Omni Flash

E2X 上的 Gemini Omni Flash Reference-to-Video API

Omni Flash 是 Google 的 gemini-omni-flash-preview —— 一个 Gemini 家族的视频模型，而不是 Veo —— DeepMind 自己给它的推介只有一句话：「把 Gemini Omni 想成 Nano Banana，只不过是给视频用的。」我们把它的 reference-to-video capability 运行为 google/omni-flash/reference-to-video，并对每一秒成片的 720p 视频收费 $0.10。因此默认的 8 秒片段是 $0.80，含音频。

请注意计价单位。这里没有人按一口价卖一段片子，所以您拿来对比的任何数字，都必须乘上您打算渲染的长度。

有脚本，但没有可以带进镜头的图像？那 Veo 3.1 Fast text-to-video 才是您要的 endpoint —— 它只从 prompt 起步，而且在我们平台上便宜得多。下面我们会诚实地回到这一点。

我们相对于其他可以调用这个模型的地方所处的位置，核查日期为 2026 年 8 月 26 日：

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。

我们不会给这件事上妆：在这个模型上，我们与 Google 的费率持平，而不是压低它，真正的节省只存在于对比 fal.ai 和 Atlas 时。参考图像几乎不占分量——Google 把一张图像计为 2,040 token，所以三张大约值一美分。真正会动您账单的字段是 duration。

参考图像实际买到了什么

这个 endpoint 的意义在于连续性。把一个主体交给模型——一个人、一件产品、一处布景、一种造型——描述一个它从未被拍摄过的场景，而这个主体能挺过这趟旅程。

您可以附上多张参考图，而不是一张。 Google 公布的示例最多用到六张；没有任何官方最大值被记录下来，而第三方给出的数字互相矛盾，所以我们不会印一个出来。请按几张的量级来设计，然后测出您自己的上限。

音频是与画面一同生成的，不是外挂上去的。 它与动作同步，而且您用同一条 prompt 来指挥它——要雨打铁皮屋顶加一层低沉的房间底噪，回来的就是这个。事后没有单独的音轨可供剪辑。

十秒是天花板。 我们的 duration 枚举暴露 4、6、8 和 10；Google 的模型跑 3 到 10 秒，而 10 是硬上限。没有扩展 endpoint，没有插帧。再长就是您自己剪辑台上的拼接活儿——而剪辑点之间的连续性也就成了您的问题。

720p、24 fps，清单到此为止。 我们的 resolution 字段带着 1080p 和 4k 取值，Google 也把更高分辨率列为即将推出，但今天这个模型返回的是 720p。请把它留在默认值上。任何在这里宣传 1080p 的提供商页面，都跑在了 Google 自家文档的前面。

标准片段请预期约 45 秒的处理时间——这是 eachlabs 实测的 p50，不是官方数字，所以请拿它来规划，而不是拿它去承诺。

API request：参考图进，片段出

有两个字段是必填的：image_urls 和 prompt。从控制台生成一把 key，把它留在您自己掌控的服务器上，然后提交 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-flash/reference-to-video",
    "input": {
      "prompt": "图 1 里的运动鞋立在湿漉漉的沥青路面上，身后一辆公交车正驶离。缓慢推近。环境车流声和小雨，没有音乐。",
      "image_urls": [
        "https://example.com/sneaker-front.jpg",
        "https://example.com/sneaker-side.jpg"
      ],
      "duration": "8",
      "aspect_ratio": "16:9",
      "resolution": "720p"
    }
  }'

响应里带着一个 job ID。视频要花上几分钟，所以请慢一点做 polling —— 或者干脆跳过 polling，在 submit 的 body 里传一个 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-flash/reference-to-video",
    input: {
      prompt:
        "参考图里的女人穿过一处夜市，霓虹招牌的光映在她的夹克上。手持镜头。人群的低语和远处的油炸声。",
      image_urls: ["https://example.com/talent.jpg"],
      duration: "10",
      aspect_ratio: "9:16",
    },
  }),
}).then((r) => r.json());

const poll = async (id, attempt = 0) => {
  const job = await fetch(`https://api.e2x.ai/v1/jobs/${id}`, { headers })
    .then((r) => r.json());

  if (job.data.status === "completed") return job.data.outputs[0].url;
  if (job.data.status === "failed") throw new Error(job.data.error?.message);
  if (attempt > 90) throw new Error("Timed out waiting for the render");

  await new Promise((r) => setTimeout(r, 5000));
  return poll(id, attempt + 1);
};

const videoUrl = await poll(data.jobId);

状态流转为 pending → processing → completed，或者落到 failed 或 cancelled。如果您更愿意用程序去读，实时的 schema 和价格就在机器可读规格里。

在我们的视频模型之间做选择

真正要紧的那个对比，而且它并不给本页面长脸：

在我们平台上，Veo 3.1 Fast 的价格只是 Omni Flash 的零头，而且它能到 1080p 和 4K，这是 Omni Flash 目前做不到的。按 Google 自家的标价，两者在 720p 下同为每秒 $0.10 —— 拉开差距的是我们的折扣。所以请从 Veo Fast 起步。当它三张参考图的上限成为您的拦路虎时、当您需要多出的那两秒时，或者当您想要「视频版 Nano Banana」这个说法背后的视频编辑行为时，再回到这里。更多选项在 reference-to-video 分类里，而整个模型目录就在一页之内。

Google 公布的那些限制

Public Preview 意味着毛刺是被写进文档的，而不是被藏起来的。动工之前请先读这些：

• 长度不超过三秒的视频参考会被 API schema 接受，但用 Google 自己的话说，它们「没有被模型正确处理」。请把视频引用当作不可用，改发静图——另外请注意，跨多段视频进行引用或推理是完全不受支持的。
• 编辑上传的视频在欧洲经济区、瑞士和英国不可用。如果您的用户或您的基础设施位于那里，这个模型一半的吸引力就无从谈起了。
• 只有英语获得完整支持。其他 prompt 语言尚未被评测过。
• 在单次生成里做一段冗长的多场景叙事会失败。这个模型渲染的是一个连续镜头；要它按顺序演三个，您得到的是一团糟。

同时为画面和声音写 prompt

写镜头，不要写故事。一个主体、一次摄影机运动、一种光线条件——然后说清楚它听起来是什么样，因为音频是从同一条 prompt 里出来的，而沉默是您必须大声做出的选择。

多于一张图进来时，请给附件贴标签：「图 1 是瓶子，图 2 是标签特写。」除此之外没有任何东西能告诉模型哪张参考图是主角。摄影机语言请保持朴素——「缓慢推近」「固定机位」「手持跟拍」胜过一整段摄影学论述。

交付之前

每一段片子都带有 SynthID watermark —— 观众看不见，但可以用程序检测出来 —— 而且默认附带 C2PA 内容凭证。运行这个模型的任何提供商都无法把它们关掉，我们也一样。如果某份客户合同禁止带标签的 AI 素材，请在集成之前把这件事解决掉。

请在完成回调里就把输出重新托管到您自己的存储上。结果 URL 不是永久地址，而一段取不回来的视频，是一段您要付两次钱的视频。

常见问题

Gemini Omni Flash 是什么？

它是 Google 的 gemini-omni-flash-preview，一个来自 Gemini 家族而非 Veo 家族的视频生成与编辑模型。DeepMind 把它描述为「Nano Banana，只不过是给视频用的」——重点落在一致地承载参考图以及编辑既有素材上，而 Veo 瞄准的是从零开始的电影感生成。它目前处于 Public Preview。

在 E2X 上一段 8 秒的 Omni Flash 视频多少钱？

$0.80。我们按每秒 720p 输出 $0.10 收费，所以长度决定账单——4 秒片段是 $0.40，10 秒的上限是 $1.00。这是我们在 2026 年 8 月 26 日核查时的费率。

Omni Flash 接受多少张参考图像？

不止一张，而且 Google 记录在案的示例最多用到六张——但并没有公布官方最大值。Google 之外的信息源给出的上限各不相同且互相矛盾，所以我们不会重复一个我们无法核实的数字。在围绕某个具体数量做设计之前，请先用您自己的 payload 测一测。

Omni Flash 能产出 1080p 或 4K 视频吗？

今天还不能。它输出 24 fps 的 720p，而 Google 把更高分辨率列为即将推出。如果您现在就需要 1080p 或 4K，Veo 3.1 Fast 两者都能到。

我该用 Omni Flash 还是 Veo 3.1 Fast？

大多数活儿用 Veo 3.1 Fast。在我们平台上，一段 8 秒带音频的片子它是 $0.12，而这里是 $0.80，而且它能到 4K。当您需要超过三张参考图像、需要 10 秒时长，或者需要它的视频编辑行为时，再选 Omni Flash。

生成的视频有声音吗？

有，原生生成，并与画面上的动作同步。您用同一条 prompt 来指挥它——点名环境音、音效，或者要一段音乐。音频事后无法通过 API 编辑，所以一处改动就意味着一次重渲。

Omni Flash 的视频带 watermark 吗？

带。每一份输出都带有观众看不见、但检测工具读得出的 SynthID watermark，外加默认开启的 C2PA 内容凭证。没有任何提供商暴露禁用其中任何一项的参数。

我能用这个模型编辑上传的视频吗？

只有在欧洲经济区、瑞士和英国之外才可以——Google 在这些地区限制了对上传视频的编辑。Reference-to-video 生成本身不受影响。另请注意，视频参考虽被 schema 接受，却不会被正确处理，所以请发送图像。