Prompting Gemini Omni: Sintaks Tag yang Didokumentasikan Google dan Tak Ada yang Mengutip

Kebanyakan saran prompting Omni yang terbit pekan ini adalah karangan.

"Kerangka lima elemen dari dokumentasi resmi Google" yang dikutip setengah lusin panduan tidak ada di halaman Google mana pun yang bisa kami temukan, dan panduan-panduan yang mengutipnya bahkan tidak sepakat apakah elemennya lima atau enam. Klaim bahwa menaruh dialog di dalam tanda kutip mengalihkan modelnya ke mode lip-sync juga tidak ada di dokumen Google mana pun — tanda kutip muncul di contoh Google hanya untuk teks yang dirender di layar.

Yang memang Google dokumentasikan lebih berguna dan nyaris tak ada yang menuliskannya: sebuah sintaks tag yang membuat satu prompt bisa menyapa gambar dan klip tertentu berdasarkan nama. Di situlah panduan ini dimulai.

Dua catatan tentang apa yang menyusul

Semua yang dikutip di sini berasal dari halaman Google sendiri — bagian panduan prompt di dokumentasi API Gemini Omni, dan panduan prompting bersama yang mencakup Omni dan Veo sekaligus. Di tempat Google diam, kami mengatakannya alih-alih menambal celahnya dengan sesuatu yang terdengar berwibawa.

Klip-klip di bawah dihasilkan dengan Veo 3.1 Fast di API kami sendiri, bukan dengan Omni. Gemini Omni 1.1 Flash belum ada di E2X, dan kami tidak akan mengilustrasikan sebuah panduan dengan footage dari satu model lalu berpura-pura ia datang dari model lain. Teknik yang mereka tunjukkan — kosakata kamera, instruksi shot tunggal, arahan suara — berasal dari panduan prompt yang Google terbitkan untuk kedua model, jadi teknik itu berpindah. Sintaks tag di bagian berikutnya tidak: bagian itu khusus Omni, dan kami menunjukkannya sebagai sintaks alih-alih sebagai output.

Sintaks tag-nya

Omni menerima tag inline yang menunjuk ke input tertentu. Inilah bagian dokumentasi dengan liputan pihak ketiga paling sedikit dan paling banyak keuntungannya kalau dibaca.

Untuk frame:

<FIRST_FRAME> a woman is walking

<LAST_FRAME> menandai frame tempat mendarat, dan Google eksplisit bahwa tag itu "must be used with" <FIRST_FRAME>. Ketika sebuah prompt menjadi cukup rumit sehingga posisinya jadi ambigu, ada bentuk deklarasi eksplisit:

[# Sources <FIRST_FRAME>@Image1 <LAST_FRAME>@Image2]

Arahkan kedua tag ke gambar yang sama dan Anda mendapat sebuah loop. Google mendokumentasikan ini secara langsung — klipnya kembali ke tempat ia bermula:

[# Sources <FIRST_FRAME>@Image1 <LAST_FRAME>@Image1]

Untuk referensi, tag-nya bernomor dan mulai dari nol:

in the style of <IMAGE_REF_0> a woman <IMAGE_REF_1> is walking

Satu baris itu menarik gaya dari satu gambar dan subjek dari gambar lain. Padanan videonya adalah <VIDEO_REF_0>, juga berindeks nol, dengan batas keras: "Video references support a maximum of 3 clips, up to 3 seconds each", dan audio apa pun di dalam klip referensi diabaikan.

Mode kegagalan di sini adalah modelnya memperlakukan sebuah referensi sebagai frame pembuka harfiah. Perbaikan dari Google adalah instruksi yang ditempelkan ke prompt:

Use the given image(s) as references for video generation.
The images should not be used as literal initial frames.

Satu batas yang perlu diketahui sebelum Anda merancang di sekitarnya: "Referencing or reasoning across multiple videos is not supported." Beberapa referensi gambar tidak masalah — contoh Google sendiri menjalankan enam sekaligus — tetapi prompting multi-video menurun kualitasnya.

Omni memotong klip Anda menjadi beberapa shot kecuali Anda menghentikannya

Ini baris paling mengejutkan di dokumentasinya, dan ia menjelaskan banyak output yang membingungkan:

"By default Omni Flash will try to create a video with a few different shots. It'll attempt to craft an interesting narrative based on the prompt. If you need the output video to contain a single scene, you must prompt for that"

Minta delapan detik seseorang berjalan melewati ambang pintu dan Anda bisa mendapatkan tiga potongan darinya. Modelnya tidak salah membaca Anda. Ia melakukan apa yang jadi defaultnya.

Perbaikannya satu klausa, dan Google memberi tiga rumusan: "In a single unbroken scene", "In a single continuous shot", atau "No scene cuts".

Berikut instruksi itu bekerja, dengan satu gerakan kamera yang terdokumentasi dan satu baris suara yang menyertainya:

In a single continuous shot, no scene cuts. Slow dolly in on a battered
enamel coffee pot sitting on a cast-iron stove in a dim cabin kitchen.
Steam rises and catches a hard shaft of morning light from a window to the
left. Medium shot, shallow depth of field, warm amber and deep green
palette. Sound design: the low hiss of steam and a wood fire ticking.
No dialogue.

Empat detik, 720p, dihasilkan dengan Veo 3.1 Fast pada satu sen per detik. Perhatikan betapa sedikit bagian prompt itu yang berupa kata sifat dan betapa banyak yang berupa instruksi yang bisa ditindaklanjuti modelnya.

Suara diarahkan dalam kalimatnya sendiri

Audio dihasilkan bersama gambarnya, dan panduan Google adalah menggambarkannya secara terpisah: "We recommend that you use separate sentences in your prompt to describe the audio." Dokumentasinya membaginya tiga arah — efek suara, suara ambien, dan dialog — dengan contoh berbeda untuk masing-masing.

Dialog adalah tempat cerita rakyatnya salah. Konvensi yang terdokumentasi adalah titik dua tanpa tanda kutip:

the man in the red hat says: Where is the rabbit?

Contoh Google yang lebih panjang menjalankan dua pembicara dalam satu prompt dan menutup dengan ambiensnya:

A medium shot in a dimly lit interrogation room. The seasoned detective
says: Your story has holes. The nervous informant, sweating under a single
bare bulb, replies: I'm telling you everything I know. The only other
sounds are the slow, rhythmic ticking of a wall clock and the faint sound
of rain against the window

Contoh Omni sendiri mengawali audio non-ucapan dengan Sound design:, seperti pada "Sound design: Gentle breeze, distant bird chirps. No dialogue." Dan ketika Anda menginginkan musik secara khusus, katakanlah — Google menandai ini sebagai kasus yang paling mungkin terlewat: "This is especially important if you want music in your video".

Dua batasan untuk dirancang di sekitarnya: penyuntingan suara tidak didukung, dan "Uploading audio references is unsupported in the current version of the API". Anda mengarahkan suara dengan kata-kata atau tidak sama sekali.

Timecode berfungsi, dan ia berpindah acuan saat Anda memperpanjang

Pengaturan waktu tidak butuh sintaks khusus — "there is no precise syntax needed and you can use natural language", jadi "At 5s the chorus starts in the background audio" adalah instruksi yang sah. Ada juga bentuk timecode dalam kurung siku:

[0-3s] A person is walking
[3-6s] They stop and turn around
[6-10s] They start running

Sekarang jebakannya, dan ini jebakan sungguhan. Ketika Anda memperpanjang klip yang sudah ada, 0s tidak lagi berarti awal videonya. Ia berarti awal perpanjangannya. Google mengejanya:

"If using timestamps or a timecode syntax, 0s refers to the beginning of the extended part of the video. If extending a 10s video, the scene cut in this prompt will happen after 12s"

Jadi After 2s cut to a new scene mendarat di tanda dua belas detik pada karya jadinya. Siapa pun yang menyusun shot list berdasarkan timecode absolut akan salah sekali lalu tidak pernah lagi.

Sekalian di situ: prompt perpanjangan sebaiknya menggambarkan kelanjutannya, bukan mengulang seluruh adegannya. Bentuk yang disarankan Google bahkan sesingkat "Extend this video" atau "The scene continues", dengan tambahan hanya di tempat sesuatu berubah — "The music continues into the chorus" untuk audio, "Show the same characters in the next scene" untuk sebuah potongan. Perpanjangan hanya menambahkan di belakang; Anda tidak bisa menambahkan di depan atau menyisipkan ke tengah.

Penyuntingan menginginkan lebih sedikit kata, bukan lebih banyak

Semua di atas memberi imbalan pada detail. Penyuntingan membalikkannya: "Simple prompts work best for video editing. Overly descriptive prompts can lead to unintended changes."

Google menerbitkan pasangan sebelum-dan-sesudahnya sendiri, dan itu layak dibaca sebagai pola alih-alih sebagai dua contoh:

Avoid:    In the video of the man sitting on the sofa, please add a small
          black cat that runs from the right side of the screen, jumps onto
          his lap, and then he starts to stroke its head while looking down.

Simplify: Add a cat that jumps onto his lap, he begins to pet it.
          Keep everything else the same.

Avoid:    Please remove the cell phone that the person is holding in their
          hand and fill in the background so it looks like they are just
          holding their hand empty.

Simplify: Make the phone invisible. Keep everything else the same.

Klausa yang bekerja di keduanya adalah "Keep everything else the same", yang Google sarankan disertakan kapan pun Anda menyunting satu aspek dari sebuah shot. Setiap detail tambahan yang Anda berikan adalah satu hal lagi yang mungkin diputuskan modelnya untuk dihasilkan ulang.

Image-to-video berjalan ke arah sebaliknya lagi: "Vague prompts like 'make it move' produce less compelling results than detailed descriptions of the camera movement, subject motion, and environmental effects." Detail untuk generasi, keringkasan untuk penyuntingan.

Kata-kata kamera yang benar-benar Google sebutkan

Google menerbitkan daftar kosakata, yang lebih bisa diandalkan daripada istilah yang beredar di utas tips prompt. Gerakan yang ia sebut: static, pan, tilt, dolly in dan out, truck left dan right, pedestal up dan down, zoom, crane, aerial atau drone, handheld, whip pan, arc. Sudut: eye-level, low, high, bird's-eye, worm's-eye, Dutch, close-up dan extreme close-up, medium, full, wide atau establishing, over-the-shoulder, point-of-view. Efek optik: wide-angle, telephoto, shallow dan deep depth of field, lens flare, rack focus, fisheye, dan efek vertigo — dolly zoom.

Google juga membedakan zoom dari dolly secara eksplisit, karena model mencampuradukkan keduanya: zoom mengubah panjang fokus, dan "This is different from a dolly, as the camera itself doesn't move."

Bawa juga peringatan yang Google nyatakan dua kali: "Some advanced camera angles are not officially supported. The results and reliability may vary depending on the overall prompt and your specific use case." Menyebut sebuah gerakan adalah permintaan, bukan jaminan.

Berikut sebuah arc shot, salah satu gerakan yang terdokumentasi, di-prompt secara lugas:

Slow arc shot travelling left around a weathered brass sextant resting on
an unrolled nautical chart on a scuffed wooden table. Low winter sunlight
rakes in from the right and the brass catches moving highlights as the
camera travels. Single continuous shot, no scene cuts, shallow depth of
field. Sound design: faint harbour ambience, rigging tapping in wind.
No dialogue.

Istilah sinematik dan penyuntingan juga terdokumentasi — match cut, jump cut, establishing shot sequence, montage, split diopter effect. Istilah yang mungkin Anda lihat dikaitkan ke Google tetapi tidak ada di kedua halaman itu: oner, push in, dan natural smartphone zoom.

Prompt negatif: dua halaman Google saling bertentangan

Omni tidak punya parameter prompt negatif. Dokumentasi API-nya blak-blakan: "System instructions, temperature, top_p, stop sequences, and negative prompts are not supported (you can put your negatives in the regular prompt: e.g., 'Do not do X')."

Dan panduan prompt Omni menyarankan persis itu, mengusulkan "No dialogue", "No embellishments", "No extra sound effects".

Panduan bersama Omni-dan-Veo milik Google mengatakan sebaliknya soal rumusannya:

"Not recommended: using instructive language or words such as 'no' or 'don't'. For example, avoid prompts such as 'no walls' or 'don't show walls'. Recommended: Describe what you don't want to see. For example, 'wall, frame'"

Kami tidak akan berpura-pura menyelesaikan itu. Penjelasan yang paling mungkin adalah halaman kedua sedang menggambarkan field negativePrompt khusus milik Veo — yang tidak dimiliki Omni — sementara halaman Omni menggambarkan negatif dalam bentuk prosa, dan itulah satu-satunya yang ditawarkan Omni. Itu inferensi, bukan sesuatu yang Google nyatakan. Dalam praktiknya: pakai rumusan halaman Omni untuk Omni, dan kalau sebuah negatif diabaikan, coba bentuk yang satunya sebelum menyimpulkan modelnya tidak bisa.

Satu kontradiksi jujur lagi, karena ia memengaruhi apa yang bisa Anda janjikan ke klien. Panduan prompt Omni bilang modelnya merender teks di layar "in a way that is correct and readable". Model card DeepMind mencantumkan "rendering perfectly accurate text" di antara hal-hal yang "remain a challenge". Keduanya Google. Uji sebelum Anda berkomitmen.

Checklist yang benar-benar bisa Anda pakai

Bekerja dari semua di atas, sebuah prompt yang menghormati cara modelnya berperilaku biasanya membawa:

1. Instruksi jumlah shot, karena multi-shot adalah defaultnya dan kemungkinan bukan yang Anda inginkan
2. Subjek dan gerakannya, secara spesifik — bukan "buat ia bergerak"
3. Satu gerakan kamera terdokumentasi, disebut dari daftar Google
4. Cahaya: arah, kualitas, warna
5. Satu kalimat terpisah untuk suara, diawali Sound design: kalau ia bukan dialog
6. Dialog sebagai speaker says: line, titik dua, tanpa tanda kutip
7. Negatif apa pun sebagai klausa prosa pendek di akhir
8. Khusus untuk suntingan: buang sebagian besar hal di atas dan tambahkan "Keep everything else the same"

Ringkasan struktur dari Google sendiri lebih panjang — subjek, aksi, adegan, sudut kamera, gerakan kamera, lensa, gaya visual, elemen temporal, audio, istilah sinematik, negatif — dengan penenang bahwa "You don't need to use all elements in every prompt".

Di mana menjalankan ini hari ini

Prompting adalah keterampilan yang Anda peroleh dengan gagal berulang kali, yang membuat harga per kegagalan menjadi angka yang paling penting. Tes empat detik di Veo 3.1 Fast berbiaya empat sen. Tes yang sama di Gemini Omni 1.1 Flash, yang hidup di sini sejak 28 Agustus 2026 pada sembilan sen per detik, berbiaya tiga puluh enam — atau sekitar dua belas kalau Anda membuat drafnya di 360p dulu, yaitu tier yang ditambahkan rilis 1.1 persis untuk ini. Sepanjang satu sore mempelajari di titik mana sebuah instruksi kamera berhenti dituruti, selisih itu menentukan berapa kali Anda boleh salah.

Jadi latihlah separuh yang bisa dipindahkan secara murah — jumlah shot, kosakata kamera, arahan suara, negatif — yang semuanya berasal dari panduan yang Google terbitkan untuk kedua model. Kedua klip di atas dibuat persis dengan cara itu. Naiklah ke keluarga Omni ketika Anda butuh apa yang hanya ia lakukan: sintaks tag, perpanjangan, dan konsistensi berbasis referensi. Satu catatan soal tag frame yang paling banyak dibahas panduan ini — kini keduanya punya endpoint sendiri, start-end-frame-to-video, yang justru menerima kedua frame sebagai field, dan image-to-video melakukan hal yang sama untuk satu gambar diam pembuka. Veo 3.1 Fast tetap akan menutupi latihan image-to-video dan frame awal dan akhir di sepanjang jalan. Tarif terkini per 28 Agustus 2026.

Kami menulis apa yang dirilis di 1.1 dan apa yang sebenarnya dikatakan papan peringkat tentangnya secara terpisah. Telusuri berdasarkan pekerjaan dari text-to-video, atau baca spesifikasi yang bisa dibaca mesin kalau Anda lebih suka mem-diff parameter ketimbang prosa.

Harga dan ketentuan produk bisa berubah. Periksa harga terkini tiap provider sebelum mengambil keputusan pembelian.

Pertanyaan yang sering diajukan

Bagaimana cara menulis prompt untuk Gemini Omni 1.1 Flash?

Sebutkan jumlah shot lebih dulu, karena Omni menghasilkan beberapa shot secara default dan Anda biasanya menginginkan satu. Lalu gambarkan subjek dan gerakannya, satu gerakan kamera yang disebut namanya, dan pencahayaannya. Taruh audio di kalimatnya sendiri, diawali "Sound design:" untuk non-ucapan, dan tulis dialog sebagai "speaker says: line" dengan titik dua tanpa tanda kutip. Tambahkan negatif apa pun sebagai klausa pendek di akhir.

Apa itu tag FIRST_FRAME di Gemini Omni?

Ia adalah tag inline yang memberi tahu Omni untuk memakai gambar yang diberikan sebagai frame pembuka, ditulis sebagai tag-nya diikuti deskripsi Anda. Pasangannya, LAST_FRAME, menandai frame tempat mengakhiri dan, menurut dokumentasi Google, harus dipakai bersama FIRST_FRAME. Mengarahkan kedua tag ke gambar yang sama menghasilkan klip yang berulang.

Apakah Gemini Omni mendukung prompt negatif?

Tidak sebagai parameter. Dokumentasi API Google menyatakan bahwa prompt negatif tidak didukung dan menyuruh Anda menaruh negatifnya di dalam prompt biasa, seperti "Do not do X". Panduan prompt Omni menyarankan klausa pendek seperti "No dialogue" atau "No extra sound effects". Panduan bersama Omni dan Veo milik Google menyarankan untuk menghindari rumusan itu, yang tampaknya menggambarkan field prompt negatif terpisah milik Veo alih-alih Omni.

Mengapa Gemini Omni menambahkan potongan adegan yang tidak saya minta?

Karena beberapa shot adalah defaultnya. Dokumentasi Google bilang Omni akan mencoba membuat video dengan beberapa shot dan menyusun narasi dari prompt Anda kecuali diberi tahu sebaliknya. Menambahkan "In a single continuous shot" atau "No scene cuts" ke promptnya adalah perbaikan yang terdokumentasi.

Bagaimana timestamp bekerja saat memperpanjang video Omni?

Ia berpindah acuan. Begitu Anda memperpanjang sebuah klip, 0s merujuk ke awal perpanjangannya alih-alih awal aslinya. Contoh Google: memperpanjang video 10 detik dengan instruksi di 2s menaruh momen itu pada detik ke-12 di karya jadinya. Perpanjangan hanya menambahkan di belakang — Anda tidak bisa menambahkan konten di depan atau menyunting bagian tengah klip.

Apakah dialog harus ditaruh dalam tanda kutip untuk Gemini Omni?

Tidak. Bentuk yang Google dokumentasikan adalah "speaker says: line" — sebuah titik dua, tanpa tanda kutip. Klaim yang banyak diulang bahwa tanda kutip memicu mode lip-sync tidak muncul di dokumentasi Google mana pun. Tanda kutip muncul di contoh Google hanya untuk teks yang dimaksudkan dirender di layar, dan kemungkinan dari situlah kebingungannya bermula.

Berapa biaya untuk berlatih prompting Omni?

Di API kami, Gemini Omni 1.1 Flash berjalan $0.09 per detik pada 720p, jadi tes empat detik adalah $0.36, atau sekitar $0.12 kalau Anda membuat draf di 360p, per 28 Agustus 2026. Veo 3.1 Fast adalah $0.01 per detik, membuat tes yang sama jadi empat sen. Karena teknik kamera, jumlah shot dan audio berasal dari panduan prompt yang Google terbitkan untuk kedua model, berlatih di yang lebih murah berbiaya sepersembilannya dan melatih kebiasaan yang sama.