Google a présenté le 5 novembre le modèle de génération et d’édition vidéo Gemini Omni 1.2 Flash, devenu généralement disponible le jour même. Le billet de lancement place trois changements en tête : la limite native par clip passe de 10 à 15 secondes, la fidélité aux images de référence progresse, et la vidéo 720p tombe à 0,07 dollar la seconde, soit 30 % de moins que la version 1.1.
Le billet est signé d’Anish Nangia, chef de produit chez Google DeepMind. Les développeurs peuvent appeler le modèle via la Gemini API dans Google AI Studio ; les entreprises passent par Vertex AI de Google Cloud, qui propose en plus un débit réservé (Provisioned Throughput). Côté grand public, les points d’entrée sont Flow, Google Vids et l’application Gemini : la vidéo de 15 secondes dans l’application Gemini n’est pour l’instant ouverte que progressivement aux abonnés Google AI Ultra ; dans Google Vids, générer un clip de 15 secondes avec un compte Google ou un abonnement Workspace n’entraîne pas de frais supplémentaires. Google Ads a également intégré cette version pour produire en masse des visuels publicitaires vidéo.
Durée et cohérence
La durée se choisit de 3 à 15 secondes, par pas d’une seconde. La version 1.1 d’août plafonnait chaque clip à 10 secondes ; pour des films plus longs, il fallait enchaîner les segments avec la fonction de prolongation. La 1.2 allonge le clip unique, conserve la prolongation et l’interpolation entre première et dernière image et, selon le billet, limite la dérive et la déformation des personnages, des objets et des scènes entre l’image de départ et celle d’arrivée.
Les entrées de référence sont de trois types : images de personnages, de produits et de styles ; clips de référence de mouvement allant jusqu’à 3 secondes ; et indications audio. Google cite l’essayage virtuel et la présentation de produits à 360 degrés, et affirme que la nouvelle version garde cohérents les visages, les vêtements, les caractères typographiques des emballages et les couleurs de marque sous différents angles de caméra.
L’édition en plusieurs tours couvre cette fois le clip complet de 15 secondes : changer le produit, le décor, l’éclairage et la météo, ou le format d’image, tout peut être retouché à partir du résultat du tour précédent, sans régénérer l’ensemble du clip. Côté voix, un contrôle multi-locuteurs permet d’attribuer des voix différentes à chaque personnage, et la synchronisation labiale s’améliore. Pour les mouvements de caméra, le billet cite des plans continus comme le vol FPV, le recul et l’orbite, avec moins de coupes sèches et des proportions d’image plus stables.
Toutes les sorties portent un filigrane invisible SynthID.
Un calcul en 720p
Google ne publie le tarif à la seconde que pour un seul palier, le 720p ; pour le 1080p et la 4K, il faut consulter la page de tarification. Le flux recommandé par le billet : produire des brouillons en 360p ou 720p, affiner par édition en plusieurs tours, puis monter en 1080p ou en 4K à la toute fin.
Un calcul approximatif à partir des chiffres publics :
| Clip | Version 1.1 (720p, environ 0,10 dollar/s) | 1.2 Flash (720p, 0,07 dollar/s) |
|---|---|---|
| Un clip de 15 s | environ 1,5 dollar, avec prolongation | environ 1,05 dollar |
| Film de 30 s (deux clips) | environ 3 dollars | environ 2,1 dollars |
Le tarif à la seconde de la version 1.1 est une valeur approchée que nous avions déduite auparavant du calcul par jetons de la documentation tarifaire ; les 0,07 dollar de la 1.2 sont, eux, donnés directement par Google. L’écart entre les deux correspond pour l’essentiel aux 30 % annoncés par le billet.
Ce tableau ne compte qu’une seule génération. Le billet ne dit pas combien coûtent les essais répétés en phase de brouillon, si chaque tour d’édition est facturé sur la durée complète du clip, ni quel supplément s’applique pour la montée en 4K : la facture réelle sera donc plus élevée que celle du tableau. Pour les équipes de vidéo courte e-commerce qui suivent le schéma « brouillon retouché en plusieurs tours, montée en résolution au moment de la version finale », le coût par vidéo dépend surtout du nombre de tours de retouche ; le tarif affiché n’est qu’un point de départ.
Les limites que Google reconnaît elle-même
Le billet énumère trois axes encore en cours d’amélioration : les actions sportives rapides, les scénarios aux dialogues changeant fréquemment et les effets physiques complexes. Toutes les descriptions de performance proviennent d’exemples choisis par Google, dont une séquence d’affiches et des comparaisons entre première et dernière image ; il n’y a ni score d’évaluation chiffré ni test indépendant.
Pour les développeurs de Chine continentale, la Gemini API et Vertex AI ne sont pas proposées dans le pays ; il faut passer par une entité et un compte à l’étranger. Les équipes chinoises disposent déjà de modèles vidéo comme Kling et Jimeng ; lors de son lancement en octobre, Kling 4.0 générait déjà 30 secondes par vidéo. Le couple 15 secondes et 0,07 dollar met surtout la pression sur les API étrangères comparables facturées à la seconde.
Sources : blog officiel de Google, page de tarification de la Gemini API, CocoLoop ; ont été vérifiés les 0,07 dollar la seconde en 720p, les clips de 3 à 15 secondes et la baisse de 30 % par rapport à la version 1.1.