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
Família de modelos de vídeo ByteDance Seedance 2.0 Mini para texto-para-vídeo, imagem-para-vídeo, transições entre quadro inicial e final e referência-para-vídeo multimodal (até 9 imagens, 3 vídeos e 3 faixas de áudio) com 25% de desconto ($0.045/s em 480p, $0.09/s em 720p).
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)Custo estimado por geração de acordo com duração e resolução. Você só paga pelo que executar.
Descubra mais modelos de IA para Referência para Vídeo
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.
A geração de vídeo mais recente do Google DeepMind, com alta fidelidade e estilos variados.
Geração de vídeo do Google DeepMind com alta fidelidade e estilos variados.
Insights, tutoriais e novidades da equipa E2X.
Integre ByteDance Seedance 2.0 Mini text-to-video, image-to-video, start-end-frame e reference-to-video na E2X por $0.045/s (480p) e $0.09/s (720p, 25% off).
Rostos, mãos e diálogo nativo no Gemini Omni 1.1 Flash — os adjetivos que transformam pele em plástico, por que uma mão ocupada se sustenta, e os limites que o Google põe por escrito.
O Google liberou o gemini-omni-1.1-flash em 27 de agosto de 2026. Extensão de cena, controle de primeiro e último frame e clipes de referência: o que mudou.
Quatro capacidades do Omni custam o mesmo e seguram coisas diferentes. Como escolher uma por problema de continuidade, o que o seed de fato fixa, e onde o casaco ainda muda.
O ByteDance Seedance 2.0 Mini reference-to-video (bytedance/seedance-2.0-mini/reference-to-video) é um endpoint de condicionamento por referência multimodal que aceita até 9 imagens de referência (reference_urls), 3 clipes de vídeo de referência (reference_video_urls) e 3 faixas de áudio de referência (reference_audio_urls) em uma única requisição, referenciados diretamente dentro do seu prompt por meio das tags @Image1..@Image9, @Video1..@Video3 e @Audio1..@Audio3.
Com nosso desconto permanente de 25% sobre a base de tabela de $0.06/s, a E2X cobra um valor fixo de $0.045 por segundo em 480p e $0.09 por segundo em 720p, independentemente de quantas imagens, vídeos ou arquivos de áudio de referência você anexar. Uma geração de 5 segundos em 720p custa $0.45, e um rascunho de 5 segundos em 480p custa $0.225.
Para modos de condicionamento mais simples na mesma família, use Seedance 2.0 Mini image-to-video quando uma única imagem dever servir como quadro um, Seedance 2.0 Mini start-end-frame-to-video ao interpolar entre dois quadros-chave, ou Seedance 2.0 Mini text-to-video ao gerar apenas a partir de texto.
Em plataformas cobradas por token e em vários wrappers por segundo, passar vídeos de referência (reference_video_urls) altera a forma como sua tarefa é cobrada:
10s de entrada) para gerar um clipe de saída de 5 segundos (5s de saída), será cobrado por 15 segundos de tokens ou duração de vídeo.bytedance/seedance-2.0-mini quando há entradas de vídeo presentes (video_in), cobrando $0.05/s em 480p (acima de $0.04/s) e $0.11/s em 720p (acima de $0.09/s).Na E2X, o bytedance/seedance-2.0-mini/reference-to-video cobra estritamente pela duração de saída e resolução de saída. Anexar 9 imagens de referência, 3 vídeos de referência e 3 clipes de áudio de referência adiciona $0.00 à tarifa por segundo:
| Cenário (clipe de saída de 5s em 720p) | E2X (25% de desconto) | Replicate | WaveSpeed | fal.ai |
|---|---|---|---|---|
3 imagens de referência (non_video_in) | $0.45 ($0.09/s) | $0.45 ($0.09/s) | $0.60 ($0.12/s) | ~$0.77 (~$0.155/s) |
| 1× vídeo de ref. de 5s + 5s de saída | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $0.75 (10s × $0.075/s) | ~$0.93 (10s na tarifa de token 0.6×) |
| 2× vídeos de ref. de 5s + 5s de saída | $0.45 ($0.09/s) | $0.55 ($0.11/s) | $1.125 (15s × $0.075/s) | ~$1.39 (15s na tarifa de token 0.6×) |
Tarifas verificadas em 5 de novembro de 2026. Preços e termos de produto podem mudar. Verifique os preços atuais de cada provedor antes de tomar uma decisão de compra. Esta é uma comparação delimitada, não uma afirmação de que a E2X é a opção mais barata em todas as configurações.
@Image, @Video e @AudioO esquema do bytedance/seedance-2.0-mini/reference-to-video expõe três campos de array ao lado de prompt:
reference_urls (maxItems: 9): imagens de referência para rostos de personagens, figurinos, ângulos de produtos ou cenários. Referencie-as em seu prompt como @Image1, @Image2, até @Image9 na ordem do array começando em 1.reference_video_urls (maxItems: 3): clipes de vídeo de referência para coreografia de câmera, transferência de movimento ou movimentação de personagem. Referencie-os como @Video1, @Video2 e @Video3.reference_audio_urls (maxItems: 3): clipes de áudio de referência para timbre de voz, ritmo ou deixas de som ambiente. Referencie-os como @Audio1, @Audio2 e @Audio3.Uma regra de validação é aplicada tanto pelo BytePlus ModelArk quanto pelo nosso worker: toda requisição reference-to-video deve incluir pelo menos uma referência visual (reference_urls ou reference_video_urls). Passar reference_audio_urls sem pelo menos uma referência de imagem ou vídeo gerará um erro de validação antes do envio da tarefa.
Armazene suas URLs reutilizáveis de referência de personagem, produto ou movimento em um array e referencie suas posições começando em 1 (@Image1, @Video1, @Audio1) diretamente 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
}
}'
Aqui está um exemplo em JavaScript que combina referências de imagem, vídeo e áudio em um clipe vertical de 8 segundos em 9:16 ($0.72 em 720p, ou $0.36 em 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}`);
}
}
Nosso worker também aceita image_urls, video_urls e audio_urls como aliases de entrada e os mapeia automaticamente tanto para os itens content primários do BytePlus ModelArk (role: "reference_image", "reference_video", "reference_audio") quanto para o fallback secundário da Eachlabs. Consulte a especificação legível por máquina e os SDKs da E2X para detalhes completos do esquema.
A E2X oferece três endpoints reference-to-video com capacidades e modalidades de referência distintas:
| Endpoint | 720p por segundo | Máx. refs de imagem | Refs de vídeo e áudio | Faixa de duração | Proporções |
|---|---:|:---:|:---:|---|---|
| Seedance 2.0 Mini reference-to-video | $0.09 ($0.045/s em 480p) | 9 imagens | Até 3 vídeos + 3 áudios | 4 a 15 s (passos de 1s) | 6 (21:9 a 9:16) |
| Gemini Omni 1.1 Flash reference-to-video | $0.09 ($0.0297/s em 360p) | 7 imagens | Apenas referências de imagem | 4, 6, 8, 10 s | 2 (16:9, 9:16) |
| Veo 3.1 Fast reference-to-video | $0.015 (com som) | 3 imagens | Apenas referências de imagem | 4, 6, 8 s | 2 (16:9, 9:16) |
O Seedance 2.0 Mini é o único endpoint no catálogo reference-to-video que aceita 9 imagens de referência junto com clipes de vídeo de referência (@Video1..@Video3) e faixas de áudio de referência (@Audio1..@Audio3), e o único que suporta as proporções 21:9, 4:3, 3:4 e 1:1 ou durações de 11 a 15 segundos. Escolha o Gemini Omni 1.1 Flash reference-to-video quando sua entrega precisar ser em 1080p ou 4K, ou o Veo 3.1 Fast reference-to-video quando 3 imagens de referência e um clipe de 8 segundos em 16:9/9:16 forem suficientes. Navegue por todos os modelos no catálogo de modelos da E2X.
@Image, @Video e @AudioPara obter uma separação limpa de múltiplas referências em um storyboard de várias tomadas:
@Image1 vestindo o avental jeans de @Image2 está dentro da padaria de @Image3" em vez de deixar o modelo adivinhar qual imagem contém o rosto e qual contém o ambiente.@Image1 mostra um personagem com cabelo curto prateado, não descreva novamente a cor do cabelo no prompt; use os tokens do seu prompt para ação, movimento de câmera e iluminação.@Video1 para transferir movimento de câmera ou coreografia. Declare explicitamente se você quer que o modelo aproveite a trajetória da câmera ("seguindo a panorâmica de câmera em @Video1") ou o movimento do sujeito ("executando o passo de dança em @Video1"). Nosso guia de referência multimodal do Seedance 2.0 Mini apresenta exemplos completos de múltiplas tomadas.Com nosso desconto permanente de 25%, ele custa $0.045 por segundo em 480p e $0.09 por segundo em 720p. Anexar até 9 imagens, 3 vídeos e 3 faixas de áudio não aumenta o preço por segundo.
Você pode passar até 9 imagens de referência em reference_urls, até 3 vídeos de referência em reference_video_urls e até 3 arquivos de áudio de referência em reference_audio_urls. Pelo menos uma referência de imagem ou vídeo é obrigatória por chamada.
Use tags numeradas a partir de 1 que correspondam à ordem do array: @Image1 a @Image9 para entradas em reference_urls, @Video1 a @Video3 para reference_video_urls e @Audio1 a @Audio3 para reference_audio_urls.
Não. Ao contrário dos provedores cobrados por token que cobram pela duração do vídeo de entrada mais a duração do vídeo de saída, ou da Replicate que aumenta sua tarifa em 720p de $0.09/s para $0.11/s em video_in, a E2X cobra apenas pelos segundos de saída solicitados ($0.045/s em 480p, $0.09/s em 720p).
Quando o BytePlus ModelArk sinaliza uma imagem ou vídeo de referência contendo uma pessoa real com PrivacyInformation, nosso worker registra automaticamente as entradas visuais na AIGC Asset Library privada da BytePlus com Moderation.Strategy = "Skip", tenta executar a tarefa novamente com URIs asset://<id> e exclui os ativos temporários assim que a tarefa termina.
Você pode selecionar qualquer uma das seis proporções de tela (21:9, 16:9, 4:3, 1:1, 3:4, 9:16) e qualquer duração em segundos inteiros de "4" a "15" segundos.