# Gemini Omni 1.2 Flash API: Video erzeugen und im Gespräch bearbeiten

> Die Gemini Omni 1.2 Flash API erzeugt 3 bis 15 Sekunden Video mit Ton und bearbeitet denselben Clip direkt weiter. Offizielle Token-Preise und Limits.

- Canonical HTML: https://omniakey.com/de/blog/gemini-omni-1-2-flash-api
- Markdown: https://omniakey.com/de/blog/gemini-omni-1-2-flash-api.md
- Published: 2026-11-07 (updated 2026-11-07)
- Author: Kiki, COO at OmniaKey
- Language: de
- Category: API setup
- Reading time: 9 min
- All posts: https://omniakey.com/blog/llms.txt

---

Die Gemini Omni 1.2 Flash API ist seit dem 5. November 2026 allgemein verfügbar, und zwar in der kostenpflichtigen Stufe der Gemini API. Eine Anfrage liefert ein Video von 3 bis 15 Sekunden mit Ton, eine Folgeanfrage bearbeitet denselben Clip ohne erneuten Upload ([Googles Versionshinweise](https://ai.google.dev/gemini-api/docs/changelog) und [Omni-Leitfaden](https://ai.google.dev/gemini-api/docs/omni), geprüft am 6. November 2026).

- **Modell:** `gemini-omni-1.2-flash`, aufgerufen über `client.interactions.create` oder `POST /v1beta/interactions`.
- **Clip:** 3–15 Sekunden bei 24 fps, 16:9 oder 9:16, mit erzeugter Tonspur.
- **Bearbeitung:** Eine zweite Runde mit `previous_interaction_id` schreibt einen selbst erzeugten Clip um, Eingabe bis 15 Sekunden.
- **Preis:** rund $1.04 an Videotoken für einen 15-Sekunden-Clip in 720p, dazu Eingabe- und Texttoken.

## Was die Gemini Omni 1.2 Flash API unterstützt

Anfragen gehen an `POST https://generativelanguage.googleapis.com/v1beta/interactions`, im Body steht `"model": "gemini-omni-1.2-flash"`. Das ist die Interactions API, die Google seit ihrer Öffnung im Juni 2026 für neue Projekte empfiehlt ([Überblick zur Interactions API](https://ai.google.dev/gemini-api/docs/interactions-overview), geprüft am 6. November 2026). Die ältere generateContent-Schnittstelle bedient weiterhin andere Gemini-Modelle.

Das Modell liefert Video mit nativem Ton und auch Text ([Modellkarte](https://ai.google.dev/gemini-api/docs/models/gemini-omni-flash)). Die Ausgabe läuft mit 24 fps, 720p ist die Standardauflösung, 360p ist ebenfalls wählbar, 1080p und 4k entstehen durch Hochskalieren. Jeder Clip trägt ein unsichtbares SynthID-Wasserzeichen. Standard ist Querformat 16:9, Hochformat ergibt 9:16.

Zugang gibt es nur in der kostenpflichtigen Stufe. Googles Preistabelle zeigt für Eingabe und Ausgabe in der kostenlosen Stufe `Not available`, und die Seite zu den Ratenlimits nennt für Omni Flash in Stufe 1 acht Anfragen pro Minute und 40 pro Tag ([Preise](https://ai.google.dev/gemini-api/docs/pricing), [Ratenlimits](https://ai.google.dev/gemini-api/docs/rate-limits), geprüft am 6. November 2026).

Das Vorgängermodell `gemini-omni-1.1-flash` bleibt während einer vierwöchigen Übergangszeit nutzbar. Ab dem 3. Dezember 2026 beantwortet Version 1.2 die Anfragen an dieses Modell zu 1.2-Preisen, ohne Änderung am Code.

## Video über die Interactions API erzeugen

Im Python-SDK sind es drei Schritte: Client anlegen, Interaktion anlegen, das Base64-Video in eine Datei schreiben. Das Beispiel setzt die Dauer ausdrücklich und speichert die Interaktion, damit der Clip später bearbeitet werden kann. Nötig sind das Paket `google-genai` (`pip install -U google-genai`) und ein Gemini-API-Schlüssel in `GEMINI_API_KEY`; beide Runden gehen an Googles Endpoint, ein OmniaKey-Schlüssel funktioniert hier also nicht.

```python
# Setup: install google-genai and set GEMINI_API_KEY to your Google API key.
import base64
import os

from google import genai

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

# Turn 1: generate a 15-second landscape clip and keep it editable.
first = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input=(
        "One continuous tracking shot follows a paper airplane gliding "
        "through a busy library, dust in the sunlight."
    ),
    response_format={
        "type": "video",
        "duration": "15s",       # whole seconds from "3s" to "15s"; default "10s"
        "aspect_ratio": "16:9",  # or "9:16"
        "resolution": "720p",    # 720p is the default; 1080p and 4k are upscaled
    },
    store=True,
)

# Turn 2: edit that clip with a follow-up prompt, no re-upload.
edit = client.interactions.create(
    model="gemini-omni-1.2-flash",
    previous_interaction_id=first.id,
    input="Make the paper airplane bright red. Keep the camera move unchanged.",
)

with open("library_flight.mp4", "wb") as f:
    f.write(base64.b64decode(edit.output_video.data))
```

Die Dauer ist eine Zeichenkette mit ganzen Sekunden von 3 bis 15; fehlt das Feld, erzeugt das Modell 10 Sekunden. Die Auflösung ist ein weiterer Schlüssel im selben `response_format`-Objekt, neben dem Typ.

Das SDK liest die fertige Datei aus `output_video.data` als Base64; dieses Komfortfeld gibt es nur in den SDKs. Ein direkter REST-Aufruf liefert dieselben Bytes in `steps[]`, in einem Inhaltseintrag vom Typ Video. Für Clips über 4 MB ergänzen Sie `"delivery": "uri"` im `response_format` ([Omni-Leitfaden](https://ai.google.dev/gemini-api/docs/omni), geprüft am 6. November 2026); danach fragen Sie mit `client.files.get` ab, bis der Dateistatus ACTIVE ist, und laden sie mit `client.files.download` herunter.

Der Code ist an Googles Python-Beispiel angelehnt und hat eine Syntaxprüfung bestanden; gegen die API haben wir ihn nicht ausgeführt.

## Einen erzeugten Clip bearbeiten, ohne neu anzufangen

Übergeben Sie die id der ersten Interaktion als `previous_interaction_id` und beschreiben Sie die Änderung. Das Modell behält den Kontext des Clips, wendet die Bearbeitung an und liefert ein neues Video. Googles Bearbeitungsbeispiel sendet nur das Modell, diese id und den Prompt, also dieselben drei Felder wie in Runde zwei ([Omni-Leitfaden](https://ai.google.dev/gemini-api/docs/omni), geprüft am 6. November 2026).

> Behalten Sie 
>
> `store=True`
>
>  (die Vorgabe) in jeder Runde, die Sie später bearbeiten wollen. Mit 
>
> `store=false`
>
>  können spätere Runden den Clip nicht über 
>
> `previous_interaction_id`
>
>  fortsetzen.

Verlängern läuft genauso. Bitten Sie in normaler Sprache um eine Fortsetzung, dann hängt das Modell 3 bis 10 Sekunden an, standardmäßig 10, und nutzt die letzten 10 Sekunden des Eingabevideos als Kontext, insgesamt bis zu 30 Sekunden. Angehängt wird nur am Ende, eine Szene vor dem ersten Bild oder in der Mitte ist nicht möglich.

Für eigenes Material laden Sie einen Clip von höchstens 15 Sekunden über die Files API hoch und richten den Prompt darauf. Bearbeitung und Verlängerung hochgeladener Videos sind im Europäischen Wirtschaftsraum (EWR), in der Schweiz und im Vereinigten Königreich nicht verfügbar; vom Modell erzeugte Clips lassen sich dort bearbeiten. Die aktuelle Version unterstützt keine Sprachbearbeitung, keine Audioeingaben und keine Audioreferenzen, und Ton in einem Referenzvideo wird ignoriert.

## Grenzen für Dauer, Auflösung und Referenzen

Die Bereiche unterscheiden sich je nach Vorgang; die Tabelle folgt Googles Leitfaden ([Omni-Leitfaden](https://ai.google.dev/gemini-api/docs/omni), geprüft am 6. November 2026).

|Vorgang|Dauer|Details|
|-|-|-|
|Text oder Bild zu Video|3–15 s|10 s Standard|
|Erstes und letztes Bild|3–10 s|Zwei Einzelbilder|
|Clip bearbeiten|Eingabe ≤15 s|Hochgeladen oder erzeugt|
|Verlängern je Runde|+3–10 s|10 s Standard|
|Verlängert gesamt|30 s|Letzte 10 s als Kontext|

Für Referenzen gelten eigene Obergrenzen:

- Bis zu 6 Referenzbilder pro Anfrage, davon bis zu 3 Bilder je Figur für höchstens 2 Figuren.
- Ausgaben von 11–15 Sekunden nehmen 1 Referenzvideo von bis zu 3 Sekunden an; Ausgaben von 3–10 Sekunden bis zu 3 Referenzvideos von je bis zu 3 Sekunden.
- Referenzvideos gelten beim Erzeugen eines neuen Clips. Bearbeitung und Verlängerung nutzen Referenzbilder.
- YouTube-Links lassen sich nicht als Medieneingabe verwenden; laden Sie die Datei zuerst hoch.

## Was Googles offizielle Beispiele zeigen

Google hat zum [Start am 5. November 2026](https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/) neun Democlips veröffentlicht (geprüft am 6. November 2026). Wir haben zwei heruntergeladen und mit ffprobe geprüft: Beide sind 1920×1080 bei 24 fps mit einer AAC-Stereospur, und beide Dateien beginnen mit einer Titeltafel, sodass die Dateilänge länger ist als die Szene darin.

![Zwei Bilder aus Googles Castaway-Demo: Bei Sekunde 6 kniet ein Mann im flachen Wasser, bei Sekunde 12 zeigt eine erhöhte Totale die Küste](https://omniakey.com/_img/blog/gemini-omni-1-2-flash-api/official-castaway-sequence.dbe2c3e5.2400.webp)

_Bilder bei Sekunde 6 und 12 aus Googles offizieller Castaway-Demo mit schnellem Zoom._

Das Paar zeigt, wie weit ein einzelner Clip im Bildausschnitt reisen kann. Bei Sekunde 6 kniet ein Mann im flachen Wasser und stützt eine Hand auf Treibholz; bei Sekunde 12 steht die Kamera hoch über der Küste, die Person ist klein nahe der Wasserlinie, links liegen palmenbewachsene Hügel, rechts offenes Meer.

![Bild aus Googles Pantheon-Demo bei Sekunde 12: ein rundes Oculus, konzentrische quadratische Kassetten und ein Lichtfleck in der Kuppel](https://omniakey.com/_img/blog/gemini-omni-1-2-flash-api/official-pantheon.1d1094e7.1600.webp)

_Bild bei Sekunde 12 aus Googles offizieller Pantheon-Tour._

Das Pantheon-Bild bei Sekunde 12 zeigt das Innere: das runde Oculus, die konzentrischen quadratischen Kassetten darum und einen Lichtfleck im Raum. Googles Beschreibung nennt einen durchgehenden Drohnenflug, gelenkt von zwei Architekturfotos; bei Sekunde 6 ist dieselbe Aufnahme noch draußen zwischen den Säulen.

## Offizielle Preise: einen Clip richtig kalkulieren

Google berechnet $1.50 pro Million Eingabetoken für Text, Bilder und Video, $9.00 pro Million Text-Ausgabetoken und $12.00 pro Million Video-Ausgabetoken, nur in der kostenpflichtigen Stufe ([Preisseite](https://ai.google.dev/gemini-api/docs/pricing), geprüft am 6. November 2026). Video wird nach Ausgabetoken abgerechnet, und 720p-Ausgabe nutzt 5,792 Token pro Sekunde.

|Ausgabe|Token/s|Ca. USD/s|
|-|-|-|
|360p|1,931|$0.023|
|720p|5,792|$0.07|
|1080p hochskaliert|8,688|$0.104|
|4k hochskaliert|17,376|$0.209|

Ein 15-Sekunden-Clip in 720p kostet an Videotoken 15 × 5,792 × $12.00 / 1,000,000 = $1.04256, also rund $1.04, bevor Eingabe- und Texttoken dazukommen. Runden Sie erst nach der Gesamtsumme.

## Einen Video-Workflow wählen

Erzeugen Sie mit Omni, wenn eine 15-Sekunden-Einstellung mit Ton die Szene abdeckt oder der Clip mehrere Runden kleiner Änderungen durchlaufen soll. Die Bearbeitungsschleife ist der Grund für diese Wahl: Jede Runde behält den Kontext des vorigen Clips, sodass Sie pro Nachricht ein Requisit, einen Hintergrund oder eine Kameranotiz ändern, statt die ganze Szene neu zu beschreiben.

Wählen Sie ein anderes Modell, wenn die Einstellung in einem Durchgang länger laufen muss oder die Arbeit auf Referenzvideos aufbaut. [Seedance 2.5](https://omniakey.com/de/dreamina-seedance-2-5-260628) von ByteDance erzeugt bis zu 30 Sekunden in einer Anfrage, wie [der Test zu Seedance 2.5](https://omniakey.com/de/blog/seedance-2-5-review) das in der API dokumentierte Limit von 30 Sekunden erläutert, und [der Vergleich Kling 4.0 gegen Seedance 2.5](https://omniakey.com/de/blog/kling-4-0-vs-seedance-2-5) behandelt Bewegung und referenzbasierte Abläufe.

Omni ist Googles eigene kostenpflichtige Veröffentlichung und liegt außerhalb von OmniaKeys Videokatalog. Seedance 2.5 ist dort für lange Einzeleinstellungen verfügbar, und [der KI-Videogenerator](https://omniakey.com/de/ai-video-generator) führt Prompts im Browser ohne Code aus.

## Häufige Fragen

### Ist die Gemini Omni 1.2 Flash API kostenlos?

Nein. Das Modell liegt in der kostenpflichtigen Stufe der Gemini API, und Googles Preistabelle zeigt dafür in der kostenlosen Stufe Not available.

### Welchen Endpoint nutzt die Gemini Omni 1.2 Flash API?

Sie nutzt die Interactions API. Senden Sie `POST https://generativelanguage.googleapis.com/v1beta/interactions` mit `"model": "gemini-omni-1.2-flash"`, oder rufen Sie `client.interactions.create` in den Python-, JavaScript-, Go- oder Java-SDKs auf. generateContent ist die ältere Schnittstelle für andere Gemini-Modelle.

### Wie lang kann ein Clip mit Gemini Omni 1.2 Flash sein?

Eine Generierungsanfrage dauert 3 bis 15 Sekunden, voreingestellt sind 10. Verlängern fügt pro Runde 3 bis 10 Sekunden bis insgesamt 30 Sekunden hinzu, die Interpolation zwischen erstem und letztem Bild bleibt bei 3–10 Sekunden, und das Eingabevideo zum Bearbeiten darf höchstens 15 Sekunden lang sein.

### Kann ich ein hochgeladenes Video bearbeiten oder nur erzeugte Clips?

Beides, mit Grenzen. Hochgeladene Clips dürfen höchstens 15 Sekunden lang sein, und Bearbeiten oder Verlängern ist im EWR, in der Schweiz und im Vereinigten Königreich nicht verfügbar; vom Modell erzeugte Clips lassen sich dort bearbeiten und verlängern.

### Was passiert mit gemini-omni-1.1-flash?

Es bleibt während einer vierwöchigen Übergangszeit nutzbar. Ab dem 3. Dezember 2026 beantwortet `gemini-omni-1.2-flash` die Anfragen an dieses Modell und rechnet zu 1.2-Preisen ab, ohne Änderung am Code.

## Geprüfte Quellen

- [Google: Ankündigung zu Gemini Omni 1.2 Flash](https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/)
- [Google: Modellkarte zu Gemini Omni Flash](https://ai.google.dev/gemini-api/docs/models/gemini-omni-flash)
- [Google: Videos mit Gemini Omni Flash erzeugen und bearbeiten](https://ai.google.dev/gemini-api/docs/omni)
- [Google: Überblick zur Interactions API](https://ai.google.dev/gemini-api/docs/interactions-overview)
- [Google: Versionshinweise zur Gemini API](https://ai.google.dev/gemini-api/docs/changelog)
- [Google: Preise der Gemini API](https://ai.google.dev/gemini-api/docs/pricing)
- [Google: Ratenlimits der Gemini API](https://ai.google.dev/gemini-api/docs/rate-limits)