weltweit günstigste Option ist.

Fangen Sie bei Veo an. Kommen Sie zurück, wenn seine Mauer bei acht Sekunden im Weg steht, wenn das Ergebnis 4K sein muss oder wenn ein Draft-Durchlauf mehr spart, als er kostet. Der Rest steht unter image-to-video und text-to-video, und der komplette Modellkatalog passt auf eine Seite.

Den Prompt schreiben, und was Sie vor der Auslieferung prüfen

Beschreiben Sie den Weg, nicht die Kulisse — das Modell sieht beide Enden bereits. Benennen Sie die Bewegung, die sie verbindet („Bogen nach rechts“, „Kranfahrt nach unten“, „Schärfe auf das ferne Fenster ziehen“), und sagen Sie dann, wie es klingen soll — das Audio wird aus derselben Zeile geschrieben. Verlangen Sie keine Ereignisse, die keines der beiden Bilder nahelegt. Mehr Kameravokabular steht in unserem Omni-Prompting-Guide; Englisch ist die einzige evaluierte Promptsprache.

Drei Dinge, bevor das in die Nähe eines Kunden kommt. Jedes Einzelbild trägt SynthID, Googles unsichtbaren Herkunftsnachweis, und kein Anbieter kann ihn entfernen. Googles Model Card ist unverblümt, dass „vollständige Konsistenz über alle Bearbeitungen hinweg zu wahren, Szenen mit komplexer Bewegung zu erzeugen oder Text perfekt akkurat wiederzugeben, eine Herausforderung bleibt“ — und komplexe Bewegung ist genau das, was eine große Lücke zwischen zwei Bildern verlangt. Im EWR, in der Schweiz und im Vereinigten Königreich dürfen Sie keine Bilder mit Minderjährigen oder bestimmten erkennbaren Personen hochladen — eine Grenze für Ihre Eingaben. Ergebnis-URLs sind vorübergehend: Legen Sie sie im Completion-Handler auf eigenen Speicher um.

Häufig gestellte Fragen

Was kostet ein Start-End-Frame-Clip auf E2X?

Wir berechnen $0.09 für jede Sekunde 720p-Ausgabe, ein Clip von acht Sekunden kostet also $0.72 und das Maximum von zehn Sekunden $0.90 — 40 % unter einem Listenpreis von $0.15. Die Auflösung multipliziert das, ein Draft von vier Sekunden bei 360p kommt so auf $0.1188 und ein Rendering von zehn Sekunden in 4K auf $1.80. Geprüft am 28. August 2026.

Was macht zwei Bilder zu einem guten Paar für dieses Modell?

Dasselbe Motiv, dieselbe Lichtsetzung und eine Kamerabewegung, die in der angeforderten Zeit physisch von einem zum anderen käme. Zwei Standbilder aus einem Shooting, Minuten auseinander, funktionieren fast immer. Bilder, die unter verschiedenen Bedingungen entstanden sind, zwingen das Modell, den Unterschied auf dem Schirm aufzulösen.

Was passiert, wenn sich Start- und Endbild nicht verbinden lassen?

Es gibt keinen Fehler. Sie bekommen einen Clip, der die Lücke auf eine von vier Arten kaschiert: ein erfundener Schnitt, ein Morph durch unmögliche Geometrie, ein Lichtsprung oder Figuren, die aus dem Nichts hereingeistern. Alle kosten so viel wie ein gelungenes Rendering, weshalb sich der Draft für $0.1188 bezahlt macht.

Sollte ich dafür Omni 1.1 Flash oder Veo 3.1 Fast nehmen?

Meistens zuerst Veo 3.1 Fast — es macht Start- und Endbilder für $0.01 pro Sekunde gegen unsere $0.09, acht Sekunden kosten dort also $0.08 statt $0.72. Omni verdient sich die Differenz an drei Stellen: bei der Dauer von zehn Sekunden, bei 4K-Ausgabe und bei der 360p-Teststufe.

Wie lang darf ein einzelner erzeugter Clip sein?

Drei bis zehn Sekunden pro Aufruf. Das duration-Enum führt 4, 6, 8, 10, alle als Strings. Zehn ist die harte Decke, alles Längere wird aus mehreren Jobs zusammengesetzt.

Müssen Start- und Endbild öffentlich gehostet sein?

Ja. Beide werden serverseitig abgeholt, jedes muss also bis zum Ende des Jobs auf einen nicht authentifizierten Request antworten. Kurzlebige signierte URLs, private Buckets, localhost-Adressen und Data-URIs scheitern.

Tragen die erzeugten Videos ein Watermark?

Ja — jedes Einzelbild ist mit SynthID markiert, Googles nicht wahrnehmbarem Herkunftssignal, für Zuschauer unsichtbar und mit Googles Werkzeugen überprüfbar. Kein Anbieter kann es abschalten. Klären Sie das mit Ihrem Kunden, falls ein Vertrag gekennzeichnete KI-Assets verbietet.