2026/07/30

Gemini Omni API：プレビュー仕様・料金・制限事項

Googleの Gemini Omni API プレビュー解説：モデルID、Interactions API、720p出力、課金ルール、入力制限、マルチターン編集、reAPIとの違い。

Google直営Gemini Omni APIは、モデルID gemini-omni-flash-preview として、有料の公開プレビューで利用可能になりました。Gemini Interactions APIを経由して実行され、720pで3～10秒間のビデオを24 FPSで生成し、ビデオ出力1秒あたり約$0.10のコストがかかります。テキストまたは画像からビデオを作成でき、ビデオとともにオーディオを生成でき、previous_interaction_id を渡すことで、複数ターンにわたって結果を編集できます。^[1]^[2]

これらの仕様は、Google直営のGemini Developer APIについて説明しています。Gemini Omniという名前を持つすべてのAPIについて説明しているわけではありません。特に、reAPIの gemini-omni はエンドポイント、モデル名、リクエストボディ、解像度ティア、および課金方法が異なるサプライヤー経由のビデオ契約です。2つは別の統合として扱ってください。

Gemini Omni API 仕様一覧

項目	Google direct public preview
モデルID	`gemini-omni-flash-preview`
API	Gemini Interactions API
RESTエンドポイント	`POST https://generativelanguage.googleapis.com/v1beta/interactions`
アクセス	有料Gemini APIティア；無料ティアなし
入力	テキスト、画像、編集用ビデオ
出力	生成されたオーディオ付きビデオ
出力長	3～10秒
出力仕様	720p、24 FPS
アスペクト比	`16:9` または `9:16`
コンテキストウィンドウ	1,048,576トークン
ビデオ出力価格	トークン100万個あたり$17.50（出力）、およそ1秒あたり$0.10
ステートフル編集	はい、`previous_interaction_id` 経由
ライフサイクル	プレビュー；インターフェースと制限は変更される場合があります

Googleは2026年6月30日にモデルを公開プレビューに追加しました。Release Notesとモデルカードは出力制限の最も信頼できるソースです。両方とも3～10秒の720pビデオを識別し、モデルカードは24 FPSと1,048,576トークンのコンテキストウィンドウも指定します。^[2]^[3]

正しいモデルIDとエンドポイント

直営のモデルIDは次のとおりです：

gemini-omni-flash-preview

Google直営リクエストで gemini-omni に短縮しないでください。この短い識別子はreAPIのサプライヤー経由の契約に属し、Gemini Developer APIではありません。

GoogleはOmniを、Veoで使用される古いロングランニングビデオ生成パターンではなく、Interactions APIを通じて公開しています。最小限のRESTリクエストは次のようになります。

curl -X POST \
  "https://generativelanguage.googleapis.com/v1beta/interactions?key=$GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-omni-flash-preview",
    "input": "A continuous handheld shot of a tabby cat crossing a sunny kitchen. Natural room audio, no dialogue."
  }'

直営RESTレスポンスは、steps 配列を持つinteractionを返します。生成されたMP4は、model_output ステップのビデオコンテンツとして表示されます。GoogleのPythonおよびJavaScript SDKは output_video convenience fieldを追加するため、SDKコードとraw RESTパースは同一ではありません。^[1]

縦向き出力の場合、レスポンス形式を追加します：

{
  "response_format": {
    "type": "video",
    "aspect_ratio": "9:16"
  }
}

横向き 16:9 がデフォルトです。公開ガイドでは、reAPIのルートのような数値 duration リクエストフィールドは文書化されていません。Googleは出力が3～10秒の範囲内であることを述べ、[0-3s]、[3-6s]、[6-10s] のようなプロンプト内の自然言語タイミングとタイムコードを表示します。^[1]

Google直営料金の仕組み

Gemini Omni Flash Previewは有料ティアでのみ利用可能です。Googleの現在の標準価格は以下の通りです：^[4]

計測項目	Google直営価格
入力トークン、任意のリストされたモダリティ	トークン100万個あたり$1.50
テキスト出力（思考トークンを含む）	トークン100万個あたり$9.00
ビデオ出力（思考トークンを含む）	トークン100万個あたり$17.50

Googleは720pビデオを出力トークンに変換する際、1秒あたり5,792トークンを使用します。トークン100万個あたり$17.50で、これは出力1秒あたり約$0.101になります。大まかなビデオ出力見積もりは次のようになります：

3秒の出力  ≈ $0.30
6秒の出力  ≈ $0.61
10秒の出力 ≈ $1.01

これらはビデオ出力コンポーネントの見積もりであり、請求合計の保証ではありません。入力メディア、入力テキスト、テキスト出力、および思考トークンの消費が請求に加わる可能性があります。再試行と追加の編集ターンも新しい請求可能なinteractionです。

重要な違いは、このプレビューについてGoogleが「$Xパー生成」の定額料金を公開していないということです。トークン消費に基づいて請求されます。サードパーティのルートが8秒または10秒のジョブについて固定価格を提示している場合、それはサードパーティの製品契約です。

Interactions APIによるマルチターンビデオ編集

ステートフル編集は、Googleの直営インターフェースを使用する最も強い理由です。最初のリクエストはビデオを作成し、interaction IDを返します。2番目のリクエストは previous_interaction_id でそのステートをポイントします：

import base64
from google import genai

client = genai.Client()

first = client.interactions.create(
    model="gemini-omni-flash-preview",
    input="A woman playing violin outdoors in soft morning light.",
)

edited = client.interactions.create(
    model="gemini-omni-flash-preview",
    previous_interaction_id=first.id,
    input="Remove the violin. Keep everything else the same.",
)

with open("edited.mp4", "wb") as file:
    file.write(base64.b64decode(edited.output_video.data))

各ターンは新しいビデオを生成します。モデルはビデオステートと会話を前に進めるため、編集プロンプトは要求された変更のみを命名できます。Googleのガイダンスは短い編集指示を好み、シーンの残りを保持することが重要な場合は「Keep everything else the same」の追加を提案しています。^[1]

ステートには運用コストがあります。store: false を設定すると、結果は後で previous_interaction_id を通じて編集できなくなります。後の改訂が製品ワークフローの一部である場合は、interaction IDをアセットレコードと一緒に保存してください。編集が必要ない場合、Googleはより速い同期リクエストのために background=false、store=false、stream=false を推奨しています。

入力サポートと現在のプレビュー制限

モデルカードにはテキスト、画像、ビデオ入力がリストされています。ビデオ入力は編集時に10秒に制限されていますが、生成された出力は720pで3～10秒、24 FPSのままです。^[3]

ガイドは複数のリクエスト形式をサポートしています：

テキストからビデオへ；
開始画像からの画像からビデオへ；
複数の対象またはスタイルリファレンス画像；
以前に生成された結果のステートフル編集；
Files APIを通じてアップロードされたビデオの編集。

このブロードなリストにはプレビューステージの警告が必要です。Googleの現在の制限では、アップロードされたオーディオリファレンスはサポートされていない、モデルがビデオとオーディオトラックを生成しているにもかかわらず。複数のビデオの参照はサポートされていません。ビデオの拡張、最初のフレームと最後のフレームの間の補間、音声編集も利用できません。最大3秒のジェネリックビデオリファレンスはAPIスキーマ検証をパスできますが、現在モデルによって正しく処理されていません。^[1]

地域制限もあります。アップロードされたビデオの編集は、欧州経済領域、スイス、および英国では現在利用できませんが、これらの地域のユーザーはモデルによって生成されたビデオを編集できます。未成年者と特定の認識できる人物が関係するビデオ編集には追加の制限があります。

計画する価値のある他の技術制限：

プロビジョニングされたスループットなし；
システム指示、temperature、top_p、停止シーケンス、専用のネガティブプロンプトパラメータなし；
英語は完全にサポートされていますが、他の言語は正式に評価されていません；
コンテンツセーフティフィルターはプロンプトと生成されたメディアの両方に適用されます；
生成されたすべてのビデオは目に見えないSynthIDウォーターマークを持ちます；
大きな出力はインラインBase64の代わりにURI配信を使用する必要があります。

専用のネガティブプロンプトフィールドが欠けていますが、ネガティブ指示は通常のプロンプトに書くことができます：「No dialogue」、「No scene cuts」、または「Do not add text」。

Google direct API vs reAPIの`gemini-omni`

名前は実装ミスを引き起こすのに十分に類似しています。契約は交換可能ではありません：

契約の詳細	Google direct preview	reAPI supplier route
モデル	`gemini-omni-flash-preview`	`gemini-omni`
エンドポイント	`/v1beta/interactions`	`/api/v1/videos/generations`
実行	Interactionレスポンス；インラインまたはURIメディア	非同期タスク送信とポーリング
出力解像度	Googleが文書化する720p	サプライヤー配信ティア：720p、1080p、4K
期間	3～10秒の出力；プロンプトタイミング	明示的な `duration`：4、6、8、または10
画像	Interactionマルチモーダルコンテンツ	公開 `image_urls`、0、1、または3エントリ
ビデオ入力	直営編集ワークフローおよびプレビュー制限	1つの公開 `video_urls` エントリ、サプライヤー経由ルール
マルチターンステート	`previous_interaction_id`	ビデオ生成契約内に同等のフィールドなし
課金	トークンベース；出力1秒あたり約$0.10	ジョブあたりサプライヤー経由料金
結果形状	Interaction `steps` / SDK `output_video`	タスク `output.video_urls`

reAPIのGemini Omni API参照はサプライヤー経由ルートを文書化しています。最大2,000文字のプロンプト、明示的なdurationおよびresolutionフィールド、16:9 または 9:16、公開URL入力、およびタスクポーリングを受け入れます。1080pおよび4Kオプションはサプライヤー配信ティア；Googleの直営公開プレビューがこれらの解像度を公開していることの証拠ではありません。

reAPIでの同等の最小限の形状は次のようになります：

{
  "model": "gemini-omni",
  "prompt": "A continuous handheld shot of a tabby cat crossing a sunny kitchen.",
  "duration": 6,
  "resolution": "1080p",
  "aspect_ratio": "16:9"
}

ルートはタスクIDを返し、クライアントは output.video_urls が利用可能になるまでポーリングします。GoogleのinteractionIDを返さず、直営Interactions APIのラッパーとして扱うべきではありません。

開示： reAPIはこの記事を公開し、上記のreAPIサプライヤー経由エンドポイントを運用しています。本ガイドの直営Google仕様および価格はGoogleのドキュメントから；reAPI契約の詳細は公開APIリファレンスからのもので。ルーティングされた製品にreAPIの商業的関心があるため、区別が述べられています。

どのAPIを使うべきですか？

Googleの直営プレビューは、製品が特に会話編集、保存されたinteraction履歴、または直営Google課金関係を必要とする場合に使用します。チームが最新のGoogleインターフェースに対して構築したいがプレビューライフサイクルのリスクを受け入れる場合も、最も明確なルートです。

サプライヤー経由の契約は、固定のリクエストスキーマ、明示的なresolutionおよびdurationティア、公開URL入力、および共通の非同期タスクパターンがGoogleのinteractionステートよりも有用な場合に使用します。Googleの設定をコピーするのではなく、ルート自体の料金とメディア制約を検証してください。

この選択はビデオモデルの選択とは別です。実際の質問がVeo を本番ワークフローに保つかどうかである場合は、Gemini Omni vs Veo 3.1比較を読んでください。決定がマルチモーダルリファレンス制御と生成スタイルについてである場合、Gemini Omni vs Seedance 2.0比較がそのサーチインテントをカバーしています。このページはGemini Omni API契約についてのみです。

Google AI for Developers. Generate and edit videos with Gemini Omni Flash. Updated July 30, 2026. ai.google.dev/gemini-api/docs/omni
Google AI for Developers. Gemini API release notes — June 30, 2026. ai.google.dev/gemini-api/docs/changelog
Google AI for Developers. Gemini Omni Flash model card. ai.google.dev/gemini-api/docs/models/gemini-omni-flash
Google AI for Developers. Gemini Developer API pricing — Gemini Omni Flash Preview. Retrieved July 30, 2026. ai.google.dev/gemini-api/docs/pricing