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
ByteDance Seedance 2.0 Mini 视频生成模型家族,涵盖文生视频、图生视频、首尾帧过渡及多模态参考生视频(最多 9 张图像、3 段视频与 3 段音频),享 75 折优惠(480p 每秒 $0.045,720p 每秒 $0.09)。
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)按时长和分辨率估算每次生成的成本。您只需为实际运行的部分付费。
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.
来自 E2X 团队的洞察、教程和更新。
在 E2X 上集成字节跳动 Seedance 2.0 Mini 文生视频、图生视频、首尾帧生视频及多模态参考生视频 API,480p 仅 $0.045/s,720p 仅 $0.09/s(享 75 折优惠)。
Gemini Omni 1.1 Flash 上的脸、手和原生对白——哪些形容词会把皮肤变成塑料,为什么一只有活儿干的手才站得住,以及 Google 白纸黑字写下的那些限制。
Google 于 2026 年 8 月 27 日让 gemini-omni-1.1-flash 正式可用。场景延伸、首尾帧控制、参考片段——真正变了的是什么。
Omni 的四项能力价钱一样,稳住的却是不同的东西。怎么按连续性问题挑一个、seed 到底钉住了什么,以及那件外套还是会变的地方。
字节跳动 Seedance 2.0 Mini 多模态参考生视频端点(bytedance/seedance-2.0-mini/reference-to-video)是一项强大的多模态参考条件控制接口,支持在单次 API 请求中同时传入最多 9 张参考图片(reference_urls)、3 段参考视频片段(reference_video_urls)以及 3 段参考音频轨道(reference_audio_urls),并可在提示词文本中直接通过 @Image1..@Image9、@Video1..@Video3 和 @Audio1..@Audio3 标签精准引用每一个素材。
凭借我们在 $0.06/s 目录基准价上提供的常态化 25% 折扣(即七五折优惠),无论您在请求中附加了多少张参考图片、参考视频或参考音频文件,E2X 始终按统一固定单价计费:480p 分辨率下每秒 $0.045,720p 分辨率下每秒 $0.09。生成一段 5 秒的 720p 视频仅需 $0.45,生成一段 5 秒的 480p 草稿视频仅需 $0.225。
如果您只需要同一模型家族下更简单的条件控制模式:当只需将单张图片作为固定第一帧时,请使用 Seedance 2.0 Mini 图生视频 (image-to-video);当需要在两个关键帧之间进行插值过渡时,请使用 Seedance 2.0 Mini 首尾帧生成视频 (start-end-frame-to-video);当只需从纯文本生成视频时,请使用 Seedance 2.0 Mini 文生视频 (text-to-video)。
在按 Token 计费的平台以及部分按秒计费的封装平台上,一旦传入参考视频(reference_video_urls),任务的计费公式就会发生显著变化:
10s 输入)来生成一段 5 秒的输出视频(5s 输出),您将被收取整整 15 秒的视频 Token 或时长费用。bytedance/seedance-2.0-mini 请求中包含视频输入(video_in)时,会直接上调每秒费率:将 480p 单价从 $0.04/s 提高到 $0.05/s,将 720p 单价从 $0.09/s 提高到 $0.11/s。而在 E2X 平台上,bytedance/seedance-2.0-mini/reference-to-video 严格只按最终输出视频的时长和输出分辨率计费。即使您在单次请求中挂满 9 张参考图片、3 段参考视频和 3 段参考音频,每秒单价的附加费用依然是 $0.00:
| 生成场景(720p 下生成 5 秒输出视频) | E2X(75 折优惠) | Replicate | WaveSpeed | fal.ai |
|---|---|---|---|---|
传入 3 张参考图片 (non_video_in) | $0.45 ($0.09/s) | $0.45 ($0.09/s) | $0.60 ($0.12/s) | ~$0.77 (~$0.155/s) |
| 1 段 5 秒参考视频 + 5 秒输出视频 | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $0.75 (10s × $0.075/s) | ~$0.93(按 0.6× Token 费率计 10s) |
| 2 段 5 秒参考视频 + 5 秒输出视频 | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $1.125 (15s × $0.075/s) | ~$1.39(按 0.6× Token 费率计 15s) |
以上费率核实于 2026 年 11 月 5 日。各平台的价格与服务条款可能会随时间调整。在做出购买决策前,请先查阅各供应商的最新官方定价。以上对比仅针对特定标准配置,并非声称 E2X 在任何配置下均为绝对最低价。
@Image、@Video 与 @Audiobytedance/seedance-2.0-mini/reference-to-video 的参数 Schema 在 prompt 之外提供了三个媒体数组字段:
reference_urls(maxItems: 9):用于锁定角色面部特征、服装穿搭、产品多角度外观或场景环境底板的参考图片数组。在提示词中按照从 1 开始的数组顺序,使用 @Image1、@Image2 直至 @Image9 进行引用。reference_video_urls(maxItems: 3):用于镜头运镜调度、动作迁移或角色肢体姿态参考的视频片段数组。在提示词中使用 @Video1、@Video2 和 @Video3 进行引用。reference_audio_urls(maxItems: 3):用于说话嗓音音色、语速节奏或环境声效提示的参考音频数组。在提示词中使用 @Audio1、@Audio2 和 @Audio3 进行引用。BytePlus ModelArk 上游接口与我们的后端 Worker 共同强制执行一条校验规则:每一个 reference-to-video 请求都必须至少包含一项视觉参考素材(即 reference_urls 或 reference_video_urls 至少有一项非空)。如果仅传入 reference_audio_urls 而不提供任何图片或视频参考,系统会在任务提交前直接返回参数校验错误。
将您可复用的角色定妆照、产品图或运镜参考视频 URL 存入数组中,并在 prompt 文本内直接通过从 1 开始的索引标签(@Image1、@Video1、@Audio1)调用它们:
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
}
}'
以下是一个完整的 JavaScript 调用示例,它将图片、视频和音频三种参考素材融合生成一段 8 秒钟的 9:16 竖屏视频(在 720p 下费用为 $0.72,在 480p 下费用为 $0.36):
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}`);
}
}
我们的后端 Worker 同时也兼容接受 image_urls、video_urls 和 audio_urls 作为输入参数别名,并会自动将它们映射至主通道 BytePlus ModelArk 的 content 数组条目(role: "reference_image"、"reference_video"、"reference_audio")以及二级备用通道 Eachlabs。完整的 Schema 规范详情请参阅机器可读模型规范 (llms.txt)和 E2X SDK 文档。
E2X 提供了三款各具特色的 reference-to-video 端点,它们在最大参考素材数量与支持的模态类型上各有分工:
| 模型端点 | 720p 每秒单价 | 最大参考图片数 | 视频与音频参考能力 | 支持时长范围 | 画面宽高比 |
|---|---|---|---|---|---|
| Seedance 2.0 Mini reference-to-video | $0.09(480p 为 $0.045/s) | 9 张图片 | 最多 3 段视频 + 3 段音频 | 4 至 15 秒(1 秒步进) | 6 种(21:9 至 9:16) |
| Gemini Omni 1.1 Flash reference-to-video | $0.09(360p 为 $0.0297/s) | 7 张图片 | 仅支持图片参考 | 4, 6, 8, 10 秒 | 2 种(16:9, 9:16) |
| Veo 3.1 Fast reference-to-video | $0.015(含声音) | 3 张图片 | 仅支持图片参考 | 4, 6, 8 秒 | 2 种(16:9, 9:16) |
在整个参考生视频分类目录中,Seedance 2.0 Mini 是唯一一款不仅支持最多 9 张参考图片、还能同时接收参考视频片段(@Video1..@Video3)和参考音频轨道(@Audio1..@Audio3)的端点,也是唯一支持 21:9、4:3、3:4 和 1:1 画面比例以及 11 至 15 秒长片段的模型。当您的成片必须以 1080p 或 4K 超高清规格交付时,请选择 Gemini Omni 1.1 Flash 参考生视频;当 3 张参考图片和 8 秒以内的 16:9/9:16 视频片段足以满足需求时,则可以选择成本更低的 Veo 3.1 Fast 参考生视频。欢迎在 E2X 模型目录中浏览全部可用模型。
@Image、@Video 和 @Audio 标签编写提示词的技巧为了在多镜头故事板中实现清晰的多参考素材解耦与角色分离,请遵循以下三条提示词编写原则:
@Image1 的女子身穿 @Image2 中的牛仔围裙,站在 @Image3 的面包店内部”,而不要让模型自己去猜测哪张图片代表人物面部、哪张图片代表室内场景。@Image1 中的角色留着银色短发,就不需要在提示词里重复描述头发颜色,请将宝贵的提示词注意力集中在人物动作、镜头运动和光影氛围上。@Video1 迁移摄影机运镜或动作编排:请在提示词中明确指出您希望模型借用参考视频的摄影机运动轨迹(如 "following the camera pan in @Video1")还是借用主体人物的肢体动作(如 "performing the dance step in @Video1")。我们的 Seedance 2.0 Mini 多模态参考实战指南详细拆解了完整的多镜头连续生成案例。享受常态化 25% 折扣后,该端点在 480p 分辨率下每秒收费 $0.045,在 720p 分辨率下每秒收费 $0.09。附加最多 9 张图片、3 段视频和 3 段音频参考不会增加每秒的生成单价。
您可以在 reference_urls 中传入最多 9 张参考图片,在 reference_video_urls 中传入最多 3 段参考视频,在 reference_audio_urls 中传入最多 3 个参考音频文件。每次调用至少需要包含一张参考图片或一段参考视频。
请使用与各数组顺序相对应的、从 1 开始编号的标签:reference_urls 中的图片对应 @Image1 至 @Image9,reference_video_urls 中的视频对应 @Video1 至 @Video3,reference_audio_urls 中的音频对应 @Audio1 至 @Audio3。
不会。不同于那些将输入视频秒数与输出视频秒数叠加计费的按 Token 计费平台,也不同于在包含视频输入(video_in)时将 720p 费率从 $0.09/s 上调至 $0.11/s 的 Replicate,E2X 严格只按您请求生成的输出视频秒数计费(480p 为 $0.045/s,720p 为 $0.09/s)。
当 BytePlus ModelArk 对包含真实人物面孔的参考图片或参考视频触发 PrivacyInformation 拦截标记时,我们的后端 Worker 会自动将这些视觉输入注册到 BytePlus 的私有 AIGC 资产库中并设置 Moderation.Strategy = "Skip",随后使用 asset://<id> URI 自动重试任务,并在任务完成后立即清理删除临时资产。
您可以自由选择全部六种宽高比(21:9、16:9、4:3、1:1、3:4、9:16)以及从 "4" 秒到 "15" 秒之间的任意整数秒时长。