Gemini Omni 1.1 Flash

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

Кампания никогда не состоит из одного ролика. Это шот-лист — одиннадцать строк, одна и та же курьерская сумка в каждой строке, и никакого бюджета на тот день, когда к шестой строке сумка вдруг посереет. Reference-to-video оставляет сумку той же сумкой. Мы держим её как google/omni-1.1-flash/reference-to-video и берём $0.09 за секунду вывода 720p, так что восьмисекундный ролик по умолчанию стоит $0.72, звук включён.

Работу здесь делает поле image_urls — массив, у которого в нашей schema стоят minItems: 1 и maxItems: 7. Ради этого потолка страница и написана. Семь слотов показывают объект с достаточного числа ракурсов, чтобы модель перестала выдумывать те, которые вы не дали.

Другой материал — другая дверь: одинокий кадр идёт в Omni 1.1 Flash image-to-video, два конца кадра с разрывом между ними — в start-end-frame-to-video, а бриф без единого ассета — в Omni 1.1 Flash text-to-video, где лежит полная сетка цен.

Наша ставка, прочитана из живого каталога 28 августа 2026 года:

Прайс — $0.15 за секунду; постоянная скидка 40% сводит его к $0.09. Дальше масштабирует разрешение: $0.0297 на 360p, $0.18 на 4K, так что десятисекундный рендер в 4K — это $1.80. И теперь цифра, которая определяет, как вы всё построите: приложите вы один референс или семь, ничто выше не сдвинется. duration и resolution — вся формула целиком. Референсы едут бесплатным весом.

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.

Семь слотов, и это число прописано в schema

API забирает каждую ссылку из массива, поэтому они должны лежать там, куда наши воркеры дотянутся по обычному HTTPS: публичный бакет, неистёкшая подписанная ссылка, ничего за логином.

Семь — это провалидированный максимум, а не строчка в документации. Отправьте восьмой, и request отклонят раньше, чем тронут GPU. Звучит как ограничение; относитесь к нему как к бюджету. Набор, который отрабатывает все семь слотов, идёт так: три четверти, профиль, спина, одна деталь с брендом, одна с той дистанции, которой будет снят ролик, одна при нейтральном свете. Дубли героического ракурса тратят слот впустую. Ракурсы, которые вы придержали, будут угаданы.

Вот в чём сдвиг относительно прошлого поколения. Наш endpoint Gemini Omni Flash reference-to-video делает то же самое по $0.075 за секунду и вообще без задокументированного потолка — Google его так и не опубликовала, и мы не стали печатать цифру, за которую не можем отвечать. Дешевле там — на двадцать процентов, и видно почему: нет проверенного максимума в семь слотов и нет уровня 360p, на котором можно прогнать набор референсов до того, как платить. Эту модель Google снимает 30 сентября 2026 года. Если ваш конвейер всё ещё смотрит туда, миграция — это замена slug, секунда обходится на пятую часть дороже, и приземлится она здесь.

Один набор референсов, много prompt

Соберите массив один раз. Держите семь ссылок рядом с шот-листом и отправляйте один и тот же массив с каждым job. Набор — постоянный член, prompt — переменный.

Эта инверсия и есть весь workflow. Раз объект несут референсы, каждый prompt перестаёт описывать, как эта штука выглядит, и начинает описывать, что с ней происходит: камера, что движется, свет, звук. Prompt становятся короче, а ролики — консистентнее, и это не тот размен, которого ждут. Фиксируйте seed, когда сравниваете две формулировки одного кадра, — иначе не поймёте, помогла переписка или просто выпали другие кости.

Закладывайте 240 секунд на job и разворачивайте список параллельно. И держите ожидания там, где их держит сама карточка модели Google:

«Сохранение полной консистентности на протяжении всех правок, генерация сцен со сложным движением и отрисовка идеально точного текста остаются сложной задачей.»

Семь референсов сужают дрейф. Они его не отменяют.

Как отправить массив

Обязательных полей два: prompt и image_urls. Держите ключ на сервере и отправьте 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": "Изображение 1 — сложенный велосипед, изображение 2 — шарнир, изображение 3 — велосипедист. Мощёный двор на рассвете. Велосипедист раскладывает раму и защёлкивает замок. Статичный общий. Птицы, далёкий трамвай.",
      "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"
    }
  }'

Обратно приходит data.jobId. Рендер занимает минуты, поэтому опрашивайте неспешно — или передайте webhookUrl и обойдитесь без polling.

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

// Один массив, который переиспользует каждый prompt.
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:
        "Изображение 1 — кукла-лиса. Она наклоняется в кадр слева и склоняет голову. Медленный наезд. Шорох бумаги, мягкий тон помещения.",
      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));
}

Статусы идут pending → processing → completed либо оседают на failed / cancelled. Одна ловушка: duration и resolution — строки. "10", никогда 10. Schema и цена живут в машиночитаемой спецификации.

Вопрос про девятикратную разницу, отвеченный против нашей же маржи

Veo 3.1 Fast reference-to-video стоит $0.01 за секунду на этой же платформе. В девять раз меньше. Восемь секунд там — $0.08 против $0.72 здесь, и мы не станем прятать это под таблицей.

Так что ответ по умолчанию — Veo. Если шот-листу нужны три референса, восемь секунд и 720p, вызывать что-либо ещё значит платить за ничто.

Переворачивают картину четыре вещи. Вам нужно больше референсов, чем принимает Veo: она встаёт на трёх против наших семи — это разница между тем, чтобы покрыть объект, и тем, чтобы его выборочно пощупать. Вам нужны десять секунд, которых Veo не даст. Вам нужен 4K. Или вам нужен уровень 360p, где двадцать черновиков стоят меньше одного готового ролика, а победитель перерисовывается с тем же массивом и тем же seed. За пределами этих четырёх — берите дешёвое. Больше вариантов в категории reference-to-video, остальное — в каталоге моделей.

Решите это до того, как шот-лист утвердят

Ваши референсы — это загруженные снимки реальных вещей, а иногда и реальных людей. Google блокирует загрузку изображений с несовершеннолетними и с частью узнаваемых людей для пользователей в Великобритании, Швейцарии и Европейской экономической зоне. Здесь это ограничение на кастинг, а не сноска. Впишите его в бриф, а не узнавайте о нём из упавшего job в два часа ночи.

Каждый кадр несёт SynthID. Невидимый водяной знак Google стоит на всём выводе, и выключить его не может ни один провайдер, мы в том числе. Если договор запрещает маркированные ИИ-материалы, закройте этот вопрос до интеграции.

Звук идёт из слов. Аудио генерируется вместе с картинкой и управляется из того же prompt — ни переключателя has_sound, ни загрузки звукового референса.

Ссылки на результат истекают. Копируйте каждый вывод в собственное хранилище в том же обработчике, который читает outputs[0].url. Кампания, которую вы перерисовываете, — это кампания, оплаченная дважды.

Полностью поддерживается только английский язык prompt, и модель числится в Gemini Enterprise Agent Platform — преемнике, который Google поставила на место Vertex AI в апреле 2026 года. Контекст — в нашем разборе релиза.

Как нумеровать референсы внутри prompt

Приложив семь изображений, вы сообщаете модели, что существует. Вы не сообщаете, что здесь главное. Это делается прозой: изображение 1 — чайник, изображение 2 — эмалированная крышка, изображение 3 — кухня. С номерами, первой строкой, до любой режиссуры.

Дальше перестаньте описывать объект. Prompt, который заново задаёт цвет и форму того, что вы уже приложили, спорит с вашими же референсами, и модель делит разницу пополам. Тратьте слова на то, чего массив вместить не может: камера, одно движение, свет, атмосфера. Держите каждый prompt в одном непрерывном кадре — попросите повествование из трёх сцен, и получите кашу. Наш гайд по prompt для Gemini Omni разбирает операторскую лексику подробнее.

Частые вопросы

Сколько референсных изображений принимает Gemini Omni 1.1 Flash?

Семь, и этот предел опубликован, а не угадан: image_urls валидируется через minItems: 1 и maxItems: 7, поэтому восьмая запись падает уже на отправке. У предшественницы задокументированного потолка не было вовсе. Это и есть главное практическое отличие.

Делают ли лишние референсные изображения ролик дороже?

Нет. Мы считаем по секундам готового видео с поправкой на разрешение; количество референсов в этот расчёт не входит. Один референс или семь — восьмисекундный ролик на 720p стоит $0.72. Единственные рычаги — длительность и разрешение.

Как сказать модели, какой референс главный?

Пронумеруйте их в prompt — на каком изображении продукт, на каком деталь, на каком окружение, — и только потом описывайте действие. image_urls остаётся голым списком, пока ваша проза не раздаст роли.

Можно ли переиспользовать один набор референсов на весь шот-лист?

Именно так это и задумано. Сохраните массив один раз и отправляйте его неизменным с каждым prompt, меняя только режиссуру. Зафиксированный seed держит свет достаточно ровным, чтобы ролики монтировались друг с другом.

Когда лучше звать Veo 3.1 Fast?

Почти всегда, по $0.01 за секунду: Veo 3.1 Fast для эквивалентного request дешевле в девять раз. Переходите сюда, когда трёх референсов не хватает для покрытия, когда монтажу нужны десять секунд, когда сдавать надо 4K или ради чернового цикла на 360p.

Какие разрешения и длительности можно запросить?

360p, 720p, 1080p или 4K, в 16:9 или 9:16, длиной 4, 6, 8 или 10 секунд, всегда при 24 fps. Два верхних разрешения получаются апскейлом, а не нативной отрисовкой, так что судите о резкости по собственному материалу.

Что будет с моей интеграцией Gemini Omni Flash после 30 сентября 2026 года?

В этот день Google выводит gemini-omni-flash-preview из эксплуатации, и каждый провайдер, работающий на этих весах, останавливается тогда же. Наведите свои job сюда: та же форма request, задокументированный потолок референсов. Старая страница reference-to-video останется как ориентир для миграции.