重要なのは、Gemini Omni 1.2 Flashできれいな動画が作れるかどうかだけではありません。 実際に出荷する用途に、モデルのルート、入力仕様、出力品質、課金単位が合っているかが肝心です。Omni 1.2 Flashが注目されるのは、短尺動画とネイティブ音声を軸にしながら、生成、編集、延長、アップスケーリングを一つのモデルファミリーで扱えるためです。
情報確認日：2026年11月6日。 本ガイドでは、Googleの発表、Google CloudのGA発表、Google Cloudのモデルドキュメント、EvoLinkのモデルページ、およびSegmind、Kingy AI、Shatteredによる第三者記事を参照しています。モデルの事実関係はGoogleのドキュメントを一次情報として扱います。EvoLinkとSegmindが説明しているのは、それぞれ独自のルート、価格、テストです。いずれのページも、ToAPIsが現在このモデルを提供している証拠にはなりません。
1. Gemini Omni 1.2 Flashでできること
Google Cloudはgemini-omni-1.2-flashを、動画・画像・テキストのタスク向けに設計された一般提供中のマルチモーダルモデルとして掲載しています。ドキュメントの機能一覧には、テキストから動画、画像から動画、参照素材から動画、最初と最後のフレームを使った動画生成、動画編集、動画延長、動画アップスケーリングが含まれます。「thinking（思考）」も記載されていますが、このモデルではシステム指示、構造化出力、関数呼び出し、Gemini Live APIはサポート対象として挙げられていません。
モデルページでは、動画生成と編集の出力時間は3～15秒、最初と最後のフレームを指定する生成は3～10秒、延長で追加される時間は3～10秒とされています。対応アスペクト比は16:9と9:16、記載された出力解像度は360p、720p、1080p、4kです。入力動画の上限は操作によって異なり、編集とアップスケーリングでは最大15秒を受け付けます。一方、延長では独自仕様に基づき、より長い元動画の末尾を利用します。
| 機能 | 一次ドキュメントの説明 | 統合時に確認すること |
|---|---|---|
| テキストから動画 | プロンプトで動画を生成、3～15秒 | 選択したプロバイダーが公開している解像度・音声フィールドは何か？ |
| 画像または参照素材から動画 | 画像や動画を参照素材として使用。制限はルートごとに異なる | 画像の順序や参照名に意味があるか？ |
| 最初と最後のフレーム | 対応、出力は3～10秒 | 2枚目の画像は終了フレームか、別の参照素材か？ |
| 動画編集 | 最大15秒の元動画を編集 | 長さとアスペクト比は元動画に従うか？ |
| 動画延長 | 延長仕様に従って3～10秒を追加 | durationは追加分か、出力全体の長さか？ |
| 動画アップスケーリング | 対応する元解像度から最大4Kへ拡大 | 生成とは別に料金がかかるか？ |
Googleの発表資料は、前世代からの実用上の改善として、15秒クリップ、公開された720p料金の引き下げ、画像・動画参照への追従性向上、低解像度で下書きを生成してから1080pまたは4Kにアップスケールする手順、より自然な対話と明瞭なリップシンク、複数話者への対応を強調しています。また、最初からやり直さずに商品、照明、カメラアングルを変える会話形式の編集も説明しています。
これらは製品レベルの説明であり、すべてのプロバイダーが全ての制御項目を公開するという保証ではありません。プロバイダーによっては、一つのモデルファミリーを複数のslugに分けたり、一部機能を提供しなかったり、別の課金レイヤーを加えたりします。統合時の契約として扱うべきなのは、常に実際に使うルートのスキーマです。
公式機能一覧と第三者のルート説明を基に作成したオリジナル概念図です。実際のエンドポイントはプロバイダーごとに異なり、モデル出力ではありません。
2. 6つのルート、それぞれ異なる仕様
EvoLinkのページでは、非同期動画インターフェース上に、テキストから動画、画像から動画、参照素材から動画、動画編集、動画延長、動画アップスケーリングという6つのタスクルートが示されています。同ページのモデルIDはルート設計を考える際の参考になりますが、EvoLink独自のIDであり、ToAPIsのIDとして確認されたものではありません。
Segmindのレビューもルートごとに整理された別の見方を提供しており、公開時のテストでは同社のrefineルートを利用できなかったと明記しています。これは、魅力的な機能一覧を実際のスキーマ確認なしに製品フォームへ転記すべきでない理由を示す好例です。
| ルート | 一般的な入力 | 主に確認すべき境界条件 |
|---|---|---|
| テキストから動画 | プロンプト | 3～15秒。解像度、比率、音声、seedはプロバイダーごとに異なる可能性 |
| 画像から動画 | 最初の画像とプロンプト | 2枚目が終了フレームになる場合がある。最大時間を確認 |
| 参照素材から動画 | 参照画像または動画とプロンプト | 素材数、長さ、参照名のルールが異なる |
| 動画編集 | 元動画と、焦点を絞った変更1つ | 元動画の長さ、安全フィルター、出力が元動画の画角に従うか |
| 動画延長 | 既存動画と続きのプロンプト | 追加時間が全体の長さとは限らない |
| 動画アップスケーリング | 通常はプロンプトなしの既存動画 | 対応する元サイズ、出力段階、別料金の有無 |
ルート選択に応じて、バリデーション、ヘルプテキスト、コスト見積もりも一緒に切り替えるべきです。汎用のdurationフィールドに延長ルートの意味を持たせたまま、生成ルートでも黙って使い回してはいけません。また、image_urlsという名前のフィールドが、画像から動画と参照素材から動画のリクエストで同じ意味を持つと決めつけないでください。
Google CloudとGemini APIの制限を混同しない
Gemini APIガイドでは参照画像を最大6枚としていますが、Google Cloudのモデルページではプロンプトあたり最大10枚と記載しています。Gemini APIの動画参照にもリクエスト時間に応じた制限があります。11～15秒の長めの生成では短い参照動画を1本使えますが、3～10秒のジョブと同じ参照枠ではありません。これらは別々のプラットフォーム仕様であり、矛盾する数値として平均したり組み合わせたりするものではありません。
プラットフォームごとに別の契約です。Gemini APIの参照画像は最大6枚、Cloudではプロンプトあたり最大10枚です。上限を組み合わせず、ルートと時間を確認してください。
Gemini APIのドキュメントで説明されている統合方法はInteractions APIです。generate_content、OpenAIのChat Completions呼び出し、Veo専用のgenerate_videosメソッドではありません。以下は有料呼び出しを行うように調整した例で、ToAPIsへのリクエストではありません。現行のgoogle-genai SDK、利用資格のあるアカウント、ローカルで設定したキーが必要です。認証情報をプロンプトやブラウザバンドルに含めないでください。この記事の作成時には実行していません。
import base64
from pathlib import Path
from google import genai
client = genai.Client()
interaction = client.interactions.create(
model="gemini-omni-1.2-flash",
input=(
"A blue ceramic cup on a neutral table. "
"One continuous slow camera push-in. "
"Soft room ambience, no speech, no text."
),
response_format={
"type": "video",
"resolution": "360p",
"duration": "5s",
"aspect_ratio": "16:9",
},
)
Path("omni-draft.mp4").write_bytes(
base64.b64decode(interaction.output_video.data)
)
print("interaction ID:", interaction.id)
このAPIではdurationは"5s"のような文字列であり、ゲートウェイのフォームにある整数値をそのまま移すものではありません。生成設定はresponse_formatの中にあります。大きなファイルについては、ドキュメントにURIでの受け渡しと、ファイルの準備状態を確認する手順が記載されています。複数ターンの編集ではprevious_interaction_idを使います。store=falseにすると、その後のワークフローに必要な保存状態が削除されます。レイテンシ設定をそのままコピーせず、こうしたトレードオフを確認してください。
3. 解像度の戦略：まず下書き、必要なものだけ拡大
Gemini APIガイドでは、生成時の解像度として360pと720pを明示し、1080pと4Kはアップスケール後の出力として示しています。したがって、4Kで納品できることは、ネイティブの4K生成を意味しません。発表資料から読み取れる最も実用的な手順は、試作と納品を分けることです。プロンプトの調整や構図の確認には360pまたは720pを使います。クリップが受け入れ基準を満たしたら、高解像度で直接レンダリングするか、選んだ元動画を記載済みのアップスケールルートに送ります。
この戦略は高解像度生成の無駄を減らしますが、計測すべき処理がもう一つ増えます。アップスケーラーはディテールを加えられても、元の動きを変えたり、悪い構図を直したりするものではありません。誤ったラベル、不安定な顔、間違った物体の動きが4Kで正しくなる保証もありません。
ジョブの記録には、元解像度、出力解像度、ルート、長さ、トークン使用量を残してください。同じ元素材、クロップ、受け入れ基準を使って、ネイティブ高解像度出力とアップスケール出力を比較します。Segmindの第三者レビューでは、アップスケーリングによる有用なディテール向上が報告されていますが、すべてのネイティブ生成に代わる無料の手段ではなく、費用のかかるワークフロー上の工程として扱っています。
本番利用では、次の2段階のゲートを定義してください。
- クリエイティブのゲート：被写体の同一性、構図、動き、テキスト、対話、音が要件を満たす。
- 納品のゲート：寸法、長さ、コーデック、音声トラック、権利、ファイル保持が後工程の要件を満たす。
両方のゲートを通過したクリップだけを最終アセットライブラリに登録します。
Gemini APIガイドに基づく概念図です。高解像度出力はアップスケーリングであり、動き、文字、同一性の問題の修正を保証しません。
4. 指示どおりの動画を作るプロンプト
第三者テストは、普遍的なベンチマークとして扱うのではなく、確認すべき点を示してくれる場合に特に有用です。Segmindは、ラベル付きの解説動画、キネティック・タイポグラフィ、提供した最終フレームからのチャートアニメーション、スタイライズド・モーショングラフィックス、実写映像の一箇所だけを変える編集で良好な結果を報告しています。同じレビューでは、ゼロからの写実的な人物描写、数字だけをもとにしたデータプロット、複数段階の指示や一部のブランドロゴ編集では結果が弱かったとも述べています。
堅牢なOmni用プロンプトでは、次の要素を分けて記述します。
- 被写体と、画面に見えるその特徴
- シーン内で順番に起きる動き
- カメラワークと、固定しておくもの
- 正確な画面テキスト。引用符で分けて明記する
- 対話、音楽、効果音
- 最終状態。ルートが対応するなら、最後のフレーム入力で固定するのが望ましい
- 編集で変更する点を1つと、変更せず保つすべての要素
例：
Create a flat 2D motion-graphics explainer in 16:9.
Show the title 'HOW A PRODUCT VIDEO API WORKS' exactly as written.
First show one product photo, then three labelled route cards from left to right,
then connect the cards to one finished video frame.
Keep every label fixed after it appears. Use a locked-off camera.
Add a short, calm voiceover and a soft click for each route card.
End on the complete diagram. Do not add any other text or logos.
このブリーフは提案するテストであり、Omniで実測した出力ではありません。「映画のように」「バズる」といった形容詞より、受け入れ基準のほうが有用です。各ラベルが一致すること、順序が正しいこと、カメラが固定されていること、音声に指定した合図以外が含まれないことを確認します。
5. ネイティブ音声、参照素材、編集
公式ドキュメントは音声、音楽、効果音をサポート対象として挙げ、Googleの発表記事はより自然な対話、明瞭なリップシンク、複数話者の聞き分けを強調しています。Google Cloudの発表では、音声参照の利用に許可リスト登録が必要な点にも触れています。つまり、汎用の動画フォームにチェックボックスを足すだけではなく、音声機能と権限を個別に確認する必要があります。
参照素材との一貫性は、このモデルの主要なテーマの一つです。Googleは画像・動画参照への追従性向上を説明し、公式モデルページでは参照ベースの生成をサポートしています。ただし、参照に対応していることは、同一性を保証するものではありません。クリップ全体を通じて、顔、服装、製品の輪郭、目に見えるマーク、照明、動きを確認してください。
会話形式の編集も、必ずしも単一の汎用エンドポイントを意味するものではなく、ワークフロー上の概念です。発表資料では、同じクリップ内で商品、照明、カメラアングルを変更する例が説明されています。プロバイダーによっては、動画編集、interaction ID、前のタスクへの参照、あるいは別のリクエスト本文として実装される可能性があります。前提をデータベースに保存する前に、仕様を確認してください。
編集ごとに、次の内容を記録します。
- 元動画とその利用権
- 変更点を1つに絞った正確な指示
- 変更せずに保つ要素
- ルートとモデルID
- 返されたタスクIDまたはinteraction ID
- 音声と安全性レビューの結果
これにより、編集に失敗した場合は原因を診断でき、成功した場合もレビューに必要な再現性を確保しやすくなります。
6. トークン料金とToAPIsの見積もりは別物
Googleの発表資料では720p動画のベンダー価格が公開され、前モデルからの値下げが説明されています。EvoLinkのページでは、独自のトークンベース計算ツール、割引、ルート別価格が提示されています。Kingy AIはトークンの仮定から720pの秒単価を算出し、Shatteredは公開された秒単価を中心に発表を紹介しています。これらの数値は相互に置き換えられません。
2026年11月6日に確認したGemini API Standard料金表では、テキスト・画像・動画の入力トークンが100万トークンあたりUSD 1.50、思考を含むテキスト出力トークンが100万あたりUSD 9.00、動画出力トークンが100万あたりUSD 12.00とされています。このモデルには無料枠がありません。これらは当該プラットフォームのベンダー定価であり、ToAPIsの見積もりではありません。
同じ料金ページでは、720pの動画出力を1秒あたり5,792トークンとしています。したがって、15秒の720pクリップにおける動画出力分は、入力料金とテキスト／思考出力料金を含める前で、参考値として15 × 5,792 × 12 / 1,000,000 = USD 1.04256となります。この計算は、発表で丸めて示された約USD 0.07／秒という価格の背景を説明するもので、諸費用込みの固定料金を意味するものではありません。価格、トークン規則、ゲートウェイの上乗せ料金は変わる可能性があります。
本番のコストモデルでは、次の項目を特定してください。
| コスト要素 | 記録する内容 |
|---|---|
| ベンダーまたはゲートウェイ | 正確なプロバイダー、モデルID、日付 |
| 課金単位 | 秒、動画出力トークン、入力トークン、思考トークン、またはパッケージ |
| 解像度の倍率 | ネイティブ出力とアップスケール処理の違い |
| 入力メディア | 画像、元動画、それぞれの課金トークン規則 |
| 再試行と却下ポリシー | 安全性、バリデーション、通信の失敗が課金されるか |
| 受け入れ率 | 試行回数と納品チェックリストを通過したクリップ数の比 |
仮のトークン課金プランを示す場合、競合他社の見積もりを流用せず、式を明記してください。
raw generation cost = input tokens × input rate
+ video output tokens × video rate
+ thinking tokens × thinking rate
workflow cost = raw generation cost
+ accepted retries
+ storage, transfer and review time
cost per accepted clip = workflow cost / accepted clips
現行カタログまたは見積もりエンドポイントでモデル、SKU、単位、アカウント固有の料金が確認できるまで、ToAPIsの価格を公表しないでください。第三者が測定したレイテンシや費用が、別のゲートウェイにも当てはまると主張してはいけません。
2026年11月6日確認のベンダー料金の図示で、ToAPIsの見積もりではありません。例のUSD 1.04256は動画出力のみで、入力とテキスト・思考の出力は別料金です。
7. 本番利用の前に受け入れテスト一式を用意する
アプリケーションでこのモデルを有効にする前に、小規模で再現可能なテスト一式を実行してください。
- テキストから動画：順序のある動きと明示した音声合図を含む、ラベル付きの解説動画。
- 画像から動画：最初のフレームを製品画像とし、必須の最終状態を指定。
- 参照素材から動画：複数の視点で同一の被写体を描き、一貫性チェックリストを適用。
- 動画編集：演技を保ちながら、実写クリップの一箇所だけを変更。
- 動画延長：カメラの向きと音を自然に継続させるショット。
- アップスケーリング：受け入れ済みの同じ下書きを、ネイティブ高解像度レンダリングと比較。
各テストについて、モデルID、ルート、入力、プロンプト、対応している場合はseed、解像度、長さ、タスクID、待ち時間、処理時間、出力トークンまたは課金情報、音声の結果、受け入れ判定を記録してください。最良の例だけを選ぶのではなく、失敗も残してください。
第三者レビューは仮説として活用します。たとえばSegmindの20件のテストレビューは、強みと失敗の両方を挙げている点で参考になりますが、そこでの課金価格、レイテンシ、プロバイダーの挙動はSegmindの環境におけるものです。あらゆるGemini Omni 1.2 Flash統合を対象とする独立ベンチマークではありません。
8. 提供状況と統合チェックリスト
Googleの公式モデルIDはgemini-omni-1.2-flashですが、モデルIDが存在するだけでは、ゲートウェイで有効になっているとは限りません。ToAPIs経由で統合する前に、モデルカタログ、現在の料金、リクエストドキュメントを確認してください。正確なルート、アカウントの利用資格、リクエスト本文、非同期ステータスの扱い、結果の保持期間、課金ポリシーを確かめます。
ルートが見つからない場合や見積もりを取得できない場合は、機能を無効にするか、近日公開と表示してください。別のGeminiモデルを同じマーケティング名に黙って割り当ててはいけません。認証済みの呼び出しが成功し、返されたメディアをレビューしていない限り、実際に生成したと報告しないでください。
参照資料と更新方針
- Google：Gemini Omni 1.2 Flash、15秒動画と値下げ — 2026年11月5日の公式発表。
- Google Cloud：Gemini Omni 1.2 FlashがGAに — 一般提供、エンタープライズ向け情報、発表時の主張。
- Google Cloudモデルドキュメント — モデルID、機能、制限、リリース状況。
- Gemini API Omniガイド — Interactions API、プラットフォーム固有の参照素材、アップスケール解像度、編集状態。
- Gemini API料金 — Standardのトークン単価と動画トークン換算。ベンダー価格であり、ToAPIsの見積もりではありません。
- EvoLink Gemini Omni 1.2 Flash APIページ — ゲートウェイルート、計算ツール、プロバイダー固有の価格表示。
- Segmind：Gemini Omni 1.2 Flashをテスト — 第三者テスト、ルートについての所見、プロンプト設計、課金ワークフローの情報。
- Kingy AI：仕様、ベンチマーク、価格、提供状況 — 二次情報による仕様・価格の概要。1.2を対象とする独立ベンチマークではありません。
- Shattered：Gemini Omni 1.2 FlashのGA — 二次情報による発表・費用の概要。予測を事実として扱いません。
このガイドを更新する際は、変更した機能や価格ごとにプロバイダー、モデルID、参照URL、確認日を記録してください。ベンダー価格、ゲートウェイの見積もり、第三者テストは分けて扱います。本ガイドは、ToAPIsでの提供、認証済みの生成、普遍的なベンチマーク、または本番での結果を保証するものではありません。