Gemini Omni 1.2 Flash est disponible : vidéo de 15 secondes et montage en plusieurs tours

Google DeepMind a annoncé le modèle de génération vidéo Gemini Omni 1.2 Flash le 5 novembre 2026. Le modèle est disponible pour tous sur Gemini API et Google Cloud. Il permet de générer des clips plus longs, de mieux respecter les images de référence et de modifier une même vidéo au fil de plusieurs échanges. Google indique que la génération vidéo en 720p coûte 0,07 dollar par seconde, soit 30 % de moins qu’avec Gemini Omni 1.1.

Quelle évolution pour la durée des clips et le coût de génération ?

La durée maximale des vidéos, qui était de 10 secondes avec la version précédente, passe à 15 secondes avec Gemini Omni 1.2 Flash. La durée peut être définie entre 3 et 15 secondes, par incréments d’une seconde. Selon Google, cela permet de préparer, en une seule génération, des récits plus longs, des présentations de produits ou des publicités pour les réseaux sociaux.

Les premiers essais peuvent être générés en 360p ou en 720p. Les résultats retenus peuvent ensuite être convertis en 1080p ou en 4K. L’entreprise explique que les coûts peuvent être réduits non seulement grâce à un tarif inférieur, mais aussi en demandant une modification de la vidéo existante plutôt qu’en générant à nouveau le clip entier pour changer un détail.

Références et méthode de montage

Le modèle peut combiner des images de référence de personnages, de produits ou de styles, de courts clips de mouvement d’une durée maximale de trois secondes et des indications sonores. Google indique vouloir améliorer la cohérence de ces références tout au long de la vidéo et limiter les variations visuelles lors des changements de scène ou des mouvements de caméra. Les exemples de l’entreprise mettent en avant la préservation d’un même personnage, produit et décor sous différents angles.

Après la génération d’un clip, des modifications comme le remplacement de l’arrière-plan, l’ajustement de l’éclairage ou des conditions météo, ou encore le changement du format de cadrage, peuvent être demandées au fil de plusieurs échanges. Il n’est donc pas nécessaire de rédiger une nouvelle consigne initiale pour chaque variante. Google mentionne également une parole plus fluide, la synchronisation labiale et la possibilité de diriger plusieurs interlocuteurs.

Parmi les mouvements de caméra illustrés par le modèle figurent des déplacements continus en vol et des travellings avant. Dans un scénario présenté par Google à partir d’images d’architecture de référence, la caméra effectue un seul mouvement qui part d’une place, passe par les portes et pénètre sous la coupole. Il s’agit d’exemples fournis par l’éditeur ; l’annonce ne donne pas de mesure chiffrée de réussite indiquant comment les résultats varient selon les consignes et les références.

Effets sur les flux de travail en architecture et en visualisation

Pour les agences d’architecture et les artistes spécialisés en visualisation, la limite de 15 secondes peut être utile pour préparer de courts récits spatiaux ou des aperçus de présentation. L’utilisation conjointe d’images de référence et de descriptions de mouvement peut servir à tester le maintien d’un langage de conception ou d’une composition de scène donnée. Le montage par échanges successifs pourrait également accélérer la production de variantes en modifiant des éléments tels que l’arrière-plan et l’éclairage.

Ces fonctionnalités ne prouvent toutefois pas que le modèle préservera parfaitement la géométrie architecturale ou l’apparence des matériaux souhaitées pour chaque projet. Il est recommandé de vérifier la cohérence avec les références et la continuité des mouvements avant la production. Les équipes qui utilisent l’API doivent tenir compte de la résolution et de la durée des clips pour estimer les coûts ; le tarif indiqué pour le 720p est de 0,07 dollar par seconde. Google précise que la génération de clips de 15 secondes dans Google Vids est proposée sans frais supplémentaires.