Gemini Omni Flash テキストから動画生成 API

google/gemini-omni-flash/text-to-video

Gemini Omni Flash Text to Video は、テキストのプロンプトから音声同期付きの短い AI 動画を生成し、映像生成と音声出力を組み合わせて高速なマルチモーダル動画作成を実現します。すぐに使える REST 推論 API で、高性能、コールドスタートなし、手頃な価格です。

サンプル

パラメータ

名前既定制約説明
prompt *プロンプトtextarea≤ 5000 chars生成する動画の内容を説明するテキストプロンプト。
aspect_ratioアスペクト比select16:916:9 | 9:16生成される動画のアスペクト比。
duration長さselect83 | 4 | 5 | 6 | 7 | 8 | 9 | 10生成される動画の長さ(秒)。

API

統一 REST API でこのモデルを呼び出せます。API Keys ページでキーを取得してください。

cURL
# 1) Submit — returns { "task_uuid": "..." }
curl -X POST "https://www.namifusion.com/api/v1/marketplace/run/google/gemini-omni-flash/text-to-video" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "input": {
    "prompt": "A cinematic portrait, dramatic rim light, shallow depth of field",
    "aspect_ratio": "16:9",
    "duration": 8
  }
}'

# 2) Poll until status is "completed", then read the output URLs
curl "https://www.namifusion.com/api/v1/marketplace/run/tasks/TASK_UUID" \
  -H "Authorization: Bearer YOUR_API_KEY"
Python
import time, requests

API_KEY = "YOUR_API_KEY"
HEADERS = {"Authorization": f"Bearer {API_KEY}"}

# 1) Submit
resp = requests.post(
    "https://www.namifusion.com/api/v1/marketplace/run/google/gemini-omni-flash/text-to-video",
    headers=HEADERS,
    json={
        "input": {
            "prompt": "A cinematic portrait, dramatic rim light, shallow depth of field",
            "aspect_ratio": "16:9",
            "duration": 8
        }
    },
)
resp.raise_for_status()  # 401/402/429/5xx stop here instead of polling a bad task
task = resp.json()

# 2) Poll until a terminal state (completed / failed / cancelled).
#    This model is allowed up to 300s server-side.
deadline = time.time() + 360
while task.get("status") not in ("completed", "failed", "cancelled"):
    if time.time() > deadline:
        raise TimeoutError(f"still {task.get('status')} — keep the task_uuid and poll later")
    time.sleep(3)
    poll = requests.get(f"https://www.namifusion.com/api/v1/marketplace/run/tasks/{task['task_uuid']}", headers=HEADERS)
    poll.raise_for_status()
    task = poll.json()

print(task["status"], task.get("output"))
JavaScript
const API_KEY = "YOUR_API_KEY";
const HEADERS = { Authorization: `Bearer ${API_KEY}` };

// 1) Submit
const resp = await fetch("https://www.namifusion.com/api/v1/marketplace/run/google/gemini-omni-flash/text-to-video", {
  method: "POST",
  headers: { ...HEADERS, "Content-Type": "application/json" },
  body: JSON.stringify({
    "input": {
      "prompt": "A cinematic portrait, dramatic rim light, shallow depth of field",
      "aspect_ratio": "16:9",
      "duration": 8
    }
  }),
});
if (!resp.ok) throw new Error(`submit failed: ${resp.status} ${await resp.text()}`);
let task = await resp.json();

// 2) Poll until a terminal state (completed / failed / cancelled).
//    This model is allowed up to 300s server-side.
const deadline = Date.now() + 360 * 1000;
while (!["completed", "failed", "cancelled"].includes(task.status)) {
  if (Date.now() > deadline) throw new Error(`still ${task.status} — keep the task_uuid and poll later`);
  await new Promise((r) => setTimeout(r, 3000));
  const poll = await fetch(`https://www.namifusion.com/api/v1/marketplace/run/tasks/${task.task_uuid}`, { headers: HEADERS });
  if (!poll.ok) throw new Error(`poll failed: ${poll.status}`);
  task = await poll.json();
}

console.log(task.status, task.output);

ドキュメント

Gemini Omni Flash Text to Video API

同期音声付きの短尺動画を高速生成。コールドスタートなしで、効率的なマルチモーダル制作を実現します。

Gemini Omni Flash Text to Video は、自然言語のプロンプトから同期音声付きの短尺 AI 動画を生成できるマルチモーダルモデルです。高速な生成性能、安定した運用性、そして明確な秒課金により、短尺動画の試作、量産、クリエイティブ検証に適した選択肢です。

🚀 主な特長

  • テキストから動画を生成:プロンプトだけで短尺動画を生成でき、素材準備なしで素早く制作を開始できます。
  • 同期音声生成:映像とあわせて音声も生成できるため、より完成度の高いマルチモーダル出力が可能です。
  • コールドスタートなし:応答性が重視される本番環境や高頻度利用のワークロードに適しています。
  • シンプルなアスペクト比制御16:9 の横向きと 9:16 の縦向きに対応し、配信先に応じて使い分けられます。
  • 短尺動画に最適化3〜10 秒 の動画生成に対応し、アイデア検証や反復制作を効率化します。
  • 優れたコスト効率:秒単位の明確な価格体系により、試作から運用までコスト管理がしやすくなっています。

🛠️ 技術仕様

項目内容
モデル名Gemini Omni Flash Text to Video API
モデル IDgoogle/gemini-omni-flash/text-to-video
モデルアーキテクチャ同期音声生成に対応したマルチモーダルなテキストから動画へのモデル
入力形式テキストプロンプト
出力形式動画 + 音声
プロンプトシーン、被写体、動き、カメラ挙動、テンポ、音声演出を記述
アスペクト比16:9(デフォルト)、9:16
長さ3〜10 秒(デフォルト:8
解像度非公開。横向き・縦向きの短尺動画用途向けに最適化
フレームレート非公開
レイテンシ非公開。高速生成かつコールドスタートなしを重視
出力方法標準的な動画出力
主な用途短尺動画生成、音と映像を組み合わせたシーン制作、クリエイティブ試作

サンプルプロンプト

  1. A cinematic sunset beach scene with gentle waves, a woman walking along the shoreline, slow camera pan, calm pacing, soft ambient ocean sounds and distant seagulls.
  2. A vertical street-food video at night in Tokyo, steam rising from fresh ramen, handheld camera movement, energetic pacing, lively city ambience and cooking sounds.
  3. A futuristic sports car driving through a neon-lit city, dynamic tracking shot, fast pacing, dramatic engine sound and electronic background music.

💰 価格

モード価格
基本料金$0.13 / 秒
3 秒動画$0.39
5 秒動画$0.65
8 秒動画$1.04
10 秒動画$1.30

💡 最適なユースケース

  • ソーシャルメディア向けコンテンツ:縦向き・横向きの短尺動画を素早く生成し、短尺配信チャネルに展開できます。
  • クリエイティブ試作:シーン構成、テンポ、カメラモーション、音声演出を本制作前に検証できます。
  • 広告・EC コンテンツ:商品訴求動画、ティザー、キャンペーン用の短尺素材を効率よく制作できます。
  • 音と映像を重視する演出:雰囲気、環境音、動きの一体感が重要な映像表現に適しています。

🔗 関連モデル

  • Google Gemini Omni Flash Reference To Video:参照入力やビジュアルガイドをもとに動画を生成したいワークフローに適しています。
  • Google Gemini Omni Flash Video Edit:既存動画の編集や調整、改善を行う用途に適しています。

関連モデル

xAI Grok Imagine Video v1.5 テキストから動画生成
Text to VideoX Ai

xAI Grok Imagine Video v1.5 テキストから動画生成

テキストプロンプトから1-15秒の動画を生成します。480p、720p、1080pに対応しています。

$0.840 / 1 回
MiniMax H3 テキストから動画生成
Text to VideoMinimax

MiniMax H3 テキストから動画生成

MiniMax H3 テキストから動画生成は、プロンプトから一貫性のある 2K 動画を生成できます。4〜15秒の柔軟な長さと、6種類のアスペクト比に対応し、シネマティックなシーン、クリエイティブ動画、制作ワークフローに適しています。すぐに使える REST 推論 API を提供し、高性能・コールドスタートなし・手頃な価格で利用できます。

$0.650 / 1 回
Kling Omni Video O3 標準版テキストから動画生成
Text to VideoKling

Kling Omni Video O3 標準版テキストから動画生成

Kling Omni Video O3 は、MVL(マルチモーダルビジュアルランゲージ)技術を採用したKuaishouの高度な統合型マルチモーダル動画モデルです。テキストから動画生成モードでは、プロンプトを基に主体の一貫性、自然な物理シミュレーション、正確な意味理解を備えた映画品質の動画を生成します。音声生成にも対応。すぐに使えるREST API、最高のパフォーマンス、冷スタートなし、手頃な価格。

$0.420 / 1 回
Kling Omni Video O1 テキストから動画生成
Text to VideoKling

Kling Omni Video O1 テキストから動画生成

Kling Omni Video O1 は、MVL(マルチモーダルビジュアルランゲージ)技術を採用したKuaishou初の統合型マルチモーダル動画モデルです。テキストから動画生成モードでは、プロンプトに基づいて映画品質の動画を生成し、主体の一貫性、自然な物理シミュレーション、正確な意味理解を実現します。すぐに使えるREST API、最高のパフォーマンス、コールドスタートなし、手頃な価格。

$0.420 / 1 回
Kling 3.0 標準版
Text to VideoKling

Kling 3.0 標準版

Kling 3.0 標準版は、高品質なテキストから動画生成を提供します。滑らかな動き、映画のような映像、正確なプロンプトの適合性、そして共有可能なクリップ用のネイティブ音声を備えています。即時利用可能な REST 推論 API、最高のパフォーマンス、コールドスタートなし、手頃な価格。

$0.420 / 1 回
Kling V2.6 テキストから動画生成 API
Text to VideoKling

Kling V2.6 テキストから動画生成 API

Kling 2.6 は、滑らかなモーション、映画のようなビジュアル、強力なプロンプト適合性、そしてネイティブオーディオを備えた、トップクラスのテキストから動画生成を提供します。共有可能なクリップを即座に生成可能。すぐに使用できる REST 推論 API、最高のパフォーマンス、コールドスタートなし、手頃な価格。

$0.210 / 1 回
Seedance 2.0 Mini テキストから動画生成
Text to VideoDoubao

Seedance 2.0 Mini テキストから動画生成

Seedance 2.0 Mini Text to Video は、ByteDance による高速かつ低コストなテキストから動画生成モデルで、シネマティックなマルチショット動画に適しています。テキストのプロンプトから物語性のあるシーケンスを生成し、AI カメラ制御、シーン間で一貫したキャラクター、480P / 720P / 1080P / 4K 出力、4〜15 秒の長さ、柔軟なアスペクト比に対応しています。すぐに使える REST 推論 API を提供し、高性能、コールドスタートなし、手頃な価格が特長です。

$0.380 / 1 回
Seedance 2.5 テキストから動画生成
Text to VideoDoubao

Seedance 2.5 テキストから動画生成

Seedance 2.5 は次世代の高品質動画生成モデルであり、テキストから動画生成、複数のアスペクト比、480p/720p/1080p 解像度、AI 同期音声生成に対応し、指示追従性・カメラ制御・モーション品質が向上しています。

$1.16 / 1 回