Gemini Omni 1.1 Flash

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

Gemini Omni 1.1 Flash 于 2026年8月27日在 Google 正式发布。它属于 Gemini 家族，不是 Veo，我们把它的 image-to-video capability 开放为 google/omni-1.1-flash/image-to-video。我们按成片视频的每一秒计费——720p 下每秒 $0.09，对应的标价是 $0.15，因为四条 capability 都吃同一个常年 40% 的折扣。默认的 8 秒片段是 $0.72。必填字段：prompt 和 image_url。

在发出第一个 request 之前，先弄清楚那张静帧到底是什么。它是一纸合同。它定下第一帧，连带定下取景、镜头、色调、主体，以及画面里已经存在的每一处瑕疵。您的 prompt 只拿得到之后那几秒，拿不到之前的任何东西。

这里几乎每一个平淡的结果，都能追到同一个错误：prompt 描述的是那张照片，而不是那个变化。请点名什么在动。请点名摄影机往哪儿走。

分辨率会按倍数缩放这个费率：360p 是 0.33×（每秒 $0.0297），1080p 是 1.5×（$0.135），4K 是 2×（$0.18）。一次 4 秒的 360p 试跑是 $0.1188——这是判断您那张静帧到底动不动得起来的最便宜方式。

两端固定、中间交给模型？Omni 1.1 Flash start-end-frame-to-video。同一个主体从多个角度拍过、要在整份镜头表里保持一致？Omni 1.1 Flash reference-to-video。完全没有素材？Omni 1.1 Flash text-to-video 那一页承载了完整的价格论证。

源图像锁死了哪些东西

请把这个 job 当作一次续写，而不是一次解读。模型把您的静帧当成第一帧，然后在它之后每秒发明 24 个说得通的帧，全部锚定在您交出去的东西上。这个锚定就是价值所在：一张签过字的主视觉能保持在品牌调性上，因为没有人把它重摇了一遍。

它同时也是约束。画面越杂，模型在一切都在变的过程中要维持连贯的物件就越多，而连贯恰恰是这一代的弱点。Google 的模型卡就是这么写的：*「在编辑全程保持完全一致、生成包含复杂运动的场景，或渲染完全准确的文字，仍然是一项挑战。」*招牌会糊。人群里的脸会翻搅。干净背景上的一个主体撑过 10 秒，比杂乱画面撑过 4 秒更容易。

花钱之前，先把静帧准备好

裁切请您自己来。 输出只有 16:9 或 9:16——没有方图，没有 4:5，没有超宽。把一张 4:5 的竖幅塞进 16:9 的 job，总得有一边让步：要么模型在两侧填进没人拍过的内容，要么构图为了迁就比例而漂移。反正每秒都是 $0.09。先裁，趁这个决定还不要钱的时候。

别靠放大硬凑 4K。 源分辨率决定了输出诚实地能承载多少细节。一张 640 像素宽的缩略图渲成 1080p，只是同样的细节换了个更大的文件，费率却是 1.5 倍。

给运动留出去处。 主体上方要有头顶空间，车前方要有路。裁得太紧，什么都动不了，除非被挤出画外——这也是片子看起来像一张晃动的照片的常见原因。

API request：一个 URL 进去，一个 MP4 出来

在控制台生成一把 key，把它留在服务端。我们的 pipeline 会自己去取 image_url，所以它必须能从公网访问到——CDN 或对象存储上的一个 HTTPS 地址，绝不能是本地路径、localhost，或者一个需要登录才能打开的 URL。签名 URL 可以，但有效期请给足：job 大约跑 4 分钟，一个 60 秒的链接会先一步失效。

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": "蒸汽开始从水壶嘴上卷起并向右飘去。摄影机沿着壶柄缓慢推近。厨房的低鸣，水壶开始发出滴答声。画面里没有别的东西在动。",
      "image_url": "https://cdn.example.com/stills/copper-kettle-16x9.jpg",
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8"
    }
  }'

您会拿到一个 job ID。要么去 poll 它，要么给我们一个 webhookUrl，把轮询整个跳过：

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:
        "她转向摄影机，围巾被风扬起。固定机位。海鸥，远处的浪声。",
      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);   // 把它复制到一个永久的地方
    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));
}

一个 job 会先报 pending，然后 processing，最后是 completed、failed 或 cancelled。有两处 schema 细节常常咬人：duration 和 resolution 是字符串，所以要发 "10" 而不是 10；另外这里没有音频开关，因为声音是跟画面一起生成的，并由您的 prompt 指挥。字段定义始终以机器可读规格为准。

写变化，不要写画面

只写会变的部分。主体、光线和构图是跟着文件一起来的；重复它们，等于把模型本可以花在运动上的注意力花掉了。什么运动都不说，您会拿到一个几乎静止、只有轻微漂移的画面，价钱一分不少。

一个动作，点名。 蒸汽升起。一扇门向内摆开。头发扬起。挑出那个真正要紧的动作，让其余的保持不动——把「保持不动」明说出来，比听上去更有用。

一条摄影机指令。 「缓慢推近」「固定机位」「手持向左轻移」。朴素的语法胜过一整段摄影学论述，而没说清楚的摄影机就成了模型的决定。

底下那层声音。 房间底噪、车流，或者某一个具体音效。沉默不是默认值；您不指定，混音就会被替您编出来。prompt 长度上限是 50,000 个字符，所以长度从来不是限制——精确才是。我们的 Gemini Omni prompt 指南在措辞上讲得更深。

Veo 3.1 Fast 赢在哪里，而且它通常都赢

这话由我们说出来，好过您从账单上读到。Veo 3.1 Fast image-to-video 跑在同一个平台上，每秒 $0.01——比本页这个 endpoint 低九倍。

价格与产品条款可能随时间变化；在做出采购决定前，请核对各家提供商的当前价格。Google 的 Batch 或 Flex 价格在调度、可用容量和处理条件上均有所不同，因此与标准的按需 API request 并不直接等价，已从本对比中排除。这是一次限定范围的对比，并非声称 E2X 在任何配置下都是全球最便宜的选择。

这话请当真。一张照片，动一次，那活儿属于 Veo。这里的溢价只在三种情况下赚得回来：您的剪辑需要 10 秒而 Veo 到 8 秒就停；您想按每秒 $0.0297 打草稿；或者这段片子必须属于一整组。其他让静帧动起来的方式在 image-to-video 分类里，旁边就是我们的模型目录。

在把它写进系统之前

输出是 24 fps，单次生成 3 到 10 秒，每一帧都带 SynthID watermark，链条上没有任何一方能把它关掉。结果 URL 是临时的——请在完成回调里就把文件归档。一个明天取不回来的链接，等于一次要买两遍的渲染。

有一条规则是专门因为您上传了照片才适用的：在欧洲经济区、瑞士和英国，Google 会拦截含有未成年人的源静帧，某些可辨识的个人也在内。另外，英语仍是 Google 唯一评测过的 prompt 语言。我们关于 Gemini Omni 1.1 Flash 的发布说明讲了相对我们仍在运行的上一代还改了什么，后者在上游将于 2026年9月30日弃用。

常见问题

在 E2X 上，Omni 1.1 Flash image-to-video 多少钱？

9 美分买 720p 的一秒。默认片段是 8 秒，所以 $0.72；上限 10 秒是 $0.90。这个费率是 $0.15 标价打 4 折之后的结果，读自我们 2026年8月28日的实时目录。分辨率会改变倍数——360p 0.33×，1080p 1.5×，4K 2×。

让一张照片动起来，我该用它还是 Veo 3.1 Fast？

大多数单张静帧用 Veo——每秒 $0.01 对 $0.09，8 秒是 $0.08 对 $0.72。当您需要 10 秒、当一轮 360p 草稿整体上更省钱，或者当这段片子必须跟同一主体做出的其他片子对得上时，再回来。

输出支持哪些画幅比例？

只有 16:9 和 9:16。请在提交之前把源图裁成目标比例；否则模型会自行调和这个不匹配，而您可能会丢掉已经通过的那部分构图。

image_url 需要托管在什么地方？

任何我们的 pipeline 能通过公网 HTTPS 访问到的地方——CDN、S3 或 GCS 存储桶、您自己的 web 服务器。本地路径、localhost 以及任何需要鉴权的地址都会失败。签名 URL 可用，前提是它的有效期要宽裕地覆盖一个 job 的 4 分钟。

为什么我的片子几乎不动？

通常是因为 prompt 在复述这张图像，而不是在指挥它。静帧已经把主体和取景定死了；既没说运动也没说摄影机运动，模型就没有东西可以着手。请把它改写成一个动作加一条摄影机指令。

生成的视频带声音吗？

带，与画面原生一同生成并保持同步。这里没有 has_sound 字段，也没有静音模式，所以请在 prompt 里描述环境音。音频事后无法编辑——一处改动就意味着再生成一次。

我的源图像里出现的人有限制吗？

有。对欧洲经济区、瑞士和英国的用户，Google 会拦截含有未成年人以及某些可辨识个人的源静帧——这是它的政策，在每一家提供商处都同样执行。输出还会带上隐形的 SynthID watermark，所以请按「带标签的 AI 素材」来做规划。