Gemini Omni API
Gemini Omni 多模态视频模型，支持文生、图生、参考生成和视频编辑。
Gemini Omni とは
Gemini Omni は Google が I/O 2026 で発表したマルチモーダル動画モデルファミリー（上流の EvoLink ドキュメントの伝えによるもので、Omni Flash は短編・マルチ入力・対話的編集向けのルートです。Roko では統一非同期動画タスク API で利用でき、テキストからの動画生成・画像からの動画生成・参照素材生成・動画編集の 4 ルートが gemini-omni-flash-* サブモデルに対応します。
秒単位課金の Veo とは異なり、Gemini Omni はトークン課金です。入力 $1.43/百万、動画出力 $16.50/百万、その他出力 $8.47/百万。実際の費用はタスクが返す usage に依存するため、固定単価での事前見積もりはできず、量産前に小バッチで使用量を把握する必要があります。
現在の出力は 720p、長さは 3〜10 秒または auto（auto はモデル判断、予約は 10 秒換算）、比率は 16:9・9:16・auto、音声は必ず生成されます。このモデルの work flow 上の特徴は「対話的編集」です。video-edit ルートは 10 秒以内の MP4 を 1 本受け取り、自然言語の指示で映像を書き換えます。
モデル料金
現在の本番料金設定と、各生成ルートで実際に対応する課金単位を表示します。
| 生成ルート | 料金 | 課金ルール |
|---|---|---|
| Gemini Omni | 実際のタスク条件と料金ページで算出 | 输入 token $1.43/M；视频输出 token $16.50/M；其他输出 token $8.47/M |
費用見積もり例
トークン課金には固定単価がありません。以下は計算方法の説明であり、仮定の使用量は実測ではありません。実際はタスクの usage と料金ページに従います。
入力 token/1M × $1.43 + 動画出力 token/1M × $16.50 + その他出力 token/1M × $8.47
3 項はそれぞれ入力・動画フレーム token・その他出力（テキストなど）に対応し、タスク終端状態で正確に照合できます。
入力 2,000 + 動画出力 60,000 + その他出力 500 と仮定 → 0.0029 + 0.99 + 0.0042 ≈ $1.00
仮定値は計算方法の説明です。使用量は長さや画面の複雑さで変わるため、小規模な実測で把握してください。
モデル情報
プロバイダー資料で確認でき、本サービスで実装済みのモデル、機能、制限のみを掲載しています。
gemini-omni-flash-text-to-video
- 制限
- —
- 生成時間
- 3–10s / 自動
gemini-omni-flash-image-to-video
- 制限
- 画像 1
- 生成時間
- 3–10s / 自動
gemini-omni-flash-reference-to-video
- 制限
- 画像 1–8
- 生成時間
- 3–10s / 自動
gemini-omni-flash-video-edit
- 制限
- 動画 1
- 生成時間
- 3–10s / 自動
主な機能
4 ルートを 1 つのタスク API で
text-to-video、image-to-video（画像 1 枚）、reference-to-video（画像 1〜8 枚）、video-edit（10 秒以内の動画 1 本）が同じ非同期インターフェースとタスクライフサイクルを共有し、model パラメータの変更だけでルートを切り替えられます。
対話的な動画編集
「夕方の光に変更して」のように自然言語で意図を述べると、video-edit ルートが被写体とシーンを保ちつつ映像を書き換えます。同一性と動きの連続性が保たれるかは、自分の素材で検証が必要です。
ネイティブ音声は常に生成
環境音・効果音・会話は同一推論で生成され、オフにするパラメータはありません。費用は動画出力とその他出力のトークンに計上されます。
コールバックとポーリング
送信時に callback_url（HTTPS）を渡すと終端状態で上流から通知され、渡さなければタスク状態をポーリングします。どちらも Roko のタスクライフサイクルと整合します。
主要パラメータ
構造化されたモデル設定から生成しています。未設定または未対応の項目は表示しません。
modelstringモデル ID
既定値:gemini-omni-flash-text-to-video / gemini-omni-flash-image-to-video / gemini-omni-flash-reference-to-video / gemini-omni-flash-video-editpromptstringGemini Omni 多模态视频模型，支持文生、图生、参考生成和视频编辑。
既定値:必須durationinteger出力動画の秒数
既定値:3–10s / 自動qualityenum現在の課金方式
既定値:720paspect_ratioenum生成機能
既定値:auto / 16:9 / 9:16image_urlsarray画像から動画: 1 · 参照素材から動画: 1–8
既定値:生成ルートごとvideo_urlsarray動画編集: 1
既定値:生成ルートごと機能と利用ガイド
主な特長
- テキストから動画 · gemini-omni-flash-text-to-video
- 画像から動画 · gemini-omni-flash-image-to-video
- 参照素材から動画 · gemini-omni-flash-reference-to-video
- 動画編集 · gemini-omni-flash-video-edit
- 720p 出力
- 3–10s / 自動 生成時間
- 音声生成に対応
- 音声素材または音声付き動画に対応
利用上の制限
- 画像から動画: 画像 1
- 参照素材から動画: 画像 1–8
- 動画編集: 動画 1
- 仕様の出典: https://evolink.ai/zh/gemini-omni
制限と注意点
- 現在の出力は 720p のみです。1080p/4K が必要なら Veo 3.1 や Gemini Omni 1.1 Flash など他のモデルを選んでください。
- トークン課金のため送信前の費用は正確に予測できません。auto は 10 秒で予約され、終端状態で精算されます。
- 音声は必ず生成され、オフにできません。無音が必要な場面は他のモデルを使ってください。
- negative prompt 専用パラメータはなく、除外条件は prompt 本文に書きます。
- 上流の出力リンクは 24 時間で失効します。特にタイムゾーンをまたぐバッチ処理では保存工程をパイプラインに組み込んでください。
- Google がこのファミリーを発表したという記述は上流 EvoLink ドキュメントの伝えであり、Google 公式ページの引用ではありません。
呼び出し手順
- POST /v1/videos/tasks に model=各ルートのサブモデル（gemini-omni-flash-text-to-video / image-to-video / reference-to-video / video-edit）、prompt、duration（3〜10 または auto）、aspect_ratio を添えて送信します。
- ルートに応じて素材を添付します。画像からの動画生成は image_urls 1 枚、参照生成は 1〜8 枚、動画編集は 10 秒以内の MP4 を video_urls で 1 本。
- GET /v1/tasks/{task_id} をポーリングするか callback_url の通知を受け、succeeded / failed の終端状態まで待ちます。
- 成功したら動画 URL を取得し、有効期限内に保存します。上流の出力リンクは 24 時間有効です。
- 失敗時は原因を確認します。このモデルに negative prompt 専用パラメータはなく、除外したい内容は prompt本文に書いて再送信します。送信成功は生成成功を意味しません。
典型的なユースケース
短編コンテンツの量産
入力：テーマのプロンプト + 9:16 縦型。操作：3〜10 秒または auto で一括送信。結果：音声付き 720p の短編動画。制限：解像度は 720p のみで、費用は usage をタスクごとに照合する必要があります。
既存素材の対話的リライト
入力：10 秒以内の MP4 + 編集指示。操作：video-edit ルート。結果：光や雰囲気、一部の要素が書き換わり被写体は維持。制限：再現度は素材次第のため、低コストで先に検証を。
マルチ素材のキャラクター/シーン合成
入力：キャラクター・小物・シーンの参照画像 1〜8 枚。操作：reference-to-video ルート。結果：複数素材を 1 つの連続したショットに融合。制限：8 枚が上限で、一貫性は素材の質に依存します。
他の動画モデルとの選び方
課金方式とワークフローの特徴による大まかな比較です。最終判断は各カタログと実測によります。
Gemini Omni vs Veo 3.1
既存動画の編集、マルチ素材の融合、対話的な書き換えには Gemini Omni。事前計算できる秒単価、1080p/4K、バッチ n には Veo 3.1。
Gemini Omni vs Gemini Omni 1.1 Flash
1.1 は video-extend ルート、360p〜4K の解像度、既定 5 秒が加わり、参照素材に動画も受け付けます。初代 Omni は 720p のみで延長ルートがありません。
vs 回ごと課金チャネル（Grok）
Grok チャネルの回ごと固定料金は予測可能ですが仕様は固定です。Gemini Omni は費用の変動と引き換えに編集とマルチ素材のワークフローを得られます。
よくある質問
Roko での Gemini Omni の呼び出し方は？
POST /v1/videos/tasks に model=ルートのサブモデル ID（例：gemini-omni-flash-text-to-video）を指定して送信し、タスクを終端状態までポーリングします。
Gemini Omni で 1 本生成するといくらですか？
トークン課金です。入力 $1.43/百万、動画出力 $16.50/百万、その他出力 $8.47/百万。費用はタスクの usage 次第で本数単位の見積もりはできず、小バッチでの把握を推奨します。
対応する長さ・解像度・比率は？
長さ 3〜10 秒または auto（10 秒で予約）、解像度 720p、比率 16:9・9:16・auto。Roko の現在のカタログによります。
Veo 3.1 との違いは？
Gemini Omni は対話的編集とマルチ入力が特徴でトークン課金、現在は 720p のみです。Veo 3.1 は秒単位の予測可能な課金で 4/6/8 秒・最高 4K に対応します。
動画編集ルートで使える素材は？
動画 1 本（上流ドキュメント基準で 10 秒以内の MP4）と自然言語の編集指示です。編集精度は自分の素材で検証してください。
生成リンクはどのくらい保存できますか？
上流の出力リンクは 24 時間有効です。タスク完了後すぐに自分のストレージへ保存してください。
音声をオフにしたりバッチ生成したりできますか？
できません。音声は必ず生成され、切替パラメータはありません。現在のカタログにバッチ n パラメータもなく、1 タスク 1 結果です。
失敗したタスクは課金されますか？
終端状態が基準です。失敗タスクはプラットフォームの規則に従って精算され、通常は成功結果分を請求しません。予約と実際の差額は自動的に調整されます。詳細は Roko の課金ドキュメントを確認してください。
ソースと検証範囲
ファミリーとワークフローの記述は上流 EvoLink 公開ドキュメント、利用可能なルート・パラメータ・料金は Roko の現在の本番カタログに基づきます。確認日：2026-10-08。
- EvoLink: Gemini Omni Flash API model page Upstream provider page: modes, token billing, FAQ
- EvoLink docs: gemini-omni-flash-text-to-video Upstream API manual: duration, aspect ratio, 24h link validity
- Roko API video task docs Async submit, task query, and billing lifecycle on Roko
- Roko API model catalog Current routes, prices, and generation config
同じファミリーのモデル
同じモデルファミリーで利用できる別バージョンを確認できます。
その他の動画モデル
統一された非同期動画タスク API で利用できるモデルを探せます。