Gemini Omni 1.2 Flash API で15秒の動画を作り、そのまま編集する

Gemini Omni 1.2 Flash API は2026年11月5日に、Gemini API の有料枠で一般提供が始まりました。1回のリクエストで音声付きの3〜15秒の動画が返り、続けてもう1回リクエストすると同じクリップを再アップロードなしで編集できます（Google のリリースノート と Omni ガイド、2026年11月6日確認）。

• モデル：gemini-omni-1.2-flash。client.interactions.create または POST /v1beta/interactions で呼び出します。
• クリップ：3〜15秒、24 fps、16:9 または 9:16、生成された音声トラック付き。
• 編集：previous_interaction_id を付けた2ターン目で、自分が生成したクリップを書き換えます。入力は最大15秒です。
• 料金：15秒の720pクリップで動画 token が約 $1.04。入力とテキストの token は別途かかります。

Gemini Omni 1.2 Flash API でできること

リクエストは POST https://generativelanguage.googleapis.com/v1beta/interactions に送り、本文へ "model": "gemini-omni-1.2-flash" を書きます。これが Interactions API です。2026年6月の一般提供以降、Google は新しいプロジェクトにこの API を勧めています（Interactions API の概要、2026年11月6日確認）。従来の generateContent は他の Gemini モデル向けに残っています。

モデルは音声付きの動画とテキストを返します（モデルカード）。出力は24 fps、解像度は720pが既定で360pも選べ、1080pと4kはアップスケーリングです。各クリップには見えない SynthID 透かしが入ります。既定は横長の16:9で、縦長は9:16です。

利用できるのは有料枠だけです。Google の料金表では入力と出力のどちらも無料枠が Not available と表示され、レート制限のページでは Omni Flash の Tier 1 が毎分8リクエスト、1日40リクエストです（料金、レート制限、2026年11月6日確認）。

前モデルの gemini-omni-1.1-flash は4週間の移行期間中に使えます。2026年12月3日以降、このモデル宛てのリクエストは1.2が処理し、1.2の料金で課金されます。コードの変更は要りません。

Interactions API で動画を生成する

Python SDK の手順は3つです。クライアントを作り、interaction を作り、base64 の動画をファイルに書きます。例では長さを明示し、後から編集できるように interaction を保存します。google-genai パッケージ（pip install -U google-genai）と、GEMINI_API_KEY に入れた Gemini API キーが必要です。どちらのターンも Google のエンドポイントへ送るため、OmniaKey のキーでは動きません。

# 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))

長さは秒数の文字列で3から15まで、フィールドを省くと10秒になります。解像度は同じ response_format の中の別のキーで、type の設定と並びます。

SDK は output_video.data から base64 の完成ファイルを読みます。この便利フィールドは SDK にしかありません。REST で直接呼ぶと、同じバイト列は steps[] 内の type が video の content エントリに入ります。4 MB を超えるクリップでは response_format に "delivery": "uri" を加え（Omni ガイド、2026年11月6日確認）、client.files.get でファイルの状態が ACTIVE になるまで確認してから client.files.download で取得します。

コードは Google の Python 例を元にしたもので、構文チェックは通しています。API に対して実行はしていません。

生成したクリップを最初から作り直さずに編集する

1ターン目の interaction の id を previous_interaction_id に渡し、変更内容を書きます。モデルはクリップの文脈を保ったまま編集を適用し、新しい動画を返します。Google の編集例が送るのはモデル、その id、プロンプトの3つだけです。2ターン目も同じフィールドを使います（Omni ガイド、2026年11月6日確認）。

延長も同じ流れです。自然な言葉で続きを頼むと、モデルは3〜10秒、既定では10秒を追加します。入力動画の最後の10秒を文脈に使い、合計は最大30秒です。追加できるのは末尾だけなので、冒頭の前や途中にシーンを足すことはできません。

自分で撮った映像は、Files API で15秒以内のクリップをアップロードしてからプロンプトを送ります。欧州経済領域（EEA）、スイス、イギリスでは、アップロードした動画の編集と延長は使えません。モデルが生成したクリップはこれらの地域でも編集できます。現在のバージョンは音声の編集に対応せず、音声入力と音声参照も使えません。参照動画の中の音声は無視されます。

長さ、解像度、参照素材の上限

範囲は操作ごとに異なります。下表は Google のガイドに沿っています（Omni ガイド、2026年11月6日確認）。

参照素材には別の上限があります。

• 参考画像は1リクエストあたり最大6枚、1キャラクターあたり最大3枚で、キャラクターは最大2人です。
• 11〜15秒の出力は3秒以下の参考動画を1本受け付けます。3〜10秒の出力は3秒以下の参考動画を最大3本受け付けます。
• 参考動画は新しいクリップを生成するときに使います。編集と延長では参考画像を使います。
• YouTube のリンクはメディア入力に使えません。先にファイルをアップロードします。

Google の公式サンプルから分かること

Google は2026年11月5日の発表記事で9本のデモクリップを公開しました（2026年11月6日確認）。そのうち2本をダウンロードして ffprobe で調べると、どちらも1920×1080、24 fps、AAC ステレオ音声でした。2本とも冒頭にタイトル画面があるため、ファイルの長さは中のシーンより長くなっています。

この2枚を見ると、1本のクリップが構図をどこまで動かせるか分かります。6秒では男性が浅瀬にひざまずき、片手を流木に置いています。12秒ではカメラが海岸の上方に移り、人物は汀線の近くで小さく写ります。左にヤシの茂る丘、右に外洋が広がります。

パンテオンの12秒のフレームは建物の内部を写しています。円形のオクルス、その周りの同心状の方形格天井、室内に差し込む光があります。Google の説明は2枚の建築写真を手がかりにした連続ドローン飛行で、6秒の時点では同じサンプルはまだ外の列柱の間にあります。

公式料金：クリップの費用を正しく見積もる

Google の料金は、テキスト、画像、動画の入力が100万 token あたり $1.50、テキスト出力が $9.00、動画出力が $12.00 で、有料枠のみです（料金ページ、2026年11月6日確認）。動画は出力 token で課金され、720p の出力は毎秒5,792 token です。

15秒の720pクリップは動画 token が 15 × 5,792 × $12.00 / 1,000,000 = $1.04256、約 $1.04 です。入力とテキストの token は別に加わります。四捨五入は合計を出した後に行います。

動画のワークフローを選ぶ

音声付きの15秒の1カットで場面を収められる場合や、何度も小さな修正を重ねる場合は Omni で生成します。編集ループが選ぶ理由です。各ターンが前のクリップの文脈を保つので、シーン全体を言い直さずに、メッセージごとに小道具、背景、カメラの指示を1つずつ変えられます。

1回でより長く回す必要がある場合や、参照動画を中心に進める場合は別のモデルを選びます。ByteDance の Seedance 2.5 は1回のリクエストで最大30秒を生成します。Seedance 2.5 のレビュー は API の仕様にある30秒の上限を説明しており、Kling 4.0 と Seedance 2.5 の比較 では動きと参照動画中心の進め方を扱っています。

Omni は Google 自身が提供する有料モデルで、OmniaKey の動画カタログの外にあります。長い1カットには OmniaKey の Seedance 2.5 が使えます。AI 動画生成ツール ならブラウザでコードなしにプロンプトを実行できます。

よくある質問

Gemini Omni 1.2 Flash API は無料で使えますか？

いいえ。モデルは Gemini API の有料枠にあり、Google の料金表では無料枠が Not available と表示されています。

Gemini Omni 1.2 Flash API はどのエンドポイントを使いますか？

Interactions API です。POST https://generativelanguage.googleapis.com/v1beta/interactions に "model": "gemini-omni-1.2-flash" を付けて送るか、Python、JavaScript、Go、Java の SDK で client.interactions.create を呼びます。generateContent は他の Gemini モデルが使う従来のインターフェースです。

Gemini Omni 1.2 Flash のクリップはどれくらいの長さになりますか？

生成リクエストは3〜15秒で、既定は10秒です。延長は1ターンあたり3〜10秒を加え、合計は最大30秒です。最初と最後のフレームの補間は3〜10秒に収まり、編集用の入力動画は15秒以下である必要があります。

アップロードした動画も編集できますか。生成したクリップだけですか？

どちらも条件付きで可能です。アップロードしたクリップは15秒以下で、EEA、スイス、イギリスでは編集と延長が使えません。モデルが生成したクリップはこれらの地域でも編集と延長ができます。

gemini-omni-1.1-flash はどうなりますか？

4週間の移行期間中は使えます。2026年12月3日以降、このモデル宛てのリクエストは gemini-omni-1.2-flash が処理し、1.2の料金で課金されます。コードの変更は要りません。

確認した出典

• Google：Gemini Omni 1.2 Flash の発表記事
• Google：Gemini Omni Flash モデルカード
• Google：Gemini Omni Flash で動画を生成・編集する
• Google：Interactions API の概要
• Google：Gemini API リリースノート
• Google：Gemini API の料金
• Google：Gemini API のレート制限