Qu'est-ce que Gemini Omni Flash ? Le nouveau modèle vidéo IA de Google expliqué

Ce que Google a vraiment lancé

Je lis beaucoup d'annonces de modèles dans mon travail, et la plupart ne sont qu'une seule capacité habillée d'un nouveau marketing. Gemini Omni Flash a une forme réellement différente : c'est la tentative de Google d'un modèle any-to-any où la vidéo est la sortie actuelle, pas la seule prévue. L'argument de l'annonce du CTO de DeepMind, Koray Kavukcuoglu, est qu'Omni est l'endroit où « la capacité de Gemini à raisonner rencontre sa capacité à créer ».

Concrètement, cela signifie que vous pouvez donner au modèle un mélange de texte, d'image, de vidéo et (audio vocal uniquement, pour l'instant) de son, et il génère de la vidéo haute résolution avec du son, ancrée dans la connaissance générale de Gemini du monde, de la physique, de l'histoire et du contexte culturel, plutôt que de simples images plausibles. Les propres prompts de démonstration de Google jouent là-dessus : une bille roulant sur une piste à réaction en chaîne qui respecte l'élan et la gravité, une vidéo alphabet où chaque lettre est un objet à thème inhabituel, une explication en pâte à modeler du repliement des protéines.

L'élément qui mérite qu'on s'y attarde est le modèle d'édition. Demandez un changement, et l'instruction suivante s'appuie sur la précédente au lieu de régénérer toute la scène : les personnages restent en place, la physique tient, et le modèle se souvient de ce qu'il a déjà fait. La démo de Google fait passer un violoniste à travers trois modifications qui s'accumulent, en changeant l'environnement, en rendant le violon invisible, puis en changeant l'angle de caméra, sans perdre le fil du plan original.

Le flux de travail any-to-any

La fiche officielle du modèle confirme que l'architecture est un transformer avec prise en charge multimodale native du texte, de la vision, de la vidéo et de l'audio. Les entrées peuvent être n'importe quelle combinaison de ces quatre types ; la seule modalité de sortie disponible pour l'instant est la vidéo avec son, même si Google indique que la sortie image et audio arrivera « en temps voulu ». C'est ça, le concept « any-to-any » : un seul modèle, plusieurs types d'entrée, une boucle créative connectée au lieu d'outils séparés pour la génération et l'édition.

Le déploiement a suivi un schéma désormais familier chez Google : d'abord les particuliers, puis les développeurs. Gemini Omni Flash a été mis à disposition des abonnés Google AI Plus, Pro et Ultra dans le monde entier via l'application Gemini et Google Flow, ainsi que gratuitement pour les créateurs sur YouTube Shorts et l'application YouTube Create, dès le premier jour. L'accès développeur et API entreprise a suivi quelques semaines plus tard, arrivant en preview publique le 30 juin 2026, via Google AI Studio, l'API Gemini, et la Gemini Enterprise Agent Platform.

Associé à Nano Banana 2 Lite : un seul flux de travail, pas deux produits

Omni Flash n'a pas été lancé seul. Google l'a annoncé aux côtés de Nano Banana 2 Lite (identifiant de modèle gemini-3.1-flash-lite-image), le modèle le plus rapide et le moins cher de la famille de génération d'images Nano Banana : texte-vers-image en moins de 4 secondes pour 0,034 $ par image en résolution 1K, remplaçant l'original Nano Banana comme choix par défaut recommandé. Pris isolément, c'est une amélioration solide, quoique sans surprise, en vitesse et en coût.

Ce qui rend la chose intéressante, c'est que Google a construit trois applications de démonstration officielles qui enchaînent les deux modèles au lieu de les traiter comme des produits séparés :

• Anywhere - prend un selfie, utilise Nano Banana 2 Lite pour vous placer devant un monument, puis Omni Flash anime la photo en clip.
• Space Lift - réimagine une photo de pièce selon différents styles de décoration, puis transforme le look choisi en visite cinématique.
• Omni product studio - convertit des photos de produits statiques en vidéo e-commerce.

Le compte indépendant d'actualités IA Rohan Paul a interprété le lancement comme moi, à savoir que l'association des deux modèles est le vrai produit :

« Enchaîner les deux modèles, c'est la vraie forme du produit, pas l'un ou l'autre seul. Nano Banana 2 Lite crée des images de référence, puis Gemini Omni Flash les anime. » - Rohan Paul, X

La famille Nano Banana compte désormais quatre niveaux, d'après le tableau comparatif des modèles de l'annonce elle-même :

Le propre tableau de benchmark de Google confirme la promesse de vitesse : Nano Banana 2 Lite se place nettement devant le peloton sur la courbe latence-prix.

Ce que coûte réellement un clip

La tarification de l'API Gemini pour Gemini Omni Flash est inhabituellement simple pour un modèle Google, surtout parce qu'il n'y a qu'un seul niveau. Contrairement à la plupart des modèles Gemini 3.x, il n'y a pas d'option Batch, Flex ou Priority ici, juste Standard, et aucun palier gratuit.

La page tarifaire de Google explique le calcul directement : la facturation se fait sur le total des tokens de sortie, à raison de 5 792 tokens par seconde de vidéo 720p, ce qui revient à environ 0,10 $ la seconde. En appliquant ce calcul au plafond actuel de 10 secondes, un seul clip atteint un peu plus de 1 $, avant même ce que coûte l'envoi de votre prompt ou de vos médias de référence.

Google ne cache pas que le prix correspond exactement à celui d'un concurrent direct. Logan Kilpatrick, responsable des relations développeurs pour l'API Gemini, l'a annoncé en ces termes précis :

« Omni Flash est à l'état de l'art pour l'édition vidéo à 0,10 $/sec, comme Veo 3.1 Fast ! » - Logan Kilpatrick, X

Une bizarrerie enfouie dans les petites lignes de la tarification : Gemini Omni Flash Preview est marqué « Oui » concernant l'utilisation du contenu pour améliorer les produits de Google, même sur le palier payant, là où la plupart des autres modèles Gemini payants indiquent « Non ». Bon à savoir avant d'y envoyer quoi que ce soit de sensible.

Là où il montre encore ses limites

La fiche officielle du modèle est étonnamment franche sur ce qui ne fonctionne pas encore, avec trois défis spécifiques nommés directement : maintenir une cohérence totale à travers les modifications, générer des scènes avec des mouvements complexes, et rendre du texte à l'écran de façon fidèle. Google signale aussi que la cohérence des personnages « présente certaines limites », en particulier lors des changements de scène et des mouvements de caméra, exactement le type de modification que ses propres démos mettent le plus en avant.

L'API a aussi ses aspérités. Le téléversement de références audio et l'extension de scène ne sont pas encore pris en charge, et les références vidéo jusqu'à 3 secondes sont acceptées par le schéma mais pas correctement traitées par le modèle. Et il n'y a pas de données de benchmark publiées : la fiche du modèle de DeepMind reporte explicitement les scores d'évaluation pour le texte-vers-vidéo, l'image-vers-vidéo, la référence-vers-vidéo et l'édition jusqu'à ce que le modèle atteigne une disponibilité API plus large.

Un praticien sur LinkedIn a directement remis en question la question du niveau de finition, en commentant l'annonce originale de Gemini Omni depuis I/O :

« Ce n'est pas tout à fait vrai ! Ça ne fonctionne que sur certaines résolutions, et la constance des personnages n'est toujours pas totalement aboutie. C'est sympa pour les youtubeurs, c'est amusant. Mais absolument pas au niveau d'une production professionnelle. » - Melwin Sam, LinkedIn

La fiche du modèle de Google confirme elle-même une partie de cette lecture dans sa révélation la plus marquante : le modèle peut déjà modifier ce qu'une personne dit dans une vidéo, et Google restreint délibérément cette capacité « le temps de comprendre comment l'apporter aux utilisateurs de manière sûre et responsable ». C'est une véritable capacité volontairement retenue, pas une limitation dont Google s'excuse.

Un autre commentateur, sur l'annonce LinkedIn de Google Cloud elle-même, a précisé pourquoi l'argument de l'édition compte plus que celui de la qualité de génération :

« L'édition conversationnelle sur la génération vidéo est un problème plus difficile que la qualité de la génération initiale, car maintenir la cohérence à travers les tours d'édition nécessite de suivre l'état de la scène, pas seulement de produire une bonne image isolée. » - EurosHub, LinkedIn

Et un second lecteur sur ce même fil a soulevé la question qui suit tout lancement rapide d'IA en entreprise :

« À mesure que des agents IA de plus en plus capables s'intègrent dans les services d'une entreprise, la performance technique seule ne suffira pas à démontrer qu'une organisation est prête à les exploiter en toute sécurité. » - Glen Stansfield, LinkedIn

C'est cette dernière phrase que je soulignerais. Ce n'est pas vraiment une question de modèles vidéo. C'est une question qui concerne toute capacité IA qui atterrit dans un flux de travail d'entreprise plus vite que l'organisation ne peut construire les garde-fous pour l'exploiter en toute sécurité, et c'est exactement le problème auquel je pense chaque jour en construisant l'automatisation du support.

Où il a sa place, et où il ne l'a pas

Gemini Omni Flash est une étape solide et honnêtement documentée vers la vision any-to-any de Google, et si votre travail consiste à produire des clips marketing, des vidéos produit ou du contenu créatif, ça vaut sérieusement le coup d'œil, surtout en le chaînant avec Nano Banana 2 Lite pour le flux image-vers-vidéo. Pour une équipe SEO ou une agence de contenu déjà dans l'univers d'eesel, c'est un vrai outil complémentaire : je construis l'agent rédacteur de blog d'eesel pour la recherche et la rédaction, et une couche vidéo rapide par-dessus un texte écrit est un vrai duo utile, pas un concurrent.

Mais ça reste un modèle de média génératif, pas un système de support. Il ne connaît pas votre politique de remboursement, il n'a pas de file de vrais tickets pour apprendre, et rien dans « des clips vidéo de 10 secondes » ne touche au vrai travail de la plupart des personnes qui lisent cet article : une boîte de réception ou une file Zendesk qui déborde pendant que tous les titres parlent d'IA vidéo. J'ai passé des années à voir une IA au ton confiant donner une mauvaise réponse à un vrai client, ce qui est exactement pourquoi les aspects ennuyeux, simuler sur vos tickets historiques avant toute mise en production, escalader plutôt que de deviner quand elle n'est pas sûre, comptent plus qu'une démo tape-à-l'œil.

Essayez eesel pour la file que l'IA vidéo ne touchera pas

Si le vrai problème sur votre bureau est un arriéré croissant de tickets de support, pas un manque de contenu vidéo, c'est pour ça que je construis eesel. C'est un coéquipier IA qui se connecte à Zendesk, Freshdesk, Intercom, ou quel que soit le helpdesk que vous utilisez déjà en quelques minutes, apprend de vos tickets passés et de votre documentation d'aide dès le premier jour, et rédige, trie ou résout les demandes de niveau 1 sans nouvelle pile logicielle à surveiller.

Avant de toucher un seul client réel, eesel simule sur vos tickets historiques pour que vous voyiez exactement ce qu'il aurait répondu et combien il aurait résolu, le même réflexe de garde-fou d'abord que les commentateurs LinkedIn ci-dessus cherchaient dans un contexte différent. C'est ainsi que Gridwise a résolu 73 % des demandes de niveau 1 dès son premier mois, et comment Smava fait tourner un agent entièrement automatisé sur plus de 100 000 tickets par mois. La tarification est de 0,40 $ par ticket résolu, sans frais de siège, et les 50 premiers dollars d'usage sont gratuits.

Omni Flash et Nano Banana 2 Lite de Google sont une très bonne réponse à « comment produire du contenu vidéo plus vite ». Si votre vraie question est « comment arrêter de me noyer dans les tickets », un agent IA de support conçu pour ça est l'outil qu'il vous faut, et vous pouvez essayer eesel gratuitement.