วิธีใช้งาน Gemini Omni 1.1 Flash API

คุณเรียกใช้ Gemini Omni 1.1 Flash ด้วย model id gemini-omni-1.1-flash ผ่าน Google’s Interactions API ไม่ใช่ generateContent endpoint ที่คุณใช้สำหรับโมเดลข้อความ นี่คือสิ่งแรกที่คนส่วนใหญ่สับสน หากคุณคัดลอกส่วนย่อยของข้อความ Gemini และสลับชื่อโมเดล คุณจะได้รับข้อผิดพลาด 404

คู่มือนี้จะนำคุณตั้งแต่เทอร์มินัลว่างเปล่าไปจนถึงการส่งคำขอสร้างวิดีโอที่ผ่านการทดสอบ คุณจะได้รับคีย์ ทำการเรียกใช้ครั้งแรกใน curl และ Python เรียนรู้พารามิเตอร์ที่มีอยู่ (และรายการที่น่าประหลาดใจที่ไม่มี) จัดการกับการตอบกลับขนาดใหญ่ และบันทึกทั้งหมดเป็นชุดทดสอบที่ทำซ้ำได้

โมเดลนี้เปิดตัวสู่สาธารณะ (GA) เมื่อวันที่ 27 สิงหาคม 2026 สำหรับสิ่งที่มาพร้อมกับโมเดลนี้ โปรดดู มีอะไรใหม่ใน Gemini Omni 1.1 Flash

สิ่งที่คุณต้องมีก่อนเริ่มต้น

บัญชี Google สำหรับลงชื่อเข้าใช้ AI Studio
คีย์ Gemini API จาก Google AI Studio
เปิดใช้งานการเรียกเก็บเงิน Omni ไม่มีระดับฟรี (free tier) ซึ่งแตกต่างจาก ช่องทางฟรีสำหรับโมเดลข้อความ คำขอแรกของคุณมีค่าใช้จ่าย
วิธีการส่งคำขอ HTTP: curl, Python SDK หรือไคลเอนต์ API

จัดเก็บคีย์เป็นตัวแปรสภาพแวดล้อม แทนที่จะวางลงในซอร์สโค้ด:

export GEMINI_API_KEY="your_key_here"

SDK อย่างเป็นทางการจะอ่านตัวแปรนั้นเอง ซึ่งช่วยให้ความลับของคุณไม่รั่วไหลไปยัง repository ของคุณ

การเรียกใช้การสร้างวิดีโอครั้งแรกของคุณ

endpoint คือการส่งคำขอแบบ POST ไปยัง /v1beta/interactions นี่คือตัวอย่างใน curl:

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions?key=$GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-omni-1.1-flash",
    "input": "A marble rolling fast on a chain reaction style track, continuous smooth shot."
  }'

สองฟิลด์: โมเดลและอินพุต นี่คือคำขอขั้นต่ำทั้งหมด การตอบกลับจะส่งวิดีโอที่สร้างขึ้นเป็น base64 ใน output_video.data

ใน Python ให้ติดตั้ง SDK ด้วย pip install google-genai จากนั้น:

import base64
from google import genai

client = genai.Client()  # reads GEMINI_API_KEY from the environment

interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input="A marble rolling fast on a chain reaction style track, continuous smooth shot.",
)

with open("marble.mp4", "wb") as f:
    f.write(base64.b64decode(interaction.output_video.data))

JavaScript ใช้รูปแบบเดียวกันกับ @google/genai:

import { GoogleGenAI } from '@google/genai';
import * as fs from 'fs';

const ai = new GoogleGenAI({});

const interaction = await ai.interactions.create({
  model: 'gemini-omni-1.1-flash',
  input: 'A marble rolling fast on a chain reaction style track, continuous smooth shot.',
});

if (interaction.output_video?.data) {
  fs.writeFileSync('marble.mp4', Buffer.from(interaction.output_video.data, 'base64'));
}

การสร้างใช้เวลา ความล่าช้าจะขึ้นอยู่กับระยะเวลา ความละเอียด และโหลด API ปัจจุบัน ดังนั้นควรกำหนด client timeout ให้มากพอ ก่อนที่คุณจะตัดสินว่ามีบางอย่างผิดปกติ

การควบคุมความละเอียดและอัตราส่วนภาพ

ทุกอย่างเกี่ยวกับรูปแบบเอาต์พุตอยู่ใน response_format:

interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input="A drone shot of a mountain landscape at sunrise.",
    response_format={
        "type": "video",
        "aspect_ratio": "16:9",
        "resolution": "1080p",
    },
)

ค่าที่ยอมรับ:

ฟิลด์	ค่า	ค่าเริ่มต้น
`type`	`video`	`video`
`aspect_ratio`	`16:9`, `9:16`	`16:9`
`resolution`	`360p`, `720p`, `1080p`, `4k`	`720p`
`delivery`	base64 แบบอินไลน์, `uri`	อินไลน์

ร่างวิดีโอที่ 360p มันสร้างได้เร็วกว่า 720p ถึง 60% และมีค่าใช้จ่ายเพียงหนึ่งในสาม ทำให้การลองสร้างพรอมต์ 15 ครั้งของคุณมีค่าใช้จ่ายเท่ากับการสร้าง 5 ครั้งในอดีต เรนเดอร์ฉบับที่คุณเก็บไว้ด้วยความละเอียดที่สูงขึ้น 1080p และ 4k เป็นการเพิ่มสเกลของเฟรมที่สร้างขึ้น ไม่ใช่การเรนเดอร์แบบเนทีฟ รายละเอียดราคา แสดงให้เห็นว่าแต่ละระดับมีค่าใช้จ่ายต่อวินาทีเท่าใด

พารามิเตอร์ที่ไม่มีอยู่

รายการนี้สำคัญกว่ารายการข้างต้น เพราะมิฉะนั้นคุณจะเสียเวลาไปทั้งบ่ายโดยเปล่าประโยชน์:

ไม่มีคำสั่งระบบ (system instructions)
ไม่มี temperature
ไม่มี top_p
ไม่มีลำดับหยุด (stop sequences)
ไม่มีฟิลด์พรอมต์เชิงลบ (negative prompt)

หากคุณต้องการยกเว้นบางสิ่งออกจากภาพ ให้เขียนข้อยกเว้นนั้นลงในพรอมต์โดยตรง ตัวอย่างในเอกสารประกอบก็ทำเช่นนั้น: “ใช้ภาพวาดเป็นเพียงแนวทางสำหรับการเคลื่อนไหวเท่านั้น ห้ามแสดงภาพวาดในวิดีโอสุดท้าย”

อินพุตภาพ, คีย์เฟรม และการอ้างอิง

ส่งรายการ (list) แทนสตริง (string) เมื่อคุณต้องการรวมสื่อ ภาพเป็นวิดีโอ:

interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input=[
        {"type": "image", "data": base64_image, "mime_type": "image/jpeg"},
        {"type": "text", "text": "turn this into realistic footage, using the drawing only as a guide for movement, do not show the drawing in the final video"},
    ],
)

รูปภาพสองภาพจะกลายเป็นเฟรมแรกและเฟรมสุดท้าย และโมเดลจะสร้างการเคลื่อนไหวระหว่างภาพเหล่านั้น:

interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input=[
        {"type": "image", "data": first_frame_b64, "mime_type": "image/jpeg"},
        {"type": "image", "data": last_frame_b64, "mime_type": "image/jpeg"},
        {"type": "text", "text": "A smooth cinematic transition from a lush green forest at sunrise to a snowy forest under a starry night sky."},
    ],
)

การอ้างอิงวิดีโอทำงานในลักษณะเดียวกันผ่าน Files API โดยจำกัดที่คลิปสามคลิป คลิปละสามวินาที เสียงในคลิปเหล่านั้นจะถูกละเว้น โมเดลจะอ่านเพื่อการเคลื่อนไหวและลักษณะที่ปรากฏ

การแก้ไขแบบหลายขั้นตอน

นี่คือสิ่งที่แยก Omni ออกจาก endpoint การแปลงข้อความเป็นวิดีโอธรรมดา สร้างครั้งเดียว จากนั้นแก้ไขแบบสนทนาโดยส่ง ID การโต้ตอบครั้งก่อนหน้า:

res1 = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input="A woman playing violin outdoors.",
)

res2 = client.interactions.create(
    model="gemini-omni-1.1-flash",
    previous_interaction_id=res1.id,
    input="Make the violin invisible.",
)

ไม่ต้องอัปโหลดใหม่ ไม่ต้องอธิบายฉากใหม่ กลไกเดียวกันนี้ขับเคลื่อนการขยายฉาก ซึ่งมีอธิบายไว้ใน คู่มือการขยายฉาก 40 วินาที

การจัดการวิดีโอขนาดเกิน 4MB

ไฟล์ใดๆ ที่มีขนาดใหญ่กว่า 4MB จะถูกส่งกลับเป็น URI แทนที่จะเป็น base64 แบบอินไลน์ และไฟล์จะต้องประมวลผลเสร็จสิ้นก่อนที่คุณจะสามารถดาวน์โหลดได้ นี่คือข้อผิดพลาดที่คนส่วนใหญ่พบเมื่อใช้ความละเอียด 1080p: ตัวจัดการของพวกเขาอ่าน output_video.data แล้วไม่พบอะไรเลย และรายงานความล้มเหลวแบบเงียบๆ

ขอให้ส่งแบบ URI อย่างชัดเจนและตรวจสอบสถานะ:

import time
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-omni-1.1-flash",
    input="A beautiful sunset.",
    response_format={"type": "video", "delivery": "uri"},
)

video_output = interaction.output_video
file_name = video_output.uri.split("/")[-1]

while True:
    f_info = client.files.get(name=f"files/{file_name}")
    if f_info.state.name == "ACTIVE":
        break
    if f_info.state.name == "FAILED":
        raise RuntimeError("Generation failed.")
    time.sleep(5)

video_bytes = client.files.download(file=video_output.uri)
with open("output.mp4", "wb") as f:
    f.write(video_bytes)

เขียนตัวจัดการการตอบกลับของคุณให้ยอมรับทั้งสองรูปแบบตั้งแต่เริ่มต้น ความละเอียดจะเปลี่ยนรูปแบบที่คุณได้รับ

ทดสอบคำขอใน Apidog

เมื่อการเรียกใช้งานได้ ปัญหาจะเปลี่ยนไป ตอนนี้คุณมี endpoint ที่มีราคาแพง ช้า และไม่สามารถคาดการณ์ผลลัพธ์ได้ อยู่ในเส้นทางสำคัญของคุณ และคุณจำเป็นต้องรู้ว่าเมื่อใดที่มันเปลี่ยนพฤติกรรม คำสั่ง curl ชั่วคราวในประวัติ shell ไม่ได้บอกคุณสิ่งนั้น

ตั้งค่าครั้งเดียวใน Apidog:

สร้างโปรเจกต์และสภาพแวดล้อม ใส่ GEMINI_API_KEY และ MODEL_ID ในตัวแปรสภาพแวดล้อม เพื่อให้คีย์ไม่ถูกบันทึกในคำขอ
เพิ่มคำขอ ส่ง POST ไปยัง https://generativelanguage.googleapis.com/v1beta/interactions พร้อมกับ JSON body ที่มี model และ input อ้างอิงตัวแปรด้วย {{MODEL_ID}}
เพิ่มระยะเวลาไทม์เอาต์ การสร้างวิดีโอใช้เวลานานกว่าการสร้างข้อความมาก และ client timeout เริ่มต้นจะตัดการเชื่อมต่อ
เพิ่มเงื่อนไขการยืนยัน (assertions) ตรวจสอบรหัสสถานะ ตรวจสอบว่า output_video มีอยู่ และตรวจสอบรูปแบบการตอบกลับที่คุณคาดหวังที่ความละเอียดของคุณ นี่คือเงื่อนไขการยืนยันที่ตรวจจับการสลับระหว่างอินไลน์กับ URI
ทำซ้ำสำหรับแต่ละประเภทงาน บันทึกคำขอหนึ่งรายการสำหรับ text-to-video, image-to-video และ extension เมื่อ Google เปิดตัว Omni 1.2 คุณจะเรียกใช้คำขอสามรายการและทราบได้ในไม่กี่นาทีว่ามีอะไรเปลี่ยนแปลงไป

Apidog ไม่ได้สร้างวิดีโอและไม่ใช่เฟรมเวิร์ก AI เป็นที่ที่คุณสร้างคำขอ ส่งคำขอ และรักษาการตอบกลับให้เป็นไปตามมาตรฐานที่คุณกำหนด ดาวน์โหลด Apidog หากคุณต้องการมีเครื่องมือนี้ก่อนที่คุณจะขยายการใช้งาน

ข้อผิดพลาดและวิธีแก้ไขทั่วไป

ข้อผิดพลาด 404 ที่ endpoint คุณกำลังเรียกใช้ /v1beta/models/gemini-omni-1.1-flash:generateContent Omni ใช้ /v1beta/interactions โดยมีโมเดลอยู่ใน body
output_video.data ว่างเปล่า การตอบกลับมาในรูปแบบ URI เนื่องจากวิดีโอมีขนาดเกิน 4MB ให้อ่าน output_video.uri และดาวน์โหลดผ่าน Files API
ไม่พบโมเดล ตรวจสอบ gemini-omni-flash-preview ในการตั้งค่าของคุณ endpoint นั้นจะเลิกใช้งานในวันที่ 30 กันยายน 2026
การแก้ไขวิดีโอที่อัปโหลดล้มเหลว การแก้ไขวิดีโอที่อัปโหลดไม่สามารถใช้งานได้ใน EEA, สวิตเซอร์แลนด์ และสหราชอาณาจักร แต่วิดีโอที่สร้างโดยโมเดลยังคงใช้งานได้
คำขอขยายถูกปฏิเสธ วิดีโออินพุตมีข้อจำกัดที่ 10 วินาที การขยายจะเพิ่มได้เฉพาะที่ส่วนท้ายเท่านั้น และคุณไม่สามารถเพิ่มบทสนทนาเมื่อขยายวิดีโอที่อัปโหลด

คำถามที่พบบ่อย (FAQ)

Gemini Omni ใช้ endpoint ใด? POST https://generativelanguage.googleapis.com/v1beta/interactions โดยมี gemini-omni-1.1-flash อยู่ในส่วน body ของคำขอ
Gemini Omni API มีระดับฟรีหรือไม่? ไม่มี การสร้างทุกครั้งมีค่าใช้จ่าย โมเดลข้อความเท่านั้นที่มีช่องทางฟรีใน AI Studio
ฉันสามารถตั้งค่า temperature หรือ negative prompt ได้หรือไม่? ไม่ได้ คำสั่งระบบ (system instructions), temperature, top_p, ลำดับหยุด (stop sequences) และ negative prompts ทั้งหมดไม่รองรับ ให้ใส่ข้อจำกัดในข้อความพรอมต์
ฉันจะสร้างวิดีโอแนวตั้งได้อย่างไร? ตั้งค่า aspect_ratio เป็น 9:16 ใน response_format
วิดีโอที่สร้างขึ้นมีลายน้ำหรือไม่? มี เอาต์พุตทั้งหมดมี SynthID ซึ่งมองไม่เห็นสำหรับผู้ชมและสามารถตรวจจับได้ด้วยโปรแกรม
สิ่งนี้เปรียบเทียบกับ Veo API ได้อย่างไร? เป็น endpoint ที่แตกต่างกัน ราคาแตกต่างกัน และจุดแข็งที่แตกต่างกัน Omni 1.1 Flash vs Veo 3.1 ครอบคลุมถึงข้อดีข้อเสีย และ คู่มือ Veo 3.1 API มีรายละเอียดเฉพาะของการผสานรวมนั้น

การผสานรวมทั้งหมดประกอบด้วยสองฟิลด์ที่จำเป็นและตัวจัดการการตอบกลับที่สามารถจัดการได้ทั้งสองรูปแบบการส่งมอบ เริ่มด้วยการเรียกใช้ 360p ให้ใช้งานได้ก่อน บันทึกพร้อมการยืนยัน จากนั้นค่อยเพิ่มความละเอียดเมื่อคุณมั่นใจในระบบ อ่าน เอกสารทางการของ Omni สำหรับรายการพารามิเตอร์ที่พัฒนาอยู่