Google ouvre Gemini Omni 1.2 Flash à tous : des vidéos jusqu’à 15 secondes et un prix réduit de 30 %

La génération vidéo a longtemps ressemblé à une loterie : on appuyait sur un bouton, on obtenait dix secondes et, si l’arrière-plan ne convenait pas, il fallait payer pour tout régénérer. C’est précisément ce problème que Google tente de résoudre. Gemini Omni 1.2 Flash est désormais accessible à tous, et son principal intérêt ne réside pas dans la durée des clips, mais dans la possibilité d’obtenir le résultat souhaité à moindre coût.

Ce qui change

Les clips durent désormais de 3 à 15 secondes, contre un plafond de 10 secondes auparavant. Le prix du 720p a baissé de 30 % pour atteindre 0,07 $ par seconde. Une vidéo de 15 secondes en 720p revient donc à environ 1,05 $. Le modèle est accessible via Gemini API, Google AI Studio, Google Cloud Console, Flow, Google Vids, l’application Gemini pour les abonnés AI Ultra et Google Ads. Chaque vidéo reçoit un filigrane invisible SynthID.

Ce dernier point est important pour les produits : si vous intégrez la génération à votre service, l’origine du contenu pourra être détectée automatiquement, ce qui répond à une partie des préoccupations des équipes de modération et des juristes.

Édition conversationnelle et économies

Google appelle sa fonction phare Conversational Editing. Après avoir obtenu une vidéo, vous pouvez écrire : « remplace le jour par le soir » ou « passe au format vertical ». Le modèle modifie alors le clip au lieu d’en générer un nouveau à partir de zéro. Selon Google, cette fonction couvre l’intégralité des 15 secondes.

C’est de là que vient le potentiel d’économie. On crée un brouillon en 360p ou en 720p, on corrige précisément les détails au fil des instructions, puis on ne met à l’échelle que la version finale en 1080p ou en 4K. Auparavant, les équipes consacraient une partie de leur budget à de coûteux essais en haute qualité. Désormais, un seul passage coûteux devrait suffire.

Références et stabilité

Le modèle accepte des images de personnages, des photos de produits, de courts mouvements d’une durée maximale de trois secondes et des instructions audio. Les visages, les vêtements, la typographie des emballages et les couleurs de marque sont censés rester cohérents lors des changements d’angle. Dans l’exemple de Google, une seule photo d’un mannequin et des images de trois tenues permettent de produire un essayage de 15 secondes avec une rotation à 360 degrés, tout en conservant le visage et la coupe des vêtements.

Pour l’e-commerce, le cas d’usage est direct : créer des fiches produits accompagnées de vidéos sans équipe de tournage. Google promet également moins de visages qui « dérivent » et de déformations pendant les mouvements de caméra, des dialogues plus naturels avec une synchronisation labiale précise et la capacité de distinguer plusieurs locuteurs. Les mouvements de caméra complexes et continus, comme le passage en FPV d’un drone ou un brusque travelling arrière, devraient présenter moins de raccords indésirables.

Limites et marche à suivre

Pour l’instant, tout cela repose sur les affirmations de l’annonce. Il n’existe pas encore de tests indépendants sur la stabilité de l’identité et la synchronisation labiale dans les scènes complexes, et les habituels « promet » doivent être pris au pied de la lettre. Par ailleurs, les rendus en 4K et en 1080p sont facturés séparément, tandis que le coût final dépend du nombre d’itérations de modification, dont les tarifs ne sont pas précisés dans l’annonce.

La conclusion pratique est simple. Si vous produisez des publicités vidéo, des essayages virtuels ou du contenu destiné aux places de marché, soumettez une même tâche à un processus en trois étapes : brouillon en basse résolution, modifications par dialogue, puis mise à l’échelle finale. Calculez le coût réel de la vidéo terminée, et non celui des seules secondes de génération. C’est cette métrique qui montrera si la génération vidéo est devenue un véritable outil de production ou si elle reste un gadget.