Gemini Omni 1.2 Flash
Generate video from up to 7 reference images and up to 5 preset voices with Gemini Omni 1.2 Flash. Supports durations from 3 to 15 seconds and resolutions up to 4K.
- video
- high-fidelity
Familia de modelos de vídeo ByteDance Seedance 2.0 Mini para texto a vídeo, imagen a vídeo, transiciones entre fotograma inicial y final y referencia a vídeo multimodal (hasta 9 imágenes, 3 vídeos y 3 pistas de audio) con 25 % de descuento ($0.045/s en 480p, $0.09/s en 720p).
0/9 elementos
0/3 elementos
0/3 elementos
Inicia sesión para ejecutar modelos
No output yet
Run the model to see generated results.
import requests
result = requests.post(
'https://api.e2x.ai/v1/jobs/submit',
headers={
'Authorization': f'Bearer {API_KEY}',
'Content-Type': 'application/json'
},
json={
'model': 'bytedance/seedance-2.0-mini/reference-to-video',
'input': {}
}
)import time
job_id = result.json()['jobId']
while True:
response = requests.get(
f'https://api.e2x.ai/v1/jobs/{'{job_id}'}',
headers={'Authorization': f'Bearer {'{API_KEY}'}'}
)
data = response.json()['data']
if data['status'] == 'completed':
print('Done!', data['outputs'][0]['url'])
break
elif data['status'] == 'failed':
raise Exception(f"Job failed: {'{'}data['error']['message']{'}'}")
time.sleep(2)Costo estimado por generación según duración y resolución. Solo pagas por lo que uses.
Descubre más modelos de IA para Referencia a Video
Generate video from up to 7 reference images and up to 5 preset voices with Gemini Omni 1.2 Flash. Supports durations from 3 to 15 seconds and resolutions up to 4K.
Generate video from up to seven reference images with Gemini Omni 1.1 Flash. The reference images carry character and style consistency into the result.
La generación de vídeo más reciente de Google DeepMind, con alta fidelidad y estilos variados.
Generación de vídeo de Google DeepMind con alta fidelidad y estilos variados.
Ideas, tutoriales y novedades del equipo de E2X.
Integra ByteDance Seedance 2.0 Mini text-to-video, image-to-video, start-end-frame y reference-to-video en E2X por $0.045/s en 480p y $0.09/s en 720p (25 % dto.).
Caras, manos y diálogo nativo en Gemini Omni 1.1 Flash: los adjetivos que convierten la piel en plástico, por qué una mano ocupada se sostiene, y los límites que Google pone por escrito.
Google puso gemini-omni-1.1-flash en disponibilidad general el 27 de agosto de 2026. Extensión de escena, primer y último fotograma y clips de referencia.
Cuatro capacidades de Omni cuestan lo mismo y mantienen quietas cosas distintas. Cómo elegir una por cada problema de continuidad, qué fija de verdad el seed y dónde la chaqueta sigue cambiando.
ByteDance Seedance 2.0 Mini reference-to-video (bytedance/seedance-2.0-mini/reference-to-video) es un endpoint de condicionamiento por referencias multimodales que acepta hasta 9 imágenes de referencia (reference_urls), 3 clips de video de referencia (reference_video_urls) y 3 pistas de audio de referencia (reference_audio_urls) en una sola solicitud, invocados directamente dentro de tu prompt mediante las etiquetas @Image1..@Image9, @Video1..@Video3 y @Audio1..@Audio3.
Con nuestro descuento permanente del 25 % sobre la base de lista de $0.06/s, E2X factura una tarifa plana de $0.045 por segundo en 480p y $0.09 por segundo en 720p, sin importar cuántas imágenes, videos o archivos de audio de referencia adjuntes. Una generación de 5 segundos en 720p cuesta $0.45, y un borrador de 5 segundos en 480p cuesta $0.225.
Para modos de condicionamiento más sencillos dentro de la misma familia, utiliza Seedance 2.0 Mini image-to-video cuando una sola imagen deba servir como primer fotograma, Seedance 2.0 Mini start-end-frame-to-video al interpolar entre dos fotogramas clave, o Seedance 2.0 Mini text-to-video al generar únicamente a partir de texto.
En las plataformas facturadas por tokens y en varios intermediarios por segundo, enviar videos de referencia (reference_video_urls) cambia la forma en que se factura tu tarea:
10s de entrada) para generar un clip de salida de 5 segundos (5s de salida), se te facturan 15 segundos de tokens o de duración de video.bytedance/seedance-2.0-mini cuando hay entradas de video presentes (video_in), cobrando $0.05/s en 480p (frente a $0.04/s) y $0.11/s en 720p (frente a $0.09/s).En E2X, bytedance/seedance-2.0-mini/reference-to-video factura estrictamente según la duración de salida y la resolución de salida. Adjuntar 9 imágenes de referencia, 3 videos de referencia y 3 clips de audio de referencia añade $0.00 a la tarifa por segundo:
| Escenario (clip de salida de 5s en 720p) | E2X (25 % dto.) | Replicate | WaveSpeed | fal.ai |
|---|---|---|---|---|
3 imágenes de referencia (non_video_in) | $0.45 ($0.09/s) | $0.45 ($0.09/s) | $0.60 ($0.12/s) | ~$0.77 (~$0.155/s) |
| 1× video ref. de 5s + 5s de salida | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $0.75 (10s × $0.075/s) | ~$0.93 (10s a tasa de token 0.6×) |
| 2× videos ref. de 5s + 5s de salida | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $1.125 (15s × $0.075/s) | ~$1.39 (15s a tasa de token 0.6×) |
Tarifas verificadas el 5 de noviembre de 2026. Los precios y las condiciones de los productos pueden cambiar. Consulta los precios actuales de cada proveedor antes de tomar una decisión de compra. Esta es una comparación acotada, no una afirmación de que E2X sea la opción más barata en todas las configuraciones.
@Image, @Video y @AudioEl esquema bytedance/seedance-2.0-mini/reference-to-video expone tres campos de arreglo junto a prompt:
reference_urls (maxItems: 9): Imágenes de referencia para rostros de personajes, vestuario, ángulos de producto o fondos de entorno. Invócalas en tu prompt como @Image1, @Image2, hasta @Image9 en orden de arreglo empezando desde 1.reference_video_urls (maxItems: 3): Clips de video de referencia para coreografía de cámara, transferencia de movimiento o desplazamiento de personajes. Invócalos como @Video1, @Video2 y @Video3.reference_audio_urls (maxItems: 3): Clips de audio de referencia para timbre de voz, ritmo o pautas de sonido ambiental. Invócalos como @Audio1, @Audio2 y @Audio3.Tanto BytePlus ModelArk como nuestro worker aplican una regla de validación: cada solicitud reference-to-video debe incluir al menos una referencia visual (reference_urls o reference_video_urls). Pasar reference_audio_urls sin al menos una referencia de imagen o video generará un error de validación antes de enviar la tarea.
Guarda tus URL reutilizables de referencia de personajes, productos o movimientos en un arreglo y haz referencia a sus posiciones basadas en 1 (@Image1, @Video1, @Audio1) directamente dentro de prompt:
curl -X POST https://api.e2x.ai/v1/jobs/submit \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "bytedance/seedance-2.0-mini/reference-to-video",
"input": {
"prompt": "The courier from @Image1 wearing the reflective jacket from @Image2 walks briskly through the neon-lit alley in @Image3, matching the handheld camera tracking motion in @Video1.",
"reference_urls": [
"https://cdn.example.com/refs/courier-face.jpg",
"https://cdn.example.com/refs/reflective-jacket.jpg",
"https://cdn.example.com/refs/neon-alley.jpg"
],
"reference_video_urls": [
"https://cdn.example.com/refs/handheld-walk-ref.mp4"
],
"aspect_ratio": "16:9",
"resolution": "720p",
"duration": "6",
"has_sound": true,
"seed": 50129
}
}'
Aquí tienes un ejemplo en JavaScript que combina referencias de imagen, video y audio en un clip vertical 9:16 de 8 segundos ($0.72 en 720p, o $0.36 en 480p):
const headers = {
Authorization: `Bearer ${process.env.E2X_API_KEY}`,
"Content-Type": "application/json",
};
const submitRes = await fetch("https://api.e2x.ai/v1/jobs/submit", {
method: "POST",
headers,
body: JSON.stringify({
model: "bytedance/seedance-2.0-mini/reference-to-video",
input: {
prompt: "The host in @Image1 holds the ceramic mug from @Image2 at the studio desk, speaking with the cadence of @Audio1 while the camera performs the slow push-in from @Video1.",
reference_urls: [
"https://cdn.example.com/refs/host-portrait.jpg",
"https://cdn.example.com/refs/ceramic-mug.jpg",
],
reference_video_urls: [
"https://cdn.example.com/refs/slow-push-in.mp4",
],
reference_audio_urls: [
"https://cdn.example.com/refs/voice-cadence.mp3",
],
aspect_ratio: "9:16",
resolution: "720p",
duration: "8",
has_sound: true,
},
}),
});
const { data: submitted } = await submitRes.json();
for (let poll = 0; poll < 240; poll++) {
await new Promise((r) => setTimeout(r, 3000));
const res = await fetch(`https://api.e2x.ai/v1/jobs/${submitted.jobId}`, {
headers,
});
const { data: job } = await res.json();
if (job.status === "completed") {
console.log("Reference video output:", job.outputs[0].url);
break;
}
if (job.status === "failed" || job.status === "cancelled") {
throw new Error(job.error?.message || `Job ended with ${job.status}`);
}
}
Nuestro worker también acepta image_urls, video_urls y audio_urls como alias de entrada y los asigna automáticamente tanto a los elementos content principales de BytePlus ModelArk (role: "reference_image", "reference_video", "reference_audio") como al respaldo secundario de Eachlabs. Consulta la especificación legible por máquina y los SDK de E2X para ver todos los detalles del esquema.
E2X ofrece tres endpoints reference-to-video con distintas capacidades de referencia y modalidades:
| Endpoint | 720p por segundo | Máx. ref. de imagen | Ref. de video y audio | Rango de duración | Relaciones de aspecto |
|---|---|---|---|---|---|
| Seedance 2.0 Mini reference-to-video | $0.09 ($0.045/s en 480p) | 9 imágenes | Hasta 3 videos + 3 audios | 4 a 15 s (pasos de 1s) | 6 (21:9 a 9:16) |
| Gemini Omni 1.1 Flash reference-to-video | $0.09 ($0.0297/s en 360p) | 7 imágenes | Solo referencias de imagen | 4, 6, 8, 10 s | 2 (16:9, 9:16) |
| Veo 3.1 Fast reference-to-video | $0.015 (con sonido) | 3 imágenes | Solo referencias de imagen | 4, 6, 8 s | 2 (16:9, 9:16) |
Seedance 2.0 Mini es el único endpoint en el catálogo reference-to-video que acepta 9 imágenes de referencia junto con clips de video de referencia (@Video1..@Video3) y pistas de audio de referencia (@Audio1..@Audio3), y el único que admite relaciones de aspecto 21:9, 4:3, 3:4 y 1:1 o duraciones de 11 a 15 segundos. Elige Gemini Omni 1.1 Flash reference-to-video cuando tu entregable deba estar en 1080p o 4K, o Veo 3.1 Fast reference-to-video cuando 3 imágenes de referencia y un clip de 8 segundos en 16:9/9:16 sean suficientes. Explora todos los modelos en el catálogo de modelos de E2X.
@Image, @Video y @AudioPara obtener una separación limpia entre múltiples referencias a lo largo de un storyboard de varias tomas:
@Image1 que lleva el delantal de mezclilla de @Image2 está de pie dentro de la panadería de @Image3" en lugar de dejar que el modelo adivine qué imagen contiene el rostro y cuál la habitación.@Image1 muestra un personaje con cabello corto plateado, no vuelvas a describir el color del cabello en el prompt; dedica tus tokens de prompt a la acción, el movimiento de cámara y la iluminación.@Video1 para transferir el movimiento de cámara o la coreografía. Indica explícitamente si deseas que el modelo tome prestada la trayectoria de la cámara ("siguiendo el paneo de cámara en @Video1") o el movimiento del sujeto ("realizando el paso de baile en @Video1"). Nuestra guía de referencia multimodal de Seedance 2.0 Mini recorre ejemplos completos de múltiples tomas.Con nuestro descuento permanente del 25 %, cuesta $0.045 por segundo en 480p y $0.09 por segundo en 720p. Adjuntar hasta 9 imágenes, 3 videos y 3 pistas de audio no incrementa el precio por segundo.
Puedes pasar hasta 9 imágenes de referencia en reference_urls, hasta 3 videos de referencia en reference_video_urls y hasta 3 archivos de audio de referencia en reference_audio_urls. Se requiere al menos una referencia de imagen o video por llamada.
Utiliza etiquetas basadas en 1 que coincidan con el orden del arreglo: @Image1 a @Image9 para las entradas en reference_urls, @Video1 a @Video3 para reference_video_urls y @Audio1 a @Audio3 para reference_audio_urls.
No. A diferencia de los proveedores facturados por tokens que cobran por la duración del video de entrada más la duración del video de salida, o de Replicate que aumenta su tarifa 720p de $0.09/s a $0.11/s en video_in, E2X factura únicamente por los segundos de salida que solicitas ($0.045/s en 480p, $0.09/s en 720p).
Cuando BytePlus ModelArk marca una imagen o video de referencia que contiene a una persona real con PrivacyInformation, nuestro worker registra automáticamente las entradas visuales en la AIGC Asset Library privada de BytePlus con Moderation.Strategy = "Skip", reintenta la tarea con URI asset://<id> y elimina los activos temporales una vez que finaliza la tarea.
Puedes seleccionar cualquiera de las seis relaciones de aspecto (21:9, 16:9, 4:3, 1:1, 3:4, 9:16) y cualquier duración en segundos enteros desde "4" hasta "15" segundos.