L’événement très attendu Google I/O a tenu ses promesses. Après un peu de mise en bouche et aux côtés de Gemini 3.5 Flash et Gemini Spark, la véritable vedette : Gemini Omni, une nouvelle famille de modèles d’IA nativement multimodaux « any-to-any », autrement dit capables de traiter simultanément texte, image, audio et vidéo. En d’autres termes, Nano Banana, mais pour la vidéo. (C’est ainsi que Google l’a présenté.)
Le premier modèle s’appelle Omni Flash. Il introduit le montage vidéo conversationnel pour créer des médias cohérents à partir d’éléments disparates. Autrement dit, vous pouvez monter et remixer des vidéos par la conversation, sans logiciel de montage.
Qu’est-ce que Gemini Omni ?
Voyons plus précisément ce qu’Omni apporte.
Gemini Omni est le premier modèle de génération de médias nativement multimodal de Google DeepMind. La première déclinaison de la famille, Gemini Omni Flash, est déjà disponible
- dans l’application Gemini,
- dans Google Flow, et
- sur YouTube Shorts
Omni accepte n’importe quelle combinaison de texte, d’images, d’audio et de vidéo en entrée, et produit une vidéo. L’essentiel, c’est qu’il n’y a aucun relais entre différents systèmes ; tout repose sur un seul et même modèle.
Jusqu’ici, Google utilisait une pile séparée : Veo pour la vidéo, Imagen pour les images, et des systèmes distincts pour l’audio. Omni unifie le tout dans un modèle unique (d’où son nom) capable de raisonner à travers les modalités. Concrètement, cela se traduit par des montages plus cohérents et moins d’artefacts de pipeline.
Avant d’aller plus loin, cadrons-le avec les fonctionnalités clés.
Fonctionnalités clés de Gemini Omni
Ce qui ressort, c’est le processus. Le montage conversationnel et l’usage de croquis comme plans directeurs existent déjà dans des outils d’image comme Nano Banana 2 ou ChatGPT Images 2.0 d’OpenAI, mais Omni les étend à la génération vidéo.
Montage vidéo conversationnel
La fonctionnalité phare, c’est le montage vidéo conversationnel. Vous donnez à Omni un clip (généré ou filmé avec votre téléphone) et vous le modifiez en lui parlant. « Baissez les lumières. » « Passez en caméra à l’épaule, derrière elle. » « Rendez le violon invisible. » Chaque instruction s’ajoute aux précédentes. La scène évolue, elle ne repart pas de zéro.
Physique du monde réel et connaissances générales
Google a insisté là‑dessus au lancement. Omni a une compréhension intuitive de la gravité, de l’énergie cinétique et de la dynamique des fluides. Lors de mon premier test, la physique ne m’a pas semblé totalement réaliste — mais rappelons qu’il s’agit de la version Flash, et qu’un modèle Omni Pro devrait suivre rapidement, plus compétitif face à des outils comme Seedance 2.0.
Du croquis au film
Vous pouvez transformer des gribouillis en prises de vue réalistes, en utilisant le croquis comme simple guide de mouvement plutôt que comme référence visuelle finale. Très utile en pré‑production. Les enfants vont adorer pour animer leurs dessins.
Filigrane SynthID et attestations de contenu C2PA
Chaque rendu Omni s’accompagne de deux couches de traçabilité.
- SynthID est un filigrane invisible intégré directement dans les pixels au moment de la génération. Il est imperceptible pour les spectateurs et conçu pour résister au recadrage, aux filtres et au ré-encodage.
- Les attestations C2PA se présentent comme un manifeste cryptographique signé, attaché au fichier. Même si vous supprimez les métadonnées, le signal au niveau des pixels reste présent.
Précision utile : SynthID est spécifique à Google. Seuls les modèles Google l’intègrent ; « sans filigrane » ne veut donc pas dire « produit par un humain », mais simplement « pas issu d’un modèle Google ». Vu la facilité avec laquelle Omni peut remixer des prises de vue réelles, une traçabilité robuste pour chaque sortie apparaît moins comme un plus et davantage comme un prérequis.
Test de Gemini Omni Flash
J’ai testé les capacités de génération vidéo d’Omni Flash dans deux catégories : la physique du monde réel et le transfert de style.
Tester la physique et les connaissances du monde
Voici mon prompt :
A medieval trebuchet launching a fired clay pot at a stone castle wall, shot in slow motion. The counterweight falls, the sling whips around, the pot arcs through the air and shatters against the stone, shards and embers scattering across the courtyard. Continuous handheld camera move, golden hour light, period-accurate construction and dress. Realistic sound design — wood creaking under tension, rope strain, the whoosh of the sling, the sharp crack of impact. No music.
La note indiquait que cela prendrait quelques minutes, mais en réalité, cela n’a pris qu’une dizaine de secondes.
