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
テキストから動画、画像から動画、開始・終了フレーム補間、マルチモーダル参照動画(最大9枚の画像、3本の動画、3つの音声)に対応する ByteDance Seedance 2.0 Mini ファミリー。25%割引適用(480p $0.045/秒、720p $0.09/秒)。
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)再生時間と解像度ごとの生成あたりの推定コストです。実行した分だけお支払いいただきます。
参照から動画向けの他のAIモデルを探索
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.
高い忠実度と多彩なスタイルに対応した、Google DeepMind の最新の動画生成。
E2Xチームからのインサイト、チュートリアル、最新情報。
E2XでByteDance Seedance 2.0 Miniのtext-to-video、image-to-video、start-end-frame、reference-to-videoを統合。480pは$0.045/s、720pは$0.09/s(25%オフ)。
Gemini Omni 1.1 Flash の顔、手、そしてネイティブのセリフ — 肌をプラスチックに変える形容詞、仕事を与えられた手が崩れない理由、そして Google が明文化している限界。
Google は 2026 年 8 月 27 日に gemini-omni-1.1-flash を一般提供しました。シーン延長、最初と最後のフレームの制御、参照クリップ — 実際に変わったもの。
Omni の 4 つの機能は同じ料金で、固定するものが違います。連続性の問題ごとにどれを選ぶか、seed が実際には何を留めるのか、そしてジャケットがいまだに変わる場所。
ByteDance Seedance 2.0 Mini reference-to-video(bytedance/seedance-2.0-mini/reference-to-video)は、1回のリクエストで最大9枚の参照画像(reference_urls)、3本の参照動画クリップ(reference_video_urls)、および3つの参照音声トラック(reference_audio_urls)を受け付けるマルチモーダル参照条件付けエンドポイントです。各メディアはプロンプト内で@Image1..@Image9、@Video1..@Video3、@Audio1..@Audio3タグを使って直接指定できます。
定価ベースレート$0.06/sからの常時25%割引により、E2Xでは添付する参照画像、動画、音声ファイルの数にかかわらず、480pで1秒あたり$0.045、720pで1秒あたり$0.09の定額料金で課金されます。5秒間の720p生成は$0.45、5秒間の480pドラフトは$0.225です。
同じモデルファミリー内のよりシンプルな条件付けモードとして、1枚の画像を第1フレームとして使用する場合はSeedance 2.0 Mini image-to-video、2つのキーフレーム間を補間する場合はSeedance 2.0 Mini start-end-frame-to-video、テキストのみから生成する場合はSeedance 2.0 Mini text-to-videoを使用してください。
トークン課金型のプラットフォームや一部の秒単位ラッパーでは、参照動画(reference_video_urls)を渡すとジョブの課金方法が変わります。
5s出力)を生成するために5秒の参照動画を2本(10s入力)渡すと、15秒分のトークンまたは動画時間に対して課金されます。bytedance/seedance-2.0-miniで動画入力(video_in)が含まれる場合に秒単価を引き上げ、480pでは$0.05/s(通常$0.04/s)、720pでは$0.11/s(通常$0.09/s)を請求します。E2Xでは、bytedance/seedance-2.0-mini/reference-to-videoは出力時間と出力解像度のみに基づいて厳密に課金されます。9枚の参照画像、3本の参照動画、3つの参照音声クリップを添付しても、秒単価への追加料金は$0.00です。
| シナリオ(720pで5秒の出力クリップ) | E2X(25%オフ) | Replicate | WaveSpeed | fal.ai |
|---|---|---|---|---|
参照画像3枚(non_video_in) | $0.45 ($0.09/s) | $0.45 ($0.09/s) | $0.60 ($0.12/s) | ~$0.77 (~$0.155/s) |
| 5秒の参照動画1本 + 5秒出力 | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $0.75 (10s × $0.075/s) | ~$0.93(0.6×トークン単価で10s) |
| 5秒の参照動画2本 + 5秒出力 | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $1.125 (15s × $0.075/s) | ~$1.39(0.6×トークン単価で15s) |
料金は2026年11月5日時点で確認したものです。価格および製品条件は変更される場合があります。購入を決定する前に、各プロバイダーの最新の料金をご確認ください。これは特定条件での比較であり、あらゆる構成においてE2Xが最安であることを主張するものではありません。
@Image、@Video、@Audiobytedance/seedance-2.0-mini/reference-to-videoのスキーマは、promptと並んで3つの配列フィールドを公開しています。
reference_urls(maxItems: 9): キャラクターの顔、衣装、製品の角度、または背景環境プレート用の参照画像です。プロンプト内では、1始まりの配列順序に従って@Image1、@Image2から最大@Image9として指定します。reference_video_urls(maxItems: 3): カメラのコレオグラフィ、モーショントランスファー、またはキャラクターの動き用の参照動画クリップです。@Video1、@Video2、@Video3として指定します。reference_audio_urls(maxItems: 3): 声質、リズム、または環境音のキュー用の参照音声クリップです。@Audio1、@Audio2、@Audio3として指定します。BytePlus ModelArkと当社のワーカーの双方で1つのバリデーションルールが適用されます。すべてのreference-to-videoリクエストには、少なくとも1つの視覚的参照(reference_urlsまたはreference_video_urls)を含める必要があります。画像または動画の参照を1つも指定せずにreference_audio_urlsだけを渡すと、ジョブ送信前にバリデーションエラーが発生します。
再利用可能なキャラクター、製品、またはモーションの参照URLを配列に格納し、1始まりの位置(@Image1、@Video1、@Audio1)をprompt内で直接参照します。
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
}
}'
以下は、画像、動画、音声の参照を組み合わせて8秒間の9:16縦型クリップ(720pで$0.72、480pで$0.36)を生成するJavaScriptの例です。
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}`);
}
}
当社のワーカーは入力エイリアスとしてimage_urls、video_urls、audio_urlsも受け付け、プライマリのBytePlus ModelArkのcontentアイテム(role: "reference_image"、"reference_video"、"reference_audio")およびセカンダリのEachlabsフォールバックの両方に自動的にマッピングします。スキーマの詳細は機械可読仕様書およびE2X SDKをご覧ください。
E2Xでは、参照可能な枚数やモダリティが異なる3つのreference-to-videoエンドポイントを提供しています。
| エンドポイント | 720p(1秒あたり) | 最大画像参照数 | 動画・音声参照 | 生成時間の範囲 | アスペクト比 |
|---|---|---|---|---|---|
| Seedance 2.0 Mini reference-to-video | $0.09(480pで$0.045/s) | 画像9枚 | 最大動画3本 + 音声3つ | 4〜15秒(1秒刻み) | 6種(21:9〜9:16) |
| Gemini Omni 1.1 Flash reference-to-video | $0.09(360pで$0.0297/s) | 画像7枚 | 画像参照のみ | 4, 6, 8, 10秒 | 2種(16:9, 9:16) |
| Veo 3.1 Fast reference-to-video | $0.015(音声あり) | 画像3枚 | 画像参照のみ | 4, 6, 8秒 | 2種(16:9, 9:16) |
Seedance 2.0 Miniは、reference-to-videoカタログの中で唯一、9枚の参照画像に加えて参照動画クリップ(@Video1..@Video3)と参照音声トラック(@Audio1..@Audio3)を受け付けるエンドポイントであり、また21:9、4:3、3:4、1:1のアスペクト比や11〜15秒の生成時間に対応する唯一のモデルでもあります。納品物が1080pまたは4Kでなければならない場合はGemini Omni 1.1 Flash reference-to-videoを選択し、参照画像3枚と8秒以内の16:9/9:16クリップで十分な場合はVeo 3.1 Fast reference-to-videoを選択してください。E2Xモデルカタログですべてのモデルを閲覧できます。
@Image、@Video、@Audioタグを使ったプロンプト作成のコツ複数ショットのストーリーボード全体でマルチ参照の役割を明確に分離するには、以下のポイントを押さえてください。
@Image1の女性が@Image2のデニムエプロンを身につけ、@Image3のベーカリーの中に立っている」のように明記します。@Image1のキャラクターが短い銀髪である場合、プロンプト内で髪の色を再度説明せず、プロンプトのトークンはアクション、カメラワーク、照明の記述に費やしてください。@Video1を使ってカメラワークや振り付けを転写する: カメラの軌道を借りたいのか(「following the camera pan in @Video1」)、被写体の動きを借りたいのか(「performing the dance step in @Video1」)を明示的に記述します。当社のSeedance 2.0 Miniマルチモーダル参照ガイドでは、完全なマルチショットの実例を解説しています。常時適用の25%割引により、480pで1秒あたり$0.045、720pで1秒あたり$0.09となります。最大9枚の画像、3本の動画、3つの音声トラックを添付しても、1秒あたりの料金は上がりません。
reference_urlsに最大9枚の参照画像、reference_video_urlsに最大3本の参照動画、reference_audio_urlsに最大3つの参照音声ファイルを渡すことができます。1回の呼び出しにつき、少なくとも1つの画像または動画の参照が必須です。
配列の順序に対応する1始まりのタグを使用します。reference_urlsの要素には@Image1から@Image9、reference_video_urlsには@Video1から@Video3、reference_audio_urlsには@Audio1から@Audio3を指定してください。
いいえ。入力動画の秒数と出力動画の秒数を合算して課金するトークン課金型プロバイダーや、video_inで720pの料金を$0.09/sから$0.11/sへ引き上げるReplicateとは異なり、E2Xではリクエストした出力秒数のみ(480pで$0.045/s、720pで$0.09/s)に対して課金されます。
BytePlus ModelArkが実在の人物を含む参照画像や動画にPrivacyInformationフラグを立てた場合、当社のワーカーが自動的に視覚入力をModeration.Strategy = "Skip"付きでBytePlusのプライベートAIGC Asset Libraryに登録し、asset://<id> URIでジョブを再試行して、タスク完了後に一時アセットを削除します。
6種類のアスペクト比(21:9、16:9、4:3、1:1、3:4、9:16)と、"4"秒から"15"秒までの任意の整数秒を選択できます。