Gemini Omni 1.1 Flash

E2X 上的 Gemini Omni 1.1 Flash Start-End-Frame-to-Video

Gemini Omni 1.1 Flash 就是 Google 的 gemini-omni-1.1-flash，自 2026年8月27日起 GA，属于 Gemini 家族而不是 Veo。我们把它的双帧 capability 运行为 google/omni-1.1-flash/start-end-frame-to-video，并按输出的每一秒计费——720p 下 $0.09，是 $0.15 标价上常年 40% 折扣的结果。默认的 8 秒片段是 $0.72。

进去的是三个字段：一个起始帧、一个结束帧、一条 prompt。您的第一张图成为第一帧，第二张成为最后一帧，中间的一切由模型发明。这不是一次片段请求，而是一次架桥请求，而一座桥值多少钱，取决于它两端的河岸值多少钱。

这个能力也是新的——上一代 Omni Flash 压根没有它，这是我们那篇 1.1 发布记录里最朴素的一条论据。这是一次连续性的发布，不是一次画质的发布。

我们的费率，核查日期为 2026年8月28日：

1080p 和 4K 是放大出来的，不是原生渲染。

在您那两帧之间，模型发明了什么

把它想成补间是错的。补间工具是把像素 A 混合到像素 B。这个模型读的是两张图像，判断什么样的事件说得通地把场景从一头带到了另一头，然后把那件事渲染出来——音频也在内，从同一条 prompt 原生生成。没有 has_sound 字段，没有静音开关。

在 24 fps 下，一段 4 秒的桥是 96 帧，其中两帧是您给的。剩下 94 帧是一场关于物理的论证，不管站不站得住，它都要论一遍。取景是 16:9 或 9:16；每个 job 请按 4 分钟预留。

哪些帧能接上，哪些接不上

三个问题就能定下这一对。同一个主体吗？ 不是「相似」——是「同一个」。同一种光吗？ 主光方向、色温、反差。这个运动，摄影机做得出来吗？ 如果您没法用一句摄影师听得懂的话说出来，那模型也做不到。

答案是「否」的时候，什么错都不会报——模型会把这道缝糊过去，有四种形状：

• 一次凭空的剪辑。 两个镜头在某个随意的点上被焊在一起。您要的是一条镜头，拿到的是一次剪辑。
• 一次形变。 转不过去的几何体干脆流动起来：一张脸由内向外翻，一个标签在玻璃上滑过去。
• 一次跳光。 一端是正午，另一端是黄昏，曝光在镜头中途跳一下，像一次做砸了的叠化。
• 鬼影。 起始帧里一个人，结束帧里三个，多出来的两个从虚无里淡入。

一段用不了的片子，跟一段能用的一样贵。

在为正片付钱之前，先用 360p 打草稿

按每秒 $0.0297 算，一次 4 秒的 360p 测试是 $0.1188；8 秒的 720p 成片是 $0.72，贵五倍。而 360p 虽然小到看不清一张脸，用来判断中间那一段却完全够。剪辑点在任何分辨率下都是剪辑点。形变在任何分辨率下都是形变。Google 还称这一档最多快 60%——这是发布博客的措辞，不是 API 参考里的数字。

这就让分镜工作便宜到可以反复迭代。每个节拍两张关键帧，整份镜头表按 4 秒、360p 跑一遍，当作动态分镜播出来——12 个节拍大约 $1.73。失败几乎总是帧对的问题，改一张分镜板就能解决，而不是把 prompt 重写五遍。只渲活下来的那几条。Veo 3.1 Fast start-end-frame-to-video 则完全没有草稿档。

时长是节奏的旋钮

duration 接受 4、6、8 或 10，以字符串传入。每一秒的价钱都一样，所以它看起来像个预算旋钮。它其实是个导演旋钮。

同样两帧，跑 4 秒和跑 10 秒是两个不同的镜头。4 秒逼着它赶路——摄影机必须下决心，没多少余地去发明。10 秒得被填满，而模型会自己找填充物：一次漂移、一个停顿、第二个动作。这些被发明出来的小动作，是这里最不可预测的输出。

请让长度匹配距离：两个相差 30 度的产品角度，硬拉到 10 秒，买到的是一次爬行加一段死气。10 秒是 Omni 的天花板，也是一处实打实的优势——Veo 到 8 秒就停了。

API request：两个帧 URL 进去，一段片子出来

生成一把 key，留在服务端，把 job 提交出去。prompt、start_frame_url 和 end_frame_url 是必填的，而且两张图都由我们去取，所以每个 URL 都必须能响应一个未鉴权的 request。

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/start-end-frame-to-video",
    "input": {
      "prompt": "蒸汽渐起，摄影机绕着意式咖啡机向右划弧。磨豆机的嗡鸣，咖啡馆的人声。",
      "start_frame_url": "https://example.com/07a-left.jpg",
      "end_frame_url": "https://example.com/07b-right.jpg",
      "duration": "6",
      "resolution": "360p"
    }
  }'

去 poll 那个 job id，或者传一个 webhookUrl：

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

const { data } = await fetch("https://api.e2x.ai/v1/jobs/submit", {
  method: "POST",
  headers,
  body: JSON.stringify({
    model: "google/omni-1.1-flash/start-end-frame-to-video",
    input: {
      prompt: "从天台栏杆缓慢摇臂下降到庭院的桌子。一个连续的运动。",
      start_frame_url: "https://example.com/12a-roof.jpg",
      end_frame_url: "https://example.com/12b-courtyard.jpg",
      duration: "10",
      resolution: "720p",
    },
  }),
}).then((r) => r.json());

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

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

状态依次是 pending、processing、completed，或者落到 failed／cancelled。有两个 schema 陷阱：duration 和 resolution 是字符串；字段名是 start_frame_url 和 end_frame_url，不是别处用的那个单数 image_url。实时取值都在机器可读规格里。

这里在哪些地方胜过 Veo，在哪些地方不胜

同样的活儿，Veo 3.1 Fast 只要九分之一的钱：

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。

请从 Veo 起步。等到它那道 8 秒的墙挡了路、交付物是 4K，或者一轮草稿省下的比花掉的多时，再回来。其余的东西在 image-to-video 和 text-to-video 分类下，而整个模型目录就在一页里。

prompt 怎么写，交付前又该查什么

描述这段位移，不要描述景物——两端模型都已经看见了。点名把它们连起来的那个运动（「向右划弧」「摇臂下降」「变焦点到远处的窗」），然后说清楚它该是什么声音——音频就是从这同一行里写出来的。不要要求两帧都没有暗示过的事件。更多摄影机词汇在我们的 Omni prompt 指南里；英语是唯一被评测过的 prompt 语言。

这东西送到客户手上之前，有三件事要办。每一帧都带 SynthID，Google 那个隐形的来源标记，没有任何提供商能剥掉它。Google 的模型卡说得很直白：「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。」——而两帧之间的缺口越大，要的恰恰就是复杂运动。在欧洲经济区、瑞士和英国，您不得上传含有未成年人或某些可辨识人物的图像——这是对您输入端的限制。结果 URL 是临时的：请在完成回调里就把它们重新托管。

常见问题

在 E2X 上，一段 start-end-frame 片子多少钱？

720p 输出我们每秒收 $0.09，所以 8 秒片段是 $0.72，10 秒的上限是 $0.90——是 $0.15 标价打 4 折的结果。分辨率会往上乘，于是 4 秒的 360p 草稿是 $0.1188，10 秒的 4K 成片是 $1.80。核查日期为 2026年8月28日。

什么样的两帧对这个模型来说是一对好搭档？

同一个主体、同一套布光，以及一个在所要求的时间内物理上走得完的摄影机运动。同一场拍摄里相隔几分钟的两张静帧，几乎总是有效。在不同条件下拍的帧，会逼着模型在画面上把差异调和掉。

起始帧和结束帧接不上时会发生什么？

什么错都不会报。您会拿到一段用四种方式之一把缺口藏起来的片子：一次凭空的剪辑、一次穿过不可能几何的形变、一次跳光，或者人物从虚无里生出鬼影。这些的账单跟一次好渲染一模一样，这也正是那 $0.1188 的草稿能把自己赚回来的原因。

这件事我该用 Omni 1.1 Flash 还是 Veo 3.1 Fast？

多数情况下先用 Veo 3.1 Fast——它也做首尾帧，每秒 $0.01 对我们的 $0.09，所以 8 秒是 $0.08 而不是 $0.72。Omni 在三个地方把这个差价赚回来：10 秒时长、4K 输出，以及 360p 测试档。

一段生成的片子最长能有多久？

每次调用 3 到 10 秒。duration 枚举带着 4、6、8、10，全是字符串。10 是硬上限，再长就得由多个 job 拼起来。

起始帧和结束帧必须公开托管吗？

必须。两张图都在服务端被取回，所以在 job 结束之前，每一张都得能响应未鉴权的 request。短命的签名 URL、私有存储桶、localhost 地址和 data URI 都会失败。

生成的视频带 watermark 吗？

带——每一帧都打上 SynthID，Google 那个人眼察觉不到的来源信号，观众看不见，但可以用他们的工具验证出来。没有任何提供商能把它关掉。如果某份合同禁止带标签的 AI 素材，请先跟客户把这件事谈定。