Używamy plików cookie. Pliki cookie i pamięć przeglądarki pozwalają utrzymać logowanie i zapamiętać Twoje preferencje. Za Twoją zgodą mierzymy też, jak korzystasz ze strony. W każdej chwili możesz . Zobacz naszą politykę cookie.
google/gemini-omni-1.2-flashKorzysta z Twojego salda według powyższych cen. Nowe konta zaczynają z darmowym użyciem.
Ustawienia
Gemini Omni 1.2 Flash to natywny model multimodalny od Google, pozycjonowany jako następca Gemini Omni 1.1 Flash. Należy do kategorii wideo, obsługując jednocześnie tekst, więc jest zbudowany do pracy łączącej rozumienie języka z generowaniem i edycją wideo, a nie tylko do tekstu.
Model przyjmuje tekst, obrazy i wideo jako dane wejściowe, a jako dane wyjściowe może zwracać tekst lub wideo. Jego okno kontekstowe wynosi 131 072 tokeny, a maksymalna wielkość danych wyjściowych to 65 536 tokenów. Po stronie wideo obsługuje rozdzielczości 360p, 720p, 1080p i 4K, proporcje obrazu 16:9 i 9:16 oraz długości klipów od 3 do 15 sekund. Możesz podać pierwszą klatkę, ostatnią klatkę lub obie, a generowanie dźwięku jest dostępne. Parametry sterowania rozumowaniem są częścią zestawu parametrów, co oznacza, że model może ujawnić swój proces rozumowania, gdy o to poprosisz.
Te możliwości wskazują na dość konkretny zestaw zadań. Ponieważ przyjmuje wideo jako dane wejściowe, a także je tworzy, nadaje się do pracy związanej z edycją i transformacją: zmiany stylu istniejącego materiału, wydłużania lub dostosowywania klipu albo regenerowania fragmentów przy zachowaniu spójności otaczającego materiału. Dane wejściowe pierwszej i ostatniej klatki czynią go przydatnym do kontrolowanych przejść oraz dopasowywania ujęcia do zaplanowanego początku i końca. Dwie proporcje obrazu obejmują zarówno dostarczanie poziome, jak i formaty pionowe, a zakres rozdzielczości pozwala szybko iterować przy niższych rozdzielczościach przed wyrenderowaniem finalnej wersji w 1080p lub 4K. Generowanie dźwięku oznacza, że możesz stworzyć kompletny krótki klip bez osobnego etapu dźwiękowego. Wprowadzanie tekstu wraz z wyjściem wideo pasuje również do pracy nad storyboardem lub konceptem opartym na promptach, gdzie opisujesz scenę i otrzymujesz krótki klip.
Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "google/gemini-omni-1.2-flash". Obsługiwane parametry żądania to include_reasoning, max_tokens, reasoning, reasoning_effort, seed, temperature i top_p. Parametr seed warto stosować, gdy chcesz uzyskać powtarzalne wyniki między uruchomieniami, a temperature i top_p dają kontrolę nad tym, jak dużą zmienność uzyskasz między generacjami. Parametry rozumowania pozwalają zdecydować, czy rozumowanie jest ujawniane i ile wysiłku się na nie przeznacza.
Pamiętaj o górnym limicie danych wyjściowych: 65 536 tokenów to maksymalna wielkość danych wyjściowych, a klipy są ograniczone do 15 sekund, więc dłuższe sekwencje trzeba budować z wielu generacji. Jeśli twoje zadanie polega wyłącznie na generowaniu tekstu bez komponentu wideo, model skupiony na tekście będzie prawdopodobnie prostszym wyborem. W przypadku pracy łączącej język z krótkim generowaniem lub edycją wideo ten model obejmuje pełną ścieżkę od promptu do gotowego klipu.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
// Video generation is asynchronous: submit, then poll until completed.
let job = await client.post("/videos", { body: {
"model": "google/gemini-omni-1.2-flash",
"prompt": "A drone shot over turquoise ocean waves at sunrise",
"duration": 8,
"resolution": "720p",
"aspect_ratio": "16:9"
} });
while (!["completed", "failed"].includes(job.status)) {
await new Promise((r) => setTimeout(r, 5000));
job = await client.get(`/videos/${job.id}`);
}
console.log(job.status, job.unsigned_urls);
include_reasoningmax_tokensreasoningreasoning_effortseedtemperaturetop_pTa społeczność nie ma jeszcze wątków. Załóż pierwszy wątek o Google: Gemini Omni 1.2 Flash.