Gemini Omni 1.1 Flash

API Reference-to-Video do Gemini Omni 1.1 Flash na E2X

Uma campanha nunca é um clipe só. É uma lista de planos — onze linhas, a mesma bolsa de entregador em todas elas, e nenhum orçamento para a tarde em que a bolsa fica cinza na linha seis. O reference-to-video mantém a bolsa sendo a mesma bolsa. Rodamos essa capability como google/omni-1.1-flash/reference-to-video e cobramos $0.09 por segundo de saída em 720p, então o clipe padrão de oito segundos sai por $0.72, áudio incluído.

O campo que faz o trabalho é o image_urls — um array, com minItems: 1 e maxItems: 7 no nosso schema. É por causa desse teto que esta página existe. Sete vagas mostram um sujeito de ângulos suficientes para o modelo parar de inventar os que você não deu.

Outro material, outra porta: um frame parado sozinho é Omni 1.1 Flash image-to-video, as duas pontas de um plano com um vão entre elas são start-end-frame-to-video, e um briefing sem nenhum asset é Omni 1.1 Flash text-to-video, que carrega a tabela de preços completa.

Nossa taxa, lida no catálogo ao vivo em 28 de agosto de 2026:

A tabela é $0.15 o segundo; um desconto fixo de 40% leva isso a $0.09. A resolução escala a partir daí — $0.0297 em 360p, $0.18 em 4K, então uma renderização de dez segundos em 4K custa $1.80. E aí vem o número que decide como você constrói: anexe uma referência ou sete, nada acima se mexe. duration e resolution são a fórmula inteira. Referências são peso grátis.

Os preços e as condições dos produtos podem mudar. Verifique o preço atual de cada provider antes de tomar uma decisão de compra. O preço do Google Batch ou Flex não é diretamente equivalente a um request de API on-demand padrão, porque as condições de agendamento, disponibilidade e processamento são diferentes; por isso ele ficou fora desta comparação. Esta é uma comparação de escopo limitado, não uma afirmação de que a E2X é a opção mais barata do mundo em qualquer configuração.

Sete vagas, e o número está no schema

A API busca cada URL do array, então elas precisam estar onde os nossos workers alcancem por HTTPS simples — um bucket público, um link assinado ainda válido, nada atrás de login.

Sete é um máximo validado, não uma linha numa página de docs. Mande uma oitava e o request é rejeitado antes de encostar em uma GPU. Isso soa como um limite; trate como um orçamento. Um conjunto que merece as sete usa três quartos de perfil, perfil, costas, um detalhe que carrega a marca, um na distância em que o clipe vai enquadrar, e um sob luz neutra. Ângulos heróicos duplicados desperdiçam vaga. Ângulos que você omitir serão chutados.

Essa é a virada em relação à geração anterior. Nosso endpoint reference-to-video do Gemini Omni Flash roda a mesma ideia a $0.075 o segundo, sem nenhum teto documentado — o Google nunca publicou um, então nos recusamos a imprimir um número que não podíamos sustentar. É o endpoint mais barato, em vinte por cento, e dá para ver por quê: não há máximo validado de sete vagas nem nível de 360p onde ensaiar um conjunto de referências antes de gastar. O Google aposenta aquele modelo em 30 de setembro de 2026. Se alguma pipeline ainda aponta para lá, a migração é uma troca de slug, custa um quinto a mais por segundo e cai aqui.

Um conjunto de referências, muitos prompts

Monte o array uma vez. Guarde as sete URLs ao lado da sua lista de planos e poste esse mesmo array em cada job. O conjunto é o termo fixo; o prompt é a variável.

Essa inversão é o workflow. Como as referências carregam o sujeito, cada prompt para de descrever como a coisa é e começa a descrever o que acontece com ela — câmera, o que se move, a luz, o som. Os prompts encurtam e os clipes ficam mais consistentes, o que não é a troca que as pessoas esperam. Fixe um seed quando estiver comparando duas versões do mesmo plano, para saber se quem ajudou foi a reescrita ou o dado.

Conte com 240 segundos por job e dispare a lista em paralelo. E mantenha a calibragem no que o model card do Google admite:

"Manter consistência completa ao longo das edições, gerar cenas com movimento complexo ou renderizar texto perfeitamente correto continua sendo um desafio."

Sete referências estreitam a deriva. Não a abolem.

Postando o array

Dois campos são obrigatórios: prompt e image_urls. Mantenha a sua key no servidor e poste o job.

curl -X POST https://api.e2x.ai/v1/jobs/submit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/omni-1.1-flash/reference-to-video",
    "input": {
      "prompt": "A imagem 1 é a bicicleta dobrada, a imagem 2 é a dobradiça, a imagem 3 é o ciclista. Pátio de paralelepípedos ao amanhecer. O ciclista desdobra a bicicleta e trava o quadro. Plano geral fixo. Canto de pássaros, um bonde ao longe.",
      "image_urls": [
        "https://example.com/bike-folded.jpg",
        "https://example.com/bike-hinge.jpg",
        "https://example.com/rider.jpg"
      ],
      "duration": "8",
      "aspect_ratio": "16:9"
    }
  }'

Volta um data.jobId. As renderizações levam minutos, então faça polling devagar — ou passe um webhookUrl e pule o polling.

const headers = {
  Authorization: `Bearer ${process.env.E2X_API_KEY}`,
  "Content-Type": "application/json",
};

// Um array, reaproveitado por todos os prompts.
const image_urls = [
  "https://example.com/fox-puppet-front.jpg",
  "https://example.com/fox-puppet-muzzle.jpg",
  "https://example.com/fox-puppet-profile.jpg",
];

const submitted = await fetch("https://api.e2x.ai/v1/jobs/submit", {
  method: "POST",
  headers,
  body: JSON.stringify({
    model: "google/omni-1.1-flash/reference-to-video",
    input: {
      prompt:
        "A imagem 1 é o fantoche de raposa. Ele se inclina para dentro pela esquerda do quadro e vira a cabeça de lado. Dolly lento para dentro. Farfalhar de papel, ruído de sala suave.",
      image_urls,
      duration: "10",
      aspect_ratio: "9:16",
      resolution: "1080p",
      seed: 70413,
    },
  }),
}).then((r) => r.json());

const { jobId } = submitted.data;

while (true) {
  const job = await fetch(`https://api.e2x.ai/v1/jobs/${jobId}`, { headers })
    .then((r) => r.json());

  if (job.data.status === "completed") { console.log(job.data.outputs[0].url); break; }
  if (job.data.status === "failed") throw new Error(job.data.error?.message);
  await new Promise((r) => setTimeout(r, 5000));
}

Os status correm pending → processing → completed, ou param em failed / cancelled. Uma armadilha: duration e resolution são strings. "10", nunca 10. Schema e preço estão na spec legível por máquina.

A questão das nove vezes, respondida contra a nossa própria margem

O Veo 3.1 Fast reference-to-video custa $0.01 o segundo nesta mesma plataforma. Nove vezes menos. Oito segundos lá são $0.08 contra $0.72 aqui, e não vamos enterrar isso embaixo de uma tabela.

Então a resposta padrão é Veo. Se uma lista de planos precisa de três referências, oito segundos e 720p, chamar qualquer outra coisa é gastar dinheiro com nada.

Quatro coisas viram o jogo. Você precisa de mais referências do que o Veo aceita, e ele para em três contra as nossas sete — a diferença entre cobrir um sujeito e amostrá-lo. Você precisa de dez segundos, que o Veo não te dá. Você precisa de 4K. Ou você quer a faixa de 360p, onde vinte rascunhos custam menos que um clipe finalizado e o vencedor é renderizado de novo a partir do mesmo array e da mesma seed. Fora esses quatro casos, vá de barato. Tem mais na categoria reference-to-video, e o resto no catálogo de modelos.

Resolva isto antes de a lista de planos ser aprovada

Suas referências são uploads de coisas reais, e às vezes de pessoas reais. O Google bloqueia uploads de imagem que mostram menores de idade, ou certas pessoas reconhecíveis, para usuários do Reino Unido, da Suíça e do Espaço Econômico Europeu. Aqui isso é uma restrição de elenco, não uma nota de rodapé. Coloque no briefing, não num job que falha às duas da manhã.

Cada quadro carrega o SynthID. O watermark invisível do Google está em toda saída e nenhum provider consegue desligar, nós inclusive. Resolva qualquer contrato que proíba assets de IA rotulados antes de integrar.

O som vem de palavras. O áudio é gerado junto com a imagem e dirigido pelo mesmo prompt — sem toggle has_sound, sem upload de referência de áudio.

As URLs de resultado expiram. Copie cada saída para o seu próprio storage no handler que lê outputs[0].url. Uma campanha que você renderiza de novo é uma campanha que você pagou duas vezes.

O inglês é o único idioma de prompt com suporte completo, e o Google incorporou o Vertex AI à Gemini Enterprise Agent Platform em 22 de abril de 2026 — é lá que este modelo aparece para compradores corporativos. O contexto está no nosso texto de lançamento.

Numerando as suas referências dentro do prompt

Anexar sete imagens diz ao modelo o que existe. Não diz qual é a protagonista. Isso você faz em prosa: a imagem 1 é a chaleira, a imagem 2 é a tampa esmaltada, a imagem 3 é a cozinha. Numeradas, na primeira linha, antes de qualquer direção.

Depois pare de descrever o sujeito. Um prompt que re-especifica a cor e a forma de algo que você já anexou discute com as suas próprias referências, e o modelo racha a diferença. Gaste as palavras no que o array não consegue carregar: câmera, um movimento, a luz, a ambiência. Mantenha cada prompt em um único plano contínuo — peça uma narrativa de três cenas e você recebe um borrão. Nosso guia de prompt do Gemini Omni aprofunda o vocabulário de plano.

Perguntas frequentes

Quantas imagens de referência o Gemini Omni 1.1 Flash aceita?

Sete, e o limite é publicado em vez de chutado: image_urls é validado com minItems: 1 e maxItems: 7, então uma oitava entrada falha no submit. O antecessor não tinha teto documentado. Essa é a maior diferença prática.

Imagens de referência extras deixam o clipe mais caro?

Não. Cobramos por segundo de vídeo finalizado, escalado pela resolução; a contagem de referências não entra nessa conta. Uma referência ou sete, um clipe de oito segundos em 720p custa $0.72. Duração e resolução são as únicas alavancas.

Como eu digo ao modelo qual referência é o sujeito principal?

Numere elas no prompt — qual imagem tem o produto, qual tem o detalhe, qual tem o ambiente — e então descreva a ação. O image_urls é uma lista crua até a sua prosa distribuir os papéis.

Posso reaproveitar um conjunto de referências em uma lista de planos inteira?

É exatamente o formato pensado. Guarde o array uma vez e poste ele sem alteração em cada prompt, variando só a direção. Um seed fixado mantém a luz estável o bastante para os clipes montarem juntos.

Quando o Veo 3.1 Fast é a melhor escolha?

Quase sempre, a $0.01 o segundo — o Veo 3.1 Fast é nove vezes mais barato para um request equivalente. Venha para cá quando três referências não derem cobertura suficiente, quando a montagem precisar de dez segundos, quando a entrega for em 4K, ou pelo loop de rascunho em 360p.

Quais resoluções e durações eu posso pedir?

360p, 720p, 1080p ou 4K, em 16:9 ou 9:16, com 4, 6, 8 ou 10 segundos, sempre a 24 fps. As duas resoluções de cima são upscale em vez de renderizadas nativamente, então julgue a nitidez no seu próprio material.

O que acontece com a minha integração do Gemini Omni Flash depois de 30 de setembro de 2026?

O Google descontinua o gemini-omni-flash-preview nessa data, e todo provider que roda aqueles pesos para no mesmo dia. Aponte seus jobs para cá: mesmo formato de request, teto de referências documentado. A página antiga de reference-to-video fica no ar como referência de migração.