Gemini Omni 1.1 Flash

Gemini Omni 1.1 Flash — стабильная модель Google для создания и разговорного редактирования коротких видео со звуком. Она принимает текст, изображения и видео, умеет продолжать сцену, строить переход между первой и последней картинкой и выдавать ролики от 3 до 10 секунд в 360p, 720p, 1080p или 4K при 24 кадрах в секунду. Сильная сторона Omni — итерации: можно попросить поменять фон, свет, персонажа или движение камеры, сохранив остальную сцену. Для длинного монтажа и точного редактирования речи ограничения пока существенны.

Что умеет Gemini Omni 1.1 Flash

В Gemini API модель вызывается по идентификатору gemini-omni-1.1-flash. Версия стала общедоступной 27 августа 2026 года и заменила preview-модель, отключение которой назначено на 30 сентября 2026 года.

Параметр	Возможность
Вход API	текст, изображения, видео до 10 секунд для загрузки и редактирования
Выход	MP4-видео со сгенерированным звуком
Длительность результата	3–10 секунд
Формат кадра	16:9 или 9:16
Частота	24 кадра/с
Разрешения	360p, 720p по умолчанию, 1080p и 4K через апскейлинг
Интерфейс	Interactions API, Python/JavaScript SDK или REST

Текстовый запрос может описывать сцену, освещение, движение камеры, реплики, музыку и события по времени. Изображение служит первым кадром, ориентиром внешности, предмета или стиля. Видео можно загрузить для трансформации: например, заменить фон, освещение или объект, перенести движение на другого персонажа. Результат каждого запроса — новый ролик, поэтому исходник следует хранить отдельно.

Разговорное редактирование и референсы

Interactions API связывает шаги через previous_interaction_id. На втором ходе достаточно написать «сделай скрипку невидимой» или «поменяй камеру на вид из-за плеча»: модель использует состояние предыдущей генерации. Чтобы продолжить такой процесс, запрос должен храниться на стороне Google; режим store=false ускоряет одиночную генерацию, но лишает следующий ход этого состояния.

В одном запросе можно задать несколько изображений и пометить их ролями: первый кадр, последний кадр или референс. Для видео-референсов API принимает до трёх клипов продолжительностью до трёх секунд каждый, однако их звук игнорируется. Отдельный аудиофайл загрузить как референс пока нельзя, хотя сама модель мультимодальна и итоговое видео создаётся со звуковой дорожкой.

Интерполяция и продление сцены

Интерполяция строит плавный ролик между двумя заданными изображениями. Она подходит для управляемого движения камеры, превращений и переходов, но промежуточная траектория остаётся генеративной: её нужно проверять покадрово.

Продление добавляет 3–10 секунд в конец. Omni анализирует последние 10 секунд, может слегка изменить финальные кадры исходника ради незаметной склейки и позволяет довести цепочку до 40 секунд. Загруженный файл должен быть не длиннее 10 секунд; вставка в середину и добавление начала не поддерживаются. В многошаговой генерации можно продолжать речь персонажа, а у загруженного ролика с говорящим человеком добавить новую реплику нельзя.

API и стоимость

Первый прототип удобно собрать в Google AI Studio, затем перенести тот же ID в приложение. Бесплатного уровня для Omni 1.1 Flash нет. Платный тариф считает ввод и вывод в токенах, но для видео понятнее пересчитать цену в секунды.

Выход	Токенов за секунду	Цена за секунду	Цена 10 секунд
360p	1 931	около $0,034	около $0,338
720p	5 792	около $0,101	около $1,014
1080p, апскейлинг	8 688	около $0,152	около $1,520
4K, апскейлинг	17 376	около $0,304	около $3,041

Расчёт использует ставку $17,50 за миллион выходных видеотокенов; звук включён. Ввод стоит $1,50 за миллион токенов. Google начисляет 1 120 токенов за изображение, 32 за секунду аудио и 5 792 за секунду входного видео. Это примерно $0,00168 за картинку и $0,00869 за секунду видео. Тарифная единица аудио не отменяет ограничение API на загрузку аудиореференсов.

Для черновиков разумно использовать 360p, отбраковывать композицию и движение, затем повторять удачный вариант в 720p. 1080p и 4K создаются апскейлингом, поэтому большее разрешение не исправит неверную анатомию, текст или логику движения.

Практические рабочие процессы

• Рекламные варианты. Создать вертикальные 360p-черновики, выбрать сцены по удержанию и брендовым требованиям, финальные клипы вывести в 720p или выше.
• Локальное изменение видео. Загрузить короткий исходник, сформулировать одно изменение и добавить указание сохранить всё остальное. Несколько небольших ходов обычно управляемее одного перегруженного запроса.
• Анимация продукта или иллюстрации. Передать качественное изображение, отдельно описать движение объекта, камеры и среды, затем проверить форму логотипа и надписи.
• Сюжет до 40 секунд. Генерировать десятисекундные фрагменты и продлевать сцену, сохраняя персонажей, звук и направление действия. Монтажные точки и запасные дубли всё равно нужны.

Что показывают официальные оценки

Страница DeepMind публикует Elo по парным оценкам людей. В графиках модель названа Gemini Omni Flash без отдельного указания версии 1.1, поэтому числа характеризуют семейство и не доказывают прирост стабильного релиза над preview.

Задача	Gemini Omni Flash	Лучший соперник в графике
Редактирование: общая предпочтительность	1087	HappyHorse — 1044
Редактирование: следование инструкции	1082	HappyHorse — 1036
Text-to-video: общая предпочтительность	1113	Seedance 2.0 — 1070
Text-to-video: следование инструкции	1108	Seedance 2.0 — 1051
Быстрое движение	1050	Seedance 2.0 — 1112
Image-to-video	1057	Grok-Imagine-Video — 1054
Reference-to-video: речь	1028	Seedance 2.0 — 972
Reference-to-video: соответствие референсу	962	Seedance 2.0 — 1038

Редактирование оценивали на 504 внутренних примерах, text-to-video — на 1 003 запросах MovieGenBench, быстрое движение — на 500 промптах, image-to-video — на 355 парах VBench I2V, reference-to-video — на 468 мультимодальных примерах. Люди сравнивали по одному ролику от каждой модели. Доверительные интервалы не опубликованы; близкие 1057, 1054 и 1053 DeepMind описывает как ничью. Итог практичный: Omni силён в редактировании и речи, но Seedance лидирует на быстром движении и точности референса.

Ограничения и безопасность

Сложное движение, неизменность персонажа после многих правок и безошибочный текст всё ещё проблемны. Полностью проверен только английский; качество других языков может меняться. API не принимает YouTube как источник, не поддерживает system instructions, temperature, top_p, stop sequences, negative prompt и provisioned throughput. Редактирование загруженных видео недоступно в Европейской экономической зоне, Швейцарии и Великобритании; существуют дополнительные ограничения для изображений несовершеннолетних и узнаваемых людей.

Вход и результат проходят фильтры безопасности. Все созданные через API ролики получают невидимый SynthID. На потребительских поверхностях Google также указывает C2PA Content Credentials. Возможность менять речь людей ограничена; SynthID помогает установить происхождение, но не заменяет согласие человека, проверку прав на исходники и редакционный контроль.

Когда выбирать Omni, а когда Veo

Omni 1.1 Flash подходит, если важны редактирование своими словами, несколько референсов, преобразование загруженного клипа и последовательные правки. Veo 3.1 Fast стоит сравнить для генерации и длинного продолжения роликов Veo: он добавляет по 7 секунд до 20 раз и достигает 148 секунд, но Developer API оставляет его в preview. Цена Veo Fast близка: $0,10/с за 720p, $0,12 за 1080p и $0,30 за 4K. Veo 3.1 Standard Google позиционирует для максимальной кинематографичности и сложной камеры; он дороже — $0,40/с за 720p/1080p и $0,60 за 4K.

Если нужен диалоговый монтаж короткого исходника, начните с Omni. Если нужен длинный полностью сгенерированный эпизод, сравните его с Veo. Финальный выбор делайте на собственных сценах: считайте стоимость принятого дубля, число перегенераций, стабильность героя, синхронизацию речи и ручное время монтажа. Пользовательскую версию можно сначала оценить через Google Gemini, но доступные функции, лимиты и качество могут отличаться от API.

Частые вопросы

Gemini Omni 1.1 Flash генерирует звук?

Да. Ролик создаётся со звуковой дорожкой; в промпте можно описать музыку, эффекты, речь и время события.

Можно ли загрузить отдельную музыку как референс?

Нет, текущий Gemini API не поддерживает загрузку аудиореференса. Звук внутри короткого видеореференса также игнорируется.

4K генерируется нативно?

Нет. 1080p и 4K помечены как апскейлинг. Они повышают разрешение готового результата, но не устраняют содержательные дефекты.

Можно ли отредактировать минутное видео?

Нет. Загружаемый исходник для редактирования или продления ограничен 10 секундами. Многошаговое продление созданного Omni ролика достигает 40 секунд.

Сколько стоит десятисекундный ролик?

Примерно $0,34 в 360p, $1,01 в 720p, $1,52 в 1080p и $3,04 в 4K без учёта входа и неудачных повторов.

Поддерживает ли API вертикальное видео?

Да. Можно выбрать 9:16; по умолчанию используется 16:9.

Можно ли убрать SynthID?

Документация указывает, что все сгенерированные видео содержат невидимый SynthID. Отключаемый параметр не описан.

Источники

• Gemini Omni Flash в Gemini API
• Руководство по генерации и редактированию видео
• Тарифы Gemini Developer API
• Тарифные единицы Gemini Omni в Google Cloud
• Оценки и возможности Gemini Omni
• Model Card Gemini Omni Flash
• Анонс Gemini Omni 1.1 Flash
• Генерация видео с Veo 3.1