Gemini Omni 1.1 Flash

API Gemini Omni 1.1 Flash Image-to-Video на E2X

Gemini Omni 1.1 Flash вышла в general availability у Google 27 августа 2026 года. Она относится к семейству Gemini, а не Veo, и её capability image-to-video мы отдаём как google/omni-1.1-flash/image-to-video. Считаем по секундам готового видео — $0.09 за секунду 720p при прайсовой ставке $0.15, потому что постоянная скидка 40% распространяется на все четыре capability. Восьмисекундный ролик по умолчанию — $0.72. Обязательные поля: prompt и image_url.

Разберитесь, чем является ваш кадр, ещё до первого вызова. Он — договор. Он задаёт первый кадр, а вместе с ним кадрировку, оптику, палитру, объект и каждый дефект, который в снимке уже есть. Вашему prompt достаются следующие несколько секунд, и ничего до них.

Почти каждый скучный результат здесь упирается в одну ошибку: prompt описывает фотографию вместо изменения. Называйте то, что движется. Называйте, куда идёт камера.

Разрешение масштабирует эту ставку: 360p — 0.33× ($0.0297 за секунду), 1080p — 1.5× ($0.135), 4K — 2× ($0.18). Четырёхсекундный проход на 360p стоит $0.1188 — самый дешёвый способ узнать, оживает ли ваш кадр вообще.

Два кадра, а середину оставляем модели? Omni 1.1 Flash start-end-frame-to-video. Один объект с нескольких ракурсов, который должен держаться на всём шот-листе? Omni 1.1 Flash reference-to-video. Исходного материала нет вовсе? Omni 1.1 Flash text-to-video несёт полный разбор цен.

Что исходное изображение жёстко задаёт

Считайте эту задачу продолжением, а не интерпретацией. Модель принимает ваш кадр как первый, а потом придумывает по двадцать четыре правдоподобных кадра в секунду после него, и все они привязаны к тому, что вы отдали. Эта привязка и есть ценность: утверждённый ключевой визуал остаётся в бренде, потому что его никто не перегенерировал.

Она же — и ограничение. Загромождённый кадр отдаёт модели больше объектов, которые надо удержать связными, пока всё смещается, а связность — слабое место этого поколения. Карточка модели Google говорит это прямо: «Сохранение полной консистентности на протяжении всех правок, генерация сцен со сложным движением и отрисовка идеально точного текста остаются сложной задачей.» Вывески смазываются. В толпе плывут лица. Один объект на чистом фоне переживёт десять секунд лучше, чем нагромождение — четыре.

Как подготовить кадр, пока вы ещё ничего не потратили

Кадрируйте сами. На выходе бывает 16:9 или 9:16 — ни квадрата, ни 4:5, ни сверхширокого. Затолкайте портрет 4:5 в job на 16:9, и чем-то придётся пожертвовать: модель дорисует по бокам то, чего никто не снимал, либо композиция уедет под формат. Платите вы $0.09 за секунду в обоих случаях. Кадрируйте заранее, пока это решение бесплатно.

Не пытайтесь доскейлить исходник до 4K. Разрешение источника ставит потолок тому, что вывод способен честно удержать. Миниатюра шириной 640 пикселей, отрисованная в 1080p, — это файл побольше с той же детализацией, по ставке в 1.5×.

Оставьте движению куда идти. Воздух над головой объекта, дорога перед машиной. Обрежьте вплотную — и ничто не сможет сдвинуться, не вылетев за рамку; это частая причина, по которой ролик читается как дрожащая фотография.

API request: одна ссылка на входе, один MP4 на выходе

Выпустите ключ в дашборде и держите его на сервере. Наш конвейер сам забирает image_url, поэтому адрес должен быть доступен из публичного интернета — HTTPS-адрес на вашем CDN или в объектном хранилище, но не локальный путь, не localhost и не ссылка за логином. Подписанные ссылки годятся, если окно щедрое: job идёт примерно четыре минуты, а ссылка на шестьдесят секунд умрёт раньше.

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/image-to-video",
    "input": {
      "prompt": "Из носика чайника начинает виться пар и сносится вправо. Камера медленно наезжает на ручку. Гул кухни, чайник начинает потрескивать. Больше в кадре ничто не движется.",
      "image_url": "https://cdn.example.com/stills/copper-kettle-16x9.jpg",
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8"
    }
  }'

В ответ приходит job ID. Дальше либо опрашивайте его, либо передайте нам webhookUrl и пропустите цикл:

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

const start = await fetch("https://api.e2x.ai/v1/jobs/submit", {
  method: "POST",
  headers,
  body: JSON.stringify({
    model: "google/omni-1.1-flash/image-to-video",
    input: {
      prompt:
        "Она поворачивается к камере, и шарф поднимает ветром. Статично. Чайки, далёкий прибой.",
      image_url: "https://cdn.example.com/stills/portrait-9x16.png",
      aspect_ratio: "9:16",
      resolution: "360p",
      duration: "10",
    },
  }),
}).then((r) => r.json());

const { jobId } = start.data;

for (let tick = 0; tick < 360; tick++) {
  const job = await fetch(`https://api.e2x.ai/v1/jobs/${jobId}`, { headers })
    .then((r) => r.json());

  if (job.data.status === "completed") {
    await archive(job.data.outputs[0].url);   // скопируйте в постоянное место
    break;
  }
  if (["failed", "cancelled"].includes(job.data.status)) {
    throw new Error(job.data.error?.message ?? job.data.status);
  }
  await new Promise((r) => setTimeout(r, 5000));
}

Job сообщает pending, затем processing, затем completed, failed или cancelled. Две детали schema кусаются регулярно: duration и resolution — строки, поэтому отправляйте "10", а не 10; и переключателя аудио не существует, потому что звук генерируется вместе с картинкой и управляется из вашего prompt. Определения полей поддерживаются в актуальном виде в машиночитаемой спецификации.

Пишите prompt про разницу, а не про снимок

Пишите только то, что меняется. Объект, свет и композиция приехали вместе с файлом; повторяя их, вы тратите внимание, которое модель могла бы потратить на движение. Не назовёте движения — получите почти неподвижный кадр с лёгким дрейфом, по полной ставке.

Одно движение, названное. Пар поднимается. Дверь распахивается внутрь. Волосы взлетают. Выберите действие, которое имеет значение, и дайте остальному стоять — сказать это вслух помогает сильнее, чем кажется.

Одна инструкция камере. «Медленный наезд», «статично», «съёмка с рук с уходом влево». Простая грамматика бьёт абзац операторских рассуждений, а неназванная камера становится решением модели.

Звук снизу. Тон помещения, трафик, один конкретный эффект. Тишина — не значение по умолчанию; неуказанный микс придумают за вас. Prompt тянет до 50 000 символов, так что длина ограничением не бывает никогда — ограничением бывает точность. Наш гайд по prompt для Gemini Omni разбирает формулировки подробнее.

Где выигрывает Veo 3.1 Fast, а выигрывает она обычно

Услышьте это от нас, а не из счёта. Veo 3.1 Fast image-to-video работает на той же платформе за $0.01 в секунду — в девять раз ниже endpoint с этой страницы.

Цены и условия продуктов со временем меняются; проверьте актуальные цены каждого провайдера, прежде чем принимать решение о покупке. Цены Google Batch или Flex не эквивалентны напрямую стандартному on-demand API request, поскольку планирование, доступность и условия обработки отличаются; поэтому они исключены из этого сравнения. Это ограниченное по охвату сравнение, а не утверждение, что E2X — самый дешёвый вариант в мире при любой конфигурации.

Отнеситесь к этому серьёзно. Одна фотография, оживлённая один раз, — это работа для Veo. Наценка здесь отбивается в трёх случаях: вашему монтажу нужны десять секунд, а Veo встаёт на восьми; вы хотите черновики по $0.0297 за секунду; или этот ролик обязан принадлежать серии. Другие способы оживить кадр лежат в категории image-to-video, рядом с нашим каталогом моделей.

Прежде чем на этом строить

Вывод — 24 fps, от трёх до десяти секунд на генерацию, с водяным знаком SynthID в каждом кадре, который никто в цепочке не может выключить. Ссылки на результат временные — архивируйте файл прямо в обработчике завершения. Ссылка, которую вы не откроете завтра, — это рендер, купленный дважды.

Одно правило действует именно потому, что вы загружаете фотографию: на территории ЕЭЗ, Швейцарии и Великобритании Google блокирует исходные кадры с несовершеннолетними, а также с частью узнаваемых людей. Английский к тому же — единственный язык prompt, который Google оценивала. Наши заметки о релизе Gemini Omni 1.1 Flash рассказывают, что ещё изменилось по сравнению с предшественницей, которую мы всё ещё держим и которую апстрим снимает 30 сентября 2026 года.

Частые вопросы

Сколько стоит Omni 1.1 Flash image-to-video на E2X?

Девять центов покупают одну секунду 720p. Ролик по умолчанию идёт восемь секунд, то есть $0.72; десять секунд, потолок, дают $0.90. Эта ставка — минус 40% от прайса $0.15, прочитано из нашего живого каталога 28 августа 2026 года. Разрешение двигает множитель: 0.33× на 360p, 1.5× на 1080p, 2× на 4K.

Что взять для оживления фотографии — эту модель или Veo 3.1 Fast?

Для большинства одиночных кадров — Veo: $0.01 за секунду против $0.09, то есть $0.08 против $0.72 за восемь секунд. Возвращайтесь сюда, когда нужны десять секунд, когда черновой проход на 360p экономит в сумме или когда ролик обязан совпасть с другими, снятыми с того же объекта.

Какие соотношения сторон поддерживает вывод?

Только 16:9 и 9:16. Обрежьте исходник под целевое соотношение до отправки; иначе модель разберётся с несовпадением сама, и вы можете потерять часть композиции, которую утверждали.

Где должен лежать image_url?

Везде, куда наш конвейер дотянется по публичному HTTPS: CDN, бакет S3 или GCS, ваш собственный веб-сервер. Локальные пути, localhost и всё, что за аутентификацией, отваливаются. Подписанные ссылки работают, если срок их жизни с запасом переживает четыре минуты работы job.

Почему мой ролик почти не движется?

Обычно потому, что prompt пересказывает изображение вместо того, чтобы им управлять. Кадр уже задал объект и кадрировку; если не названо ни движение, ни ход камеры, модели не за что взяться. Перепишите prompt как одно движение плюс одну инструкцию камере.

Есть ли в сгенерированном видео звук?

Да, он создаётся нативно вместе с картинкой и синхронизирован с ней. Поля has_sound нет, беззвучного режима тоже, так что описывайте атмосферу в prompt. Аудио нельзя отредактировать потом — изменение означает новую генерацию.

Есть ли ограничения на людей в исходном изображении?

Есть. Google блокирует исходные кадры с несовершеннолетними, а также с частью узнаваемых людей, для пользователей в ЕЭЗ, Швейцарии и Великобритании — это её политика, и её применяет каждый провайдер. Результаты вдобавок несут невидимый водяной знак SynthID, так что закладывайте маркированные ИИ-материалы.