Le 27 août, Google a mis à disposition des développeurs son modèle vidéo Gemini Omni 1.1 Flash. Google AI Studio a ouvert l'accès le jour même, l'API de la plateforme Gemini Enterprise Agent a été intégrée simultanément, et Google Flow ainsi que l'application Gemini sont devenus accessibles aux abonnés Plus, Pro et Ultra. Sur son blog, Google a qualifié cette version en ces termes :
"Omni 1.1 is production-ready for professional use via the Gemini API."
(Via l'API Gemini, Omni 1.1 est désormais prêt pour un usage professionnel en production.)
La fenêtre de continuation passe d'une seconde à dix secondes
Le changement le plus concret concerne la continuité de scène. Dans la version de fin juin, pour poursuivre une vidéo, le modèle ne relisait que la dernière seconde — l'information reçue équivalait en gros à une image fixe : impossible de savoir dans quelle direction la caméra était en train de se déplacer, ni jusqu'où était allé le geste d'un personnage. Le plan suivant ressemblait donc souvent à un autre lieu de tournage — la cohérence des personnages d'une scène à l'autre n'était pas assurée, ce que Google avait lui-même reconnu dans la documentation de la version précédente.
La 1.1 étend cette fenêtre aux dix secondes précédentes. La continuation avance toujours par segments de dix secondes, mais la durée cumulée peut atteindre quarante secondes. Autre nouveauté : il est désormais possible de spécifier à la fois la première et la dernière image, la transition passant de 'générer puis choisir' à 'fixer les deux extrémités et laisser le modèle combler le milieu'. Les personnes qui travaillent au storyboard connaissent bien cette logique : une fois les images clés fixées, le mouvement intermédiaire a enfin un point d'appui.
Mode brouillon, upscaling 4K et référence vidéo de trois secondes
Les autres changements visent le flux de travail : un nouveau mode brouillon en 360p, dont la vitesse de génération peut être jusqu'à 60% plus rapide qu'en 720p, sert à examiner rapidement les compositions ; une fois le plan final arrêté, il peut être passé en upscaling 4K. Côté entrée multimodale, une référence vidéo a été ajoutée, d'une durée maximale de trois secondes par segment — auparavant, seuls le texte et l'image étaient acceptés. La sortie finale est proposée en 1080p et en 4K.
La référence vidéo change la façon de s'exprimer côté entrée. Auparavant, pour apprendre au modèle un mouvement de caméra, il fallait le décrire par du texte — 'lent panoramique vers la gauche, léger tremblement de caméra à l'épaule' —, et ce que le modèle en comprenait relevait de la chance ; désormais, on peut lui fournir directement un extrait d'exemple de trois secondes. Trois secondes ne suffisent pas pour une scène entière, mais suffisent pour un mouvement de caméra complet ou un cycle d'action, et pour des séries qui exigent un langage visuel homogène, cela fait gagner bien plus de temps que d'écrire dix lignes de prompt. Le mode brouillon en 360p forme un duo avec cette fonction : on fixe d'abord en basse résolution les éléments structurels — rythme, composition, mouvement de caméra —, puis on passe en haute résolution pour ajouter les détails, sans payer le plein tarif à chaque tour.
Combien coûte un plan de quarante secondes
Cette fois, Google n'a pas détaillé de tarif au segment par résolution, se contentant de laisser une clé de conversion dans sa documentation tarifaire : la sortie vidéo est facturée au token, une seconde en 720p équivaut à 5792 tokens, la sortie vidéo de niveau standard coûte 17,50 dollars par million de tokens, ce qui, recalculé, donne environ 0,10 dollar par seconde. Ce chiffre est identique à celui de la version de fin juin, inchangé depuis deux mois.
En comptant grossièrement en 720p, un plan continu de quarante secondes coûte environ 4 dollars. Le calcul du mode brouillon se fait à part : en filtrant d'abord dix compositions jusqu'à n'en garder que trois via le 360p, puis en rendant ces trois restantes en 720p ou 1080p pour le plan final, le même budget permet de tester deux essais supplémentaires de langage visuel. Google n'a pas publié le tarif réel du 1080p et du 4K ; selon la logique de facturation au token, on peut simplement en déduire que plus la résolution est élevée, plus le nombre de tokens par unité de temps augmente, et donc le prix aussi — le multiplicateur exact reste à préciser dans la documentation complète.
La durée continue d'être repoussée
En prenant du recul sur la gamme Omni, le rythme apparaît assez clairement. La version preview de fin juin plafonnait chaque segment à dix secondes, à 0,1 dollar la seconde, une limite clairement affichée. Deux mois plus tard, la durée d'un segment n'a pas changé, mais il peut désormais être enchaîné trois fois de plus, la durée totale a quadruplé, et la fenêtre de contexte a été multipliée par dix. Google poursuit la voie de l'enchaînement de segments : plutôt que d'allonger la durée d'une seule génération, il accumule la durée totale en veillant à ce que chaque segment soit repris avec précision par le suivant. Cette approche est plus favorable en termes de mémoire vidéo et de coût d'inférence, au prix d'une stabilité des jointures qui repose presque entièrement sur la fenêtre de contexte — le passage de cette fenêtre d'une seconde à dix secondes vient précisément combler cette faille.
Quarante secondes ne suffisent pas à monter une publicité complète, mais pour le lot de vidéos courtes de dix à vingt secondes qui circulent sur les réseaux sociaux, un segment suffit, et deux segments laissent même de la marge pour le montage. En écrivant 'prêt pour la production' sur son blog, Google mise justement sur ce type de travail : gros volume, faible valeur par clip, mais une exigence de base en matière de continuité.
Sources : blog des développeurs Google, Google DeepMind, CocoLoop, documentation tarifaire de l'API Gemini ; la clé de conversion du tarif à la seconde a été vérifiée à partir de 5792 tokens par seconde en 720p et de 17,50 dollars par million de tokens pour la sortie vidéo de niveau standard.