# Gemini Omni 1.2 Flash API：Google の動画生成・編集 | KovAPI

> Gemini Omni 1.2 Flash は Google が 2026 年 11 月に公開した動画生成・編集モデルです。テキストから動画、最初のフレーム、最初と最後のフレーム、参照画像、動画編集を 1 つの API で扱い、映像と一緒にセリフ・効果音・音楽も生成します。KovAPI では `gemini-omni-1.2-flash` で呼び出し、秒単位で課金します。

Web ページ: https://kovapi.com/ja/model/gemini-omni-1.2-flash · 更新: 2026-11-12
料金・上限・所要時間は、このファイルを生成した時点の値です。

## 仕様の要点

- モデル ID: `gemini-omni-1.2-flash`
- エンドポイント: `POST https://kovapi.com/v1/videos/generations` → `GET https://kovapi.com/v1/videos/jobs/{id}`
- 長さ: 3〜15 秒の整数で自由に指定。最初のフレーム／最初と最後のフレームは最長 10 秒
- 解像度: 720P / 1080P / 4K
- アスペクト比: 16:9 / 9:16
- 参照素材: 参照画像は最大 3 枚。最初のフレームは 1 枚、最初と最後のフレームは 2 枚
- 動画編集: 1〜15 秒の元動画 1 本と、参照画像を最大 5 枚。出力は元動画と同じ長さ
- プロンプト: ≤ 20,000 文字
- 1 秒あたり: 720P $0.035/秒 · 1080P $0.05/秒 · 4K $0.10/秒
- 生成物の保存: 7 日間

## 一文で動画を編集、文字は正確、長さは 1 秒単位

- **画風・文字・物を一文で変える**: 1〜15 秒の動画を `video_urls` に入れ、何を変えるかを書きます。アニメ調にする、看板の文字だけ変える、何かを消す。触れない部分はできるだけ元のまま残り、参照画像を最大 5 枚付けて加えたいものを指定することもできます。元動画の秒数で課金します。
- **人物・商品・パッケージの文字が参照どおりに**: 参照画像は最大 3 枚で、人物・ペット・商品を 1 枚ずつ担当させます。コーヒー広告ではバリスタとコーヒー袋の 2 枚を使い、動画の人物と袋の文字が参照画像と一致しました。
- **始まりを決める、または始まりと終わりを決める**: 画像 1 枚を最初のフレームにすれば動画はそこから始まり、2 枚を最初と最後のフレームにすれば間の移り変わりをモデルが作ります。どちらも最長 10 秒です。
- **看板・ナンバープレート・パッケージの文字を正しく**: 文字を引用符に入れると、Omni はそのとおりに画面へ描きます。街角の動画では看板・店名・ナンバープレートを一度で正しく描けました。編集でそのうち一か所だけを変えることもできます。
- **3〜15 秒を 1 秒単位で、最高 4K**: 長さは整数秒で自由に選べ、`[0-5s]` のようなタイムコードで展開を組めます。720P・1080P・4K、横 16:9 か縦 9:16、どの動画にも音声が付きます。

## モードと API フィールド

どのモードも `model`（`gemini-omni-1.2-flash`）、`prompt`、`resolution`、`size` は共通です。画像は `images` に入れ、`image_role` で最初のフレームか参照かを指定します。元動画は `video_urls` に入れます。プロンプトでは `@Image1`、`@Image2` でアップロード順に画像を指せます。

| モード | 送るもの | 得られるもの | 制限 |
| --- | --- | --- | --- |
| テキストから動画 | `prompt` と出力設定だけ。`duration` は整数秒。 | テキストから映像・カメラ・音を生成します。セリフ、音楽、効果音はプロンプトに書きます。 | 3〜15 秒。`duration` を省くと 10 秒。 |
| 最初のフレーム | `images` に画像 1 枚。1 枚だけなら既定で最初のフレームです。`image_role: first_frame` と明示もできます。 | その画像から始まり、プロンプトの動きとカメラワークで続く動画になります。 | 最長 10 秒。 |
| 最初と最後のフレーム | `images` に画像 2 枚と `image_role: first_frame`。1 枚目が最初、2 枚目が最後のフレームです。 | 1 枚目から 2 枚目へ移る動画です。間の動きとカメラはプロンプトに従います。 | 最長 10 秒。 |
| 参照画像 | `images` に画像。2〜3 枚なら既定で参照、1 枚なら `image_role: reference` が必要です。各画像が誰か・何かをプロンプトに書きます。 | 画像の人物・ペット・商品・画風が新しい場面に登場します。どれかのフレームとしては使いません。 | 最大 3 枚、3〜15 秒。 |
| 動画編集 | `video_urls` に元動画 1 本（mp4 / mov）と、何を変えるかを書いたプロンプト。参照画像も付けられ、`@Image1` で指せます。 | 画風の変更、文字の差し替え、物の追加や削除を指示どおりに。プロンプトで触れない部分はできるだけ元のままです。 | 元動画は 1〜15 秒、参照画像は最大 5 枚。出力は元動画と同じ長さで、元動画の秒数で課金します。 |

## Gemini Omni 1.2 Flash でできること

- **商品・ブランド広告**: 商品写真と出演者を参照にすると、パッケージのブランド名や色がカメラの前でも崩れません。セリフと音はプロンプトに書きます。
- **1 本の素材から複数バージョン**: 同じ動画の画風・光・文字を、作り直さずに変えられます。広告のバリエーション検証に便利です。
- **写真を動かす**: 商品写真・街の写真・イラストを最初のフレームにして、カメラと動作を書けば、その画像から始まる動画になります。
- **トランジションと情景カット**: 始まりと終わりの 2 枚で、季節・昼夜・場面のあいだを移り変わるカットを作れます。
- **縦型の SNS 動画**: 最初から 9:16 で最高 4K。ショート動画のオープニングや雰囲気カットに。
- **プリビズと短編**: タイムコードで 1 本をいくつかの段に分け、リズムとショットを確かめてから、撮影や仕上げを決められます。
- **ペットとライフスタイル**: ペットや物の写真を参照にして、新しい場面に登場させます。
- **看板・パッケージ・タイトル**: 出したい文字を引用符に入れて、店頭・イベント・商品紹介のカットに。

## Gemini Omni 1.2 Flash の料金

| 解像度 | Gemini Omni 1.2 Flash | Google 公式価格 |
| --- | --- | --- |
| 720P | $0.035/秒 | $0.07 |
| 1080P | $0.05/秒 | $0.104 |
| 4K | $0.10/秒 | $0.209 |

- 生成：選んだ解像度の 1 秒あたり単価 × 出力の秒数。参照画像は無料です。
- 動画編集：同じ 1 秒あたり単価 × 元動画の秒数（整数秒。1 秒未満の端数は切り捨て）。計算機で「動画編集」を選ぶと計算できます。
- 送信時に料金を仮押さえし、成功すれば同じ金額で確定します。失敗した場合は全額返金します。

## 作例：プロンプトとパラメーター

### トラ猫：1 カットで撮りきる

- KovAPI で生成 · テキストから動画 · 10s · 720P · 16:9
- 現在の料金で $0.35
- 生成結果: https://img.kovapi.com/i/mp-c12a02b55c1bc34ba139487d.mp4

Google のガイドの「1 シーン」の例です。最初に連続・手持ち・1 ショットと決め、小さな動き・光・サウンドデザインを書き、最後に「No dialogue」で締めています。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
Continuous, unbroken handheld shot of a fluffy tabby cat sitting on a sunny windowsill, looking out into a leafy garden. The cat's tail twitches slowly, and its ears rotate slightly toward ambient noises. Sunbeams illuminate dust motes in the air. Sound design: Gentle breeze, distant bird chirps. No dialogue.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
途切れない連続した手持ちショット。ふわふわのトラ猫が日の当たる窓辺に座り、緑の茂る庭を眺めている。猫のしっぽがゆっくり揺れ、耳が周りの物音のほうへ少し向く。日差しが空中のほこりを照らす。サウンドデザイン：やさしいそよ風、遠くの鳥のさえずり。セリフなし。
```

### 図書館を飛ぶ紙飛行機

- KovAPI で生成 · テキストから動画 · 8s · 1080P · 16:9
- 現在の料金で $0.40
- 生成結果: https://img.kovapi.com/i/mp-179512a5c3b6c91fa7b10f56.mp4

Google のドキュメントにある一文だけの例。途切れない 1 本のトラッキングショットを 1080P で。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
A single unbroken tracking shot following a paper airplane gliding through a bustling library.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
賑やかな図書館の中を滑空する紙飛行機を追う、途切れない 1 本のトラッキングショット。
```

### タイムコード：15 秒でポータルへ

- KovAPI で生成 · テキストから動画 · 15s · 1080P · 16:9
- 現在の料金で $0.75
- 生成結果: https://img.kovapi.com/i/mp-29f31c6396192e4adf2ae1e3.mp4

`[0-5s]`、`[5-10s]`、`[10-15s]` の 3 つのタイムコードで、歩く・立ち止まって振り向く・ポータルへ駆け込むという流れを組み、動画はそのとおりに進みます。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
[0-5s] A person is walking down a quiet street
[5-10s] They stop and turn around toward a glowing doorway
[10-15s] They start running into the portal
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
[0-5s] 人が静かな通りを歩いている
[5-10s] 立ち止まり、光る扉のほうへ振り向く
[10-15s] ポータルへ向かって走り出す
```

### 標識・店名・ナンバープレートの文字

- KovAPI で生成 · テキストから動画 · 8s · 720P · 16:9
- 現在の料金で $0.28
- 生成結果: https://img.kovapi.com/i/mp-add537be3ae6b285aae5d047.mp4

Google のガイドの「動画内の文字」の例です。標識・店名・ナンバープレートに書く言葉をそれぞれ引用符に入れ、3 か所とも正しく描かれました。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
There is a street sign that says: "This is an AI generation by Omni", there is a storefront that says: "All you need AI", there's a car with the number plate: "OMNI1.2"
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
道路標識に「This is an AI generation by Omni」、店の看板に「All you need AI」と書かれ、車のナンバープレートは「OMNI1.2」。
```

### 4K 縦型：サイバーパンクの街

- KovAPI で生成 · テキストから動画 · 6s · 4K · 9:16
- 現在の料金で $0.60
- 生成結果: https://img.kovapi.com/i/mp-78147b0630d708927a07f2cd.mp4

Google のドキュメントが画面比率の説明に使う一文を、ここでは 4K 縦型（2160×3840）で生成しました。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
A futuristic city with neon lights and flying cars, cyberpunk style
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
ネオンが輝き空飛ぶ車が行き交う未来都市、サイバーパンク風
```

### 最初のフレーム：街の写真が動き出す

- KovAPI で生成 · 最初のフレーム · 8s · 720P · 16:9 · image_role=first_frame
- 現在の料金で $0.28
- 生成結果: https://img.kovapi.com/i/mp-7d449482e0fc8a7d8cc45039.mp4
- 画像 1: https://img.kovapi.com/i/mp-b7c2b45a774cc22b88c191f2.png

最初のフレームは街角の写真です。プロンプトは Google の勧めどおり、カメラの寄り、パン職人がクロワッサンを並べる、ハトがかごに止まって飛び立つ、と具体的な動きを書いています。入力画像は KovAPI が Nano Banana Pro で作成し、プロンプトは Google のガイドの書き方に沿って KovAPI が書きました。

プロンプト原文:

```text
The camera slowly pushes in toward the bakery window. Inside, a baker in a white apron places a fresh tray of golden croissants in the window display. A pigeon lands on the bicycle basket, looks around and flutters away. In a single continuous shot. Sound design: quiet morning street ambience, a distant church bell, pigeon wings flapping. No dialogue. No music.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
カメラがパン屋のショーウインドーへゆっくり寄っていく。店内では白いエプロンのパン職人が、焼きたての黄金色のクロワッサンをトレーごとウインドーに並べる。ハトが自転車のかごに止まり、あたりを見回して羽ばたいて去る。1 カットの連続ショット。サウンドデザイン：朝の静かな通りの環境音、遠くの教会の鐘、ハトの羽音。セリフなし。音楽なし。
```

### 最初と最後のフレーム：夏の朝から雪の夜へ

- KovAPI で生成 · 最初と最後のフレーム · 8s · 1080P · 16:9 · image_role=first_frame
- 現在の料金で $0.40
- 生成結果: https://img.kovapi.com/i/mp-05622ab6ca908a072b78254b.mp4
- 画像 1: https://img.kovapi.com/i/mp-d76700384255b66384f59138.jpg
- 画像 2: https://img.kovapi.com/i/mp-601efc3d56bcd883c7565db0.jpg

Google のドキュメントの「最初と最後のフレーム」のプロンプトです。2 枚のフレームは同じカメラ位置で、2 枚目は 1 枚目から作りました。プロンプトは Google のドキュメントから。入力画像は KovAPI が Nano Banana Pro で作成し、動画は KovAPI が生成しました。

プロンプト原文:

```text
A smooth cinematic transition from a lush green forest at sunrise to a snowy forest under a starry night sky.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
日の出の青々とした森から、星空の下の雪に覆われた森へ移る、なめらかで映画的なトランジション。
```

### 参照画像：猫と毛糸玉

- KovAPI で生成 · 複数画像の参照 · 8s · 720P · 16:9 · image_role=reference
- 現在の料金で $0.28
- 生成結果: https://img.kovapi.com/i/mp-82df85e079207c922446172d.mp4
- 画像 1: https://img.kovapi.com/i/mp-8a3ed962b9a5b10874c8645d.png
- 画像 2: https://img.kovapi.com/i/mp-f62963a2437f9b0fd21e4342.jpg

Google のドキュメントの参照画像の例です。猫の画像と毛糸の画像が 1 枚ずつ、プロンプトは一文だけ。動画の猫と毛糸は参照画像どおりです。プロンプトは Google のドキュメントから。入力画像は KovAPI が Nano Banana Pro で作成し、動画は KovAPI が生成しました。

プロンプト原文:

```text
A cat playfully batting at a ball of yarn.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
猫が毛糸玉を楽しそうに前足でたたく。
```

### 商品広告：人物もパッケージも参照どおり

- KovAPI で生成 · 複数画像の参照 · 10s · 1080P · 16:9 · image_role=reference
- 現在の料金で $0.50
- 生成結果: https://img.kovapi.com/i/mp-e1dd3e4ef52fd3d2cc17da18.mp4
- 画像 1: https://img.kovapi.com/i/mp-1d600f5a04da572b6a4c2bc2.jpg
- 画像 2: https://img.kovapi.com/i/mp-804b9708cd179c2ec07a7543.jpg

参照はバリスタとコーヒー袋の 2 枚。プロンプトで動作・アップ・セリフ一つ・音を書き、ラベルの文字をくっきり見せるよう指定しました。動画の人物と袋の文字は参照画像と一致し、セリフも書いたとおりに話しています。入力画像は KovAPI が Nano Banana Pro で作成し、プロンプトは Google のガイドの書き方に沿って KovAPI が書きました。

プロンプト原文:

```text
The barista from the first image stands behind a wooden cafe counter in the morning. She picks up the coffee bag from the second image, turns it so the label faces the camera, opens it and pours whole beans into a grinder. Close-up of the beans, then a medium shot as she smiles at the camera and says: "Freshly roasted, every Monday." Keep the label text sharp and readable. Warm morning light. Sound design: cafe ambience, beans rattling into the grinder, the grinder starting. No music.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
1 枚目の画像のバリスタが、朝、木のカフェカウンターの奥に立っている。2 枚目の画像のコーヒー袋を手に取り、ラベルがカメラに向くように回して開け、コーヒー豆をグラインダーに注ぐ。豆のアップのあと、カメラに笑いかけながらこう言うミディアムショット：“Freshly roasted, every Monday.”（毎週月曜、焙煎したて。）ラベルの文字はくっきり読めるように。暖かい朝の光。サウンドデザイン：カフェの環境音、豆がグラインダーに落ちる音、グラインダーが回り出す音。音楽なし。
```

### 動画編集：一文でアニメ調に

- KovAPI で生成 · 動画編集 · 10s · 720P · 16:9
- 現在の料金で $0.35
- 生成結果: https://img.kovapi.com/i/mp-905cc7d194d76bd05fe02ed9.mp4
- 元動画 (10s): https://img.kovapi.com/i/mp-c12a02b55c1bc34ba139487d.mp4

元動画は「トラ猫」の動画で、編集プロンプトは Google の例文「Make this video anime」だけ。画風は全体が変わり、カメラと動きはそのままです。元動画の秒数で課金します。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
Make this video anime
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
この動画をアニメ調にして
```

### 動画編集：標識の文字だけを変える

- KovAPI で生成 · 動画編集 · 8s · 720P · 16:9
- 現在の料金で $0.28
- 生成結果: https://img.kovapi.com/i/mp-ee06321042c206161cb6ee34.mp4
- 元動画 (8s): https://img.kovapi.com/i/mp-add537be3ae6b285aae5d047.mp4

元動画は「標識・店名・ナンバープレートの文字」の動画で、プロンプトは Google の例文です。標識は「Omni Flash」になり、店名・ナンバープレート・カメラは変わっていません。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
Change the text on the sign to say "Omni Flash"
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
標識の文字を「Omni Flash」に変えて
```

### 動画編集：バイオリンを消す

- KovAPI で生成 · 動画編集 · 8s · 720P · 16:9
- 現在の料金で $0.28
- 生成結果: https://img.kovapi.com/i/mp-ff452614135cc0c0c6899ffe.mp4
- 元動画 (8s): https://img.kovapi.com/i/mp-5e0b9ff56c3378f85dd34815.mp4

Google のドキュメントの多ターン編集の例です。「A woman playing violin outdoors.」で生成し、次に「Make the violin invisible.」を送ります。ここでは 1 回目の動画を元動画にしました。バイオリンは消え、弓の動きは残っています。プロンプトは Google の[Gemini Omni Flash 開発者ドキュメント](https://aistudio.google.com/docs/omni)から。KovAPI がそのプロンプトで生成しました。

プロンプト原文:

```text
Make the violin invisible.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
バイオリンを見えなくして。
```

### 動画編集＋参照画像：指定した帽子をかぶせる

- KovAPI で生成 · 動画編集 · 8s · 720P · 16:9
- 現在の料金で $0.28
- 生成結果: https://img.kovapi.com/i/mp-19f905c62d058768f7273e73.mp4
- 画像 1: https://img.kovapi.com/i/mp-f336123368a69708fd348e71.jpg
- 元動画 (8s): https://img.kovapi.com/i/mp-5e0b9ff56c3378f85dd34815.mp4

Google の例文は「Put a fashionable hat on this person」です。ここでは参照画像で帽子を指定し、プロンプトで `@Image1` と指しています。色・つば・黒いリボンが参照画像どおりです。参照画像は KovAPI が Nano Banana Pro で作成しました。

プロンプト原文:

```text
Put the hat from @Image1 on this person. Keep everything else the same.
```

日本語訳で読む (訳文は読むためのものです。コピーと適用は原文を使います):

```text
この人に @Image1 の帽子をかぶせて。ほかはそのまま。
```

## Gemini Omni 1.2 Flash のプロンプト：Google 公式ガイドどおりに

Google の[Gemini Omni Flash プロンプトガイド](https://aistudio.google.com/docs/omni#prompt-guide)に基づきます。まずショットと被写体、次に動き・光・音。編集では変えたい一点だけを書きます。下の例文はそのガイドからの引用で、このページのサンプルが実際に送ったプロンプトです。

- **1 ショットにしたいならそう書く**: Omni は既定で複数のショットに分け、小さな物語を作ります。連続した 1 ショットにしたいときは「In a single continuous shot」や「No scene cuts」と書きます。 — トラ猫の原文：“Continuous, unbroken handheld shot of a fluffy tabby cat…”
- **音を書く**: 音を書かないと、モデルが音を選びます。音楽はジャンルと雰囲気、環境音とセリフも書き、セリフは引用符で囲みます。 — トラ猫の原文：“Sound design: Gentle breeze, distant bird chirps.”
- **不要なものは短い文で**: `negative_prompt` は使えません。「No dialogue」「No embellishments」「No extra sound effects」のように、除外したいものをプロンプト自体に書きます。 — トラ猫の原文の最後：“No dialogue.”
- **編集は一度に一点**: 編集のプロンプトは短いほど正確です。詳しく書きすぎると、残したい部分まで変わることがあります。一点だけ変えるなら「Keep everything else the same」を添えます。 — 看板の原文：“Change the text on the sign to say "Omni Flash"”
- **タイミングを指定する**: 「After 3 seconds…」「At 5s…」のような自然な文でも、`[0-5s]` のようなタイムコードでもかまいません。カット割りやリズムを自分で決められます。 — ポータルの原文：“[10-15s] They start running into the portal”
- **画面の文字は引用符で**: Omni は文字を正しく読みやすく描きます。場面に元からある看板やナンバープレートも、書かせたい言葉を引用符に入れます。 — 街角の原文：“there's a car with the number plate: "OMNI1.2"”
- **人物と場所を細かく**: Google の「メタプロンプト」：細部・表情・タイミングに気を配るよう頼み、衣装デザイナーのように人物を描写し、背景の要素も具体的に書きます。 — Google のガイド：“Be extremely detailed in your descriptions of characters and environments.”
- **画像から動画では動きを書く**: 鮮明な画像を使い、カメラの動き・被写体の動作・環境の変化を具体的に書くほうが「動かして」より効果的です。画像を下書きや参考として使うだけならそう明記しないと、最初のフレームとして扱われることがあります。 — パン屋（ガイドに沿って作成）：“The camera slowly pushes in toward the bakery window.”

| 部分 | 役割 | 例 |
| --- | --- | --- |
| ショット | まずショットを決める：連続・手持ち・1 カット。 | 原文：“Continuous, unbroken handheld shot” |
| 被写体と場所 | 被写体は誰で、どこにいて、何を見ているか。 | 原文：“of a fluffy tabby cat sitting on a sunny windowsill, looking out into a leafy garden.” |
| 小さな動き | 小さな動きで画面が生きる。被写体は大きく動かなくてよい。 | 原文：“The cat's tail twitches slowly, and its ears rotate slightly toward ambient noises.” |
| 光 | 光と雰囲気を一文で。 | 原文：“Sunbeams illuminate dust motes in the air.” |
| サウンドデザイン | 環境音は独立した一文で。セリフは引用符に入れる。 | 原文：“Sound design: Gentle breeze, distant bird chirps.” |
| 除外 | 最後に、いらないもの。 | 原文：“No dialogue.” |

```text
In a single continuous shot, [ショットの大きさとカメラの動き] of [被写体] in [場所].
[0-4s] [最初の動作]
[4-8s] [次の動作]
[8-10s] [ラストの画]
Lighting: [光と色調].
Sound design: [環境音、効果音]. [人物] says: "[セリフ]"
No subtitles. [No music / No dialogue]
```

## KovAPI で Gemini Omni 1.2 Flash の動画を作る手順

1. **登録して API キーを作る** KovAPI にログインし、コンソールでキーを作成します。1 本のキーでサイトのすべてのモデルを使えます。
2. **上でプロンプトを試す** 長さ・解像度・画面比率を選び、必要なら画像や元動画をアップロード。送信前にリアルタイムの見積もりが出ます。
3. **非同期ジョブを送信** `gemini-omni-1.2-flash` で `POST /v1/videos/generations` に送信し、HTTP 202 で返るジョブ ID を保存します。完全なリクエスト例はドキュメントにあります。
4. **結果を取得するか Webhook で受け取る** ジョブ ID で問い合わせるか、送信時に `callback_url` を指定します。成功したら `data[0].url` から MP4 をダウンロード。結果は 7 日間保存されるので、早めに保存してください。

### 最小のリクエスト例

```bash
curl https://kovapi.com/v1/videos/generations \
  -H "Authorization: Bearer $KOVAPI_KEY" -H "Content-Type: application/json" \
  -d '{"model": "gemini-omni-1.2-flash", "prompt": "...", "duration": 3, "resolution": "720P", "size": "16:9"}'
# -> HTTP 202 {"id": "..."}; poll:
curl https://kovapi.com/v1/videos/jobs/<id> -H "Authorization: Bearer $KOVAPI_KEY"
```

## Gemini Omni の歩み

- 2026-05-19 · Gemini Omni Flash: **Gemini Omni Flash・発表** Google I/O で Omni ファミリー最初のモデルとして発表。テキスト・画像・動画から動画を作り、会話で編集でき、まず Gemini アプリと YouTube ショートで公開されました。
- 2026-06-30 · gemini-omni-flash-preview: **Gemini API でパブリックプレビュー** 開発者は Gemini API でプレビュー版を使えるようになりました：3〜10 秒・720P、テキストから動画や静止画のアニメーション、生成結果の続けての編集。
- 2026-08-27 · Gemini Omni 1.1 Flash: **Omni 1.1・一般提供** 一般提供版で最初と最後のフレームと、最高 4K の解像度（1080P と 4K はアップスケール）が加わりました。KovAPI の [Gemini Omni Flash](https://kovapi.com/ja/model/gemini-omni-flash) はこの世代です：6 / 8 / 10 秒、720P / 1080P。
- 2026-11-05 · Gemini Omni 1.2 Flash: **Omni 1.2・15 秒と安定した参照** 長さは 3〜15 秒を 1 秒単位で。参照画像の人物・衣装・パッケージの文字がより安定し、セリフと口の動きもより自然に。Google の公式価格は 1.1 より 30% 安くなりました。Google は 2026-12-03 から 1.1 へのリクエストを自動で 1.2 に切り替えると発表しています。

## Gemini Omni 1.2 Flash とほかの動画モデルの選び方

| モデル | 長さ（秒） | 解像度 | 参照 画像 / 動画 / 音声 | 料金 | 向いている用途 |
| --- | --- | --- | --- | --- | --- |
| Gemini Omni 1.2 Flash (`gemini-omni-1.2-flash`) | 3–15 | 720P / 1080P / 4K | 3/0/0 | $0.035/秒 | 既存の動画を一文で編集したいとき、または正確な画面文字・4K・秒単位の長さが必要な短い動画。 |
| Gemini Omni Flash (`gemini-omni-flash`) | 6 / 8 / 10 | 720P / 1080P | 3/0/0 | $0.035/秒 | 前の世代ですでに動いているプロジェクト：6 / 8 / 10 秒、720P / 1080P、料金は 1.2 と同じ。 |
| Veo 3.1 (`veo-3.1`) | 8 | 720P / 1080P | 3/0/0 | $0.20/本 | 長さ 8 秒固定、1 本ごとに課金する短い動画。 |
| Seedance 2.5 (`seedance-2.5`) | 4–30 | 480P / 720P / 1080P | 30/10/10 | $0.10/秒 | 1 つのジョブに大量の参照素材（画像・動画・音声をまとめて）を入れたいとき、または最長 30 秒の物語的な動画。 |
| Wan 3.0 (`wan3.0-video`) | 4–30 | 480P / 720P / 1080P | 10/5/5 | $0.04/秒 | 参照動画・参照音声を使いたいとき、またはドキュメントやウェブページから動画を作りたいとき。1 本最長 30 秒。 |
| MiniMax H3 (`minimax-h3`) | 4–15 | 480P / 768P / 1080P | 9/3/3 | $0.015/秒 | 短い動画の量産：480P / 768P で試してから 1080P に。最初と最後のフレームに対応し、参照モードでは参照音声・参照動画も使えます。 |
| Grok Imagine Video 1.5 (`grok-imagine-video-1.5`) | 4–15 | 480P / 720P | 7/0/0 | $0.30/本 | 1 本ごとに課金する 480P / 720P の短い動画。参照画像は 7 枚まで。 |

ほかのモデルですでに安定した結果が出ているなら、同じ素材と基準で両方を試し、映像・動き・音・生成時間・実際の費用を比べてから切り替えを決めてください。

## 入力の組み合わせルール

- 画像の扱い：1 枚なら既定で最初のフレーム、2〜3 枚なら参照です。1 枚を参照にするには `image_role: reference`、最初と最後のフレームには 2 枚と `image_role: first_frame` を指定します。元動画があるときは、画像はすべて参照になります。
- 編集では `duration` は使われません。出力は元動画と同じ長さで、最後の整数秒を超える部分は切り捨てます（4.5 秒の動画は 4 秒として編集・課金）。`size` を省くと元動画の縦横に合わせます。編集では最初と最後のフレームは指定できません。
- `@Image1`、`@Image2` はアップロード順の番号です。生成では「参照画像1」のような言葉に置き換えてモデルに渡し、編集ではその画像に直接ひも付けます。プロンプトで指していない画像も一緒に渡します。
- どの動画にも音声が付き、`audio: false` は受け付けません。不要なものは「No dialogue」「No music」のようにプロンプトへ書きます。`negative_prompt` と `system_prompt` は受け付けず、課金もしません。

## KovAPI で Gemini Omni 1.2 Flash を使う理由

- **Google の公式価格より安い**: 720P は Google の公式価格より 50%、1080P は 51%、4K は 52% 安く、動画編集も同じ 1 秒あたり単価です。オンラインテストでは送信前にそのジョブの料金がわかります。
- **失敗は課金なし、自動リトライ**: 生成に失敗したら仮押さえした料金を全額返金します。上流が混雑したりエラーを返したりしたときはシステムが自動でリトライするので、リトライ処理を書く必要はありません。
- **同時実行の上限なし**: アカウントごとの同時実行数に上限はなく、まとめて送信できます。混雑時はキューで待ち、API は `queue_position` と `eta_seconds` を返し、完了時に Webhook で通知できます。
- **すべての動画モデルを 1 つの API で**: 送信・結果取得・Webhook の書き方はサイトのどの動画モデルでも同じです。`model` を変えるだけで、同じプロンプトを Seedance、Wan、Veo などに送って比べられます。
- **登録も支払いも簡単**: メール、Google、GitHub で登録でき、WeChat Pay、カード、PayPal、USDT でチャージできます。従量課金で月額料金はありません。同じキーでサイトのチャット・画像モデルも使えます。

## Gemini Omni 1.2 Flash API よくある質問

### Gemini Omni 1.2 Flash とは？

Google が 2026 年 11 月に公開した動画生成・編集モデルで、Gemini Omni Flash の新しい世代です。KovAPI では `gemini-omni-1.2-flash`：テキストから動画、最初のフレーム、最初と最後のフレーム、参照画像、動画編集に対応し、どの動画にも音声が付きます。

### どのくらいの長さの動画を作れますか？

テキストから動画と参照画像は 3〜15 秒の整数秒で、`duration` を省くと 10 秒。最初のフレーム／最初と最後のフレームは最長 10 秒。編集の出力は元動画と同じ長さです。

### 解像度と画面比率は？

720P / 1080P / 4K、既定は 720P。画面比率は 16:9 / 9:16、24 fps。Google は 1080P と 4K をアップスケールと説明しています。ほかの値は送信時にエラーになり、課金されません。

### 最初のフレームや最初と最後のフレームはどう送りますか？

最初のフレーム：`images` に画像 1 枚。最初と最後のフレーム：`images` に画像 2 枚と `image_role: first_frame`。1 枚目が最初、2 枚目が最後のフレームです。どちらも最長 10 秒。

### 参照画像は何枚まで？プロンプトでどう指しますか？

生成では最大 3 枚、編集では最大 5 枚。アップロード順に `@Image1`、`@Image2`…です。各画像が誰か・何かをプロンプトに書きます。例：“The woman from the first image”。

### 動画編集はどう使いますか？

1〜15 秒の動画（mp4 / mov）1 本を `video_urls` に入れ、何を変えるかを書きます。例：“Make this video anime”。一点だけ変えるなら「Keep everything else the same」を添えます。特定のものを加えたいときは参照画像を付け、`@Image1` で指します。

### 動画編集の料金は？

生成と同じ 1 秒あたり単価で、元動画の秒数で課金します。例：720P は $0.035/秒。最後の整数秒を超える部分は切り捨てるので、4.5 秒は 4 秒として課金します。`duration` は編集には使われません。

### 中国語などほかの言語でプロンプトを書けますか？

書けます。トラ猫のプロンプトを中国語にして送ったところ、英語版と同じ場面になりました。Google が十分に評価しているのは英語だけなので、複雑なショットやセリフは英語のほうが確実です。画面に出す文字は、表示したいとおりに引用符へ入れます。

### 音声をオフにできますか？

できません。どの動画にも音声トラックが付き、`audio: false` は受け付けません。「No music」「No dialogue」と書けば環境音だけにできます。無音の素材が必要なら、ダウンロード後に音声トラックを外してください。

### 実在の人物の写真を使えますか？

使えますが、Google のコンテンツ審査を通ります。一般の人の写真で試したところ、最初のフレームでは 2 回とも生成でき、参照画像では 2 回中 1 回拒否されました。著名人の写真は拒否されました。拒否されたジョブは課金されません。写っている人物の肖像を使う権利があることを確認してください。

### 生成に失敗したら課金されますか？

失敗した生成は課金されず、そのまま再送できます。送信時の仮押さえは全額返金され、同じジョブの自動リトライは一度だけ精算されます。

### 結果はどのくらい保存されますか？

結果とアップロードしたファイルは 7 日間保存され、その後削除されます。必要なものは早めにダウンロードしてください。

### 前の Gemini Omni Flash との違いは？

1.2 は 3〜15 秒を 1 秒単位で選べ（前の世代は 6 / 8 / 10 秒のみ）、4K と動画編集が加わり、参照画像への忠実さも上がっています。KovAPI では両方とも同じ料金です。[前のモデルのページ](https://kovapi.com/ja/model/gemini-omni-flash)も引き続き使えます。

### Gemini Omni 1.2 Flash と Veo 3.1 のどちらを選ぶべき？

KovAPI の Veo 3.1 は 8 秒固定で 1 本ごとに課金、Omni 1.2 は長さを自由に選べて秒単位で課金し、既存動画の編集や 4K にも対応します。映像を比べるなら、同じプロンプトをそれぞれ 1 回ずつ試してください。

## AI 向けの補足

- モデル ID は `gemini-omni-1.2-flash`。`POST /v1/videos/generations` で送信すると HTTP 202 とジョブ `id` が返ります。結果は `GET /v1/videos/jobs/` にジョブ ID を付けて取得します。
- `resolution` は 720P / 1080P / 4K のいずれかで既定は 720P（`720p`、`2160p` などの表記も可）。`size` は 16:9 / 9:16 のいずれか。`seconds` は `duration`、`aspect_ratio` は `size` の別名です。
- `duration` は 3〜15 の整数で既定は 10。最初のフレーム／最初と最後のフレームでは最大 10。
- 画像は `images` へ：1 枚なら既定で最初のフレーム、2〜3 枚なら参照。`image_role` は `first_frame` か `reference`。参照画像は最大 3 枚。
- 動画編集：`video_urls` に 1〜15 秒の動画 1 本（`video_url`、`video_references` も可）と、画像を最大 5 枚。出力は元動画と同じ長さで、元動画の整数秒で課金し、`duration` は使われません。
- 次のフィールドも受け付けます：`first_frame_image`、`last_frame_image`、`image_urls`、`image_with_roles`、`omni_reference_task_type`（auto / text_to_video / image_to_video / reference / reference_to_video / edit）。
- `audio: false`、`negative_prompt`、`system_prompt` は拒否されます（HTTP 400、課金なし）。どの動画にも音声トラックが付きます。
- 課金：選んだ解像度の 1 秒あたり単価 × 出力秒数。720P $0.035/秒、1080P $0.05/秒、4K $0.10/秒。編集は元動画の秒数で課金します。

## 関連資料

- [Gemini Omni 1.2 Flash API リファレンス](https://docs.kovapi.com/ja/gemini-omni-1.2-flash): リクエストのフィールド、非同期ジョブ、結果、完全なコード例。
- [非同期ジョブガイド](https://docs.kovapi.com/ja/guide/async-jobs): ジョブの状態、キューのフィールド、結果の取得。
- [Webhook ガイド](https://docs.kovapi.com/ja/webhooks): ジョブの結果を受け取り、ドキュメントどおりに署名を検証します。