Gemini Omni 1.1 Flash

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

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。我们把它那条只吃 prompt 的 capability 运行为 google/omni-1.1-flash/text-to-video，按成片每一秒计费：720p 下 $0.09，这是在 $0.15 标价上常年打 40% 折扣之后的价格。默认的 8 秒是 $0.72。一条 prompt 就是全部 payload。

这里动了一个数字，而且是往上动的。前一代的 Gemini Omni Flash text-to-video 在本平台按每秒 $0.0825 计费，本页是 $0.09。贵了百分之九，这话由我们说出来，好过您从账单上倒推。这百分之九买到的并不是更好的一秒画面。它买到的是旧模型连解像度 enum 里都没有的 $0.0297 草稿档、能拉到十秒的片长，以及前一代在 E2X 上从未上线过的两项 capability。其余的都写在关于 1.1 发布的说明里。

接下来这句话是跟我们自己的账单过不去的。Veo 3.1 Fast text-to-video 就跑在这同一个平台上，每秒 $0.01——本页价格的九分之一。只要一段片子，从一句话生成，后面没有任何东西依赖它？那就去那边。这里的溢价买到的是 10 秒、4K、一档便宜的草稿模式，以及彼此属于同一组的镜头。这四样您一样都用不上，那就等于什么都没买到。

素材不同，endpoint 就不同：一张静帧要成为第一帧，去 image-to-video；首尾两端已定、中间留空，去 start-end-frame-to-video；一张要反复出现的面孔，去 reference-to-video。

这个模型的每一秒在各家分别值多少钱

下面每一个数字，都是在 2026年8月28日从各家自己的 1.1 版本页面上读到的：

Google 那一行是它自己算出来的，而且就印在它自己的价格页上：每百万输出 token $17.50，一秒 720p 折合 5,792 个 token，得出 $0.1014——这也是那里的脚注最后落在*「每秒约 $0.10」*上的原因。每一行都含声音，所以这是同口径的比较。这个模型根本没有音频开关，对白与环境底噪跟画面一起生成，名单上也没有谁把它们单独计价。Google 把每一档解像度的同一费率都以 token 数公布出来了：360p 每秒 1,931 个 token，720p 5,792，1080p 8,688，4K 17,376，四档都含音频。所以下面这张阶梯一路到顶都是同口径的比较。

您尽管来核我们的价，但请看清版本号。fal.ai 挂着两个页面：一个不带版本的 google/gemini-omni-flash 页，给的是旧的 preview 权重、每秒接近 $0.125；另一个 v1.1 页是 $0.10。我们这边是 v1.1。Wavespeed 则要反过来当心——$0.13 只在它的 text-to-video 变体上得到确认，所以它其余的数字我们没往表里放。

720p 那档费率不是有意思的那一半。这才是：

我们从 720p 到 4K 的倍数是 2×。Google 的正好是 3×——它自己的 token 数从 5,792 涨到 17,376。在最底下，两条阶梯形状相同：往 360p 的那一步，两边都是 0.33×。越往上两者越分开，到了 4K，Google 把 720p 的费率翻了三倍，我们只翻一倍。四档我们都低于 Google，原因就在这里：360p 低十二个百分点，720p 和 1080p 低十一个百分点，4K 低四十一个百分点。Runware 也值得一看：720p 与 Google 持平，到 1080p 是 $0.16、4K 是 $0.32，两档都高过 Google 自己的费率。 如果您要核对，有一点要说明：Google 发布时的表格把这几个数取整成了 $0.03、$0.10、$0.15、$0.30。上面的数字来自它自己按解像度给出的 token 数，账单也是照这个算的。

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。

用 360p 打草稿，留下来的那条再上 720p

掏空账户的从来不是某一次生成，而是反复重来：第七次跟第一次一样贵。

360p 的 4 秒是 $0.1188，同样 4 秒在 720p 是 $0.36。六次便宜的草稿加上一次默认长度的正式渲染是 $1.07，而七次全价跑下来是 $2.52。Google 还称 360p 最多快 60%——那是它的数字，不是我们的。

10 秒的 4K，按每秒 $0.18 算是 $1.80——这是本页面上最大的一张单。

发出这个 request

在控制台生成一把 key，别让它落到客户端上，然后把 job 提交出去。prompt 是唯一必填的字段。

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/text-to-video",
    "input": {
      "prompt": "一名女焊工放下面罩，火花把蓝光甩在堆叠的钢材上。缓慢向左横移。电弧的噼啪声，画外一台风扇。",
      "resolution": "360p",
      "duration": "6",
      "seed": 20260828
    }
  }'

这是一次草稿：360p 的 6 秒，$0.1782。把 resolution 换成 720p，它就变成 $0.54。

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/text-to-video",
    input: { prompt: "夜里，雨点砸在公交候车亭上。", duration: "4" },
  }),
}).then((r) => r.json());

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

  if (status === "completed") { await archive(job.data.outputs[0].url); break; }
  if (status === "failed" || status === "cancelled") throw new Error(status);
  await new Promise((r) => setTimeout(r, 5000));
}

每个 job 请按 4 分钟预留时间，或者传一个 webhookUrl。有两个坑：duration 和 resolution 是以字符串传的，要写 "10" 而不是 10；返回的 URL 会过期，所以读到它的当下就把文件复制到一个永久的地方去。每一个字段都在机器可读规格里。

我们这些视频模型，您到底该调哪一个

从便宜的开始：

请把第一行和第二行对着读。一段没人会拿去跟别的镜头对剪的片子，贵九倍是很贵的；溢价买的是连续性。其余所有把 prompt 变成画面的东西都在 text-to-video 下面；我们运行的全部模型就在一页里。

在把它写进系统之前

输出是固定的：24 fps，3 到 10 秒，16:9 或 9:16。10 这个数很要紧，因为 Veo 到 8 秒就停了。模型卡点了三种失效方式：

「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。」

画面上的文字最容易让人栽跟头：让它写一块店铺招牌，那些字形一细看就散了。人群、水和手，是运动那一类。

SynthID 会隐形地标记每一帧，谁也剥不掉。英语是 Google 唯一评测过的 prompt 语言，而 Google 已于 2026年4月22日把 Vertex AI 并入 Gemini Enterprise Agent Platform，面向企业客户的这个模型就挂在那里。

没有画面可依靠时，怎么写一个镜头

模型手里只有您的文字和一个 seed；您没说的每一处，都变成它自己的决定。只描述一个镜头，绝不要描述一段序列——8 秒里塞三个节拍，换来的是一次糟糕的剪辑或者一团糊。

把摄影机定下来。 「固定机位全景」「缓慢向左横移」「手持跟拍」。没说清楚的摄影机会自己飘。

把光定下来。 钠灯路灯、阴天的下午、一盏画内实用光源。布光决定了一个画面是刻意安排的，还是渲出来的。

把声音定下来。 音频您反正是付了钱的，不管您有没有计划过，所以请点名环境音和任何一句台词——否则模型会自己编一层底噪，跟您的剪辑对着干。

然后把 seed 固定住，一次只改一个从句。我们的 Gemini Omni prompt 指南讲得更细。

常见问题

在这里生成一段 text-to-video 片子要多少钱？

720p 输出每秒 $0.09——默认 8 秒是 $0.72，10 秒的上限是 $0.90。这是 $0.15 标价打 40% 折之后的价格，核查日期为 2026年8月28日。其他档位：360p $0.0297，1080p $0.135，4K $0.18，均含音频。

这个模型比直接调 Google 便宜吗？

四档全都便宜。Google 按输出 token 给视频计费——每百万 token $17.50，每秒 360p 1,931 个 token、720p 5,792、1080p 8,688、4K 17,376——折合每秒 $0.0338，往上依次是 $0.1014、$0.1520、$0.3041，四档都含音频。发布时的表格把它们取整成 $0.03、$0.10、$0.15、$0.30，而账单是按未取整的数字算的。相比之下，我们在 360p 上便宜约十二个百分点，720p 和 1080p 上便宜十一个百分点，在 4K 上便宜四十一个百分点。两条阶梯往 360p 走的都是同样的 0.33×；区别在顶端——Google 把 720p 的费率翻三倍，我们只翻一倍。

这个模型比它取代的 Omni Flash 便宜吗？

不便宜，反而更贵。Omni Flash text-to-video 在我们这里是每秒 $0.0825，本页是 $0.09，所以八秒在那边是 $0.66，在这边是 $0.72，相差百分之九。旧模型没有 360p 档，在 E2X 上也从未上线 image-to-video 或 start-end-frame-to-video，差价就花在这些地方。直接调用 Google 是另一个问题：它公布的费率折合 720p 每秒 $0.1014，所以本页和那个旧页面都落在它下面。 这个差价不是产品本身更贵：三者挂的都是同一个 $0.15 的标价，不同的只是常设折扣——这边 40%，旧页面是 45% 和 50%。

只要一段片子，我该选它还是 Veo 3.1 Fast？

几乎总是 Veo 3.1 Fast——同一套 API 上每秒 $0.01，8 秒是 $0.08 而不是 $0.72。等到片子必须做到 10 秒、需要 4K，或者必须跟其他素材对得上时，再回来。

360p 这一档到底是拿来干什么的？

用来迭代。360p 的 4 秒是 $0.1188，720p 是 $0.36，所以那些您会扔掉的镜头，只花留下来那一条的一个零头。

单次生成最长能跑多久？

3 到 10 秒，24 fps。duration 枚举暴露 4、6、8 和 10，都是字符串。更长的片段来自多次调用——1.1 那些连续性能力，存在的意义就是让这件事撑得住。

每秒的价格里包含音频吗？

包含，本页每一个对比的每一行都包含。这里根本没有音频开关，对白与环境声跟画面一起生成，名单上也没有哪家把它们单独计价。

为什么别家给这个模型报的价不一样？

通常是因为那压根是另一个模型。fal.ai 那个不带版本号的 google/gemini-omni-flash 页面，标的是已弃用的 preview 权重，每秒接近 $0.125；它的 v1.1 页面写的是 $0.10，而我们表里用的是 v1.1。请先看版本，再看日期。