Google lance Gemini Omni 1.2 Flash : vidéo jusqu’à 15 secondes, 0,07 dollar la seconde en 720p, soit 30 % de moins qu’Omni 1.1 ; la qualité repose sur des démonstrations et des citations de clients, et les références audio exigent une liste d’autorisation

Le 5 novembre 2026, Google a annoncé Gemini Omni 1.2 Flash, un modèle de génération et d’édition vidéo, et affirme qu’il est disponible de façon générale (generally available) dans l’API Gemini et dans Gemini for business. L’annonce tient en deux articles : un article produit de Google DeepMind et un article de Google Cloud consacré à l’usage en production. Tous les chiffres ci-dessous viennent de Google lui-même, et aucune mesure externe de qualité ou de vitesse n’est fournie. Un autre article Google Cloud conservé indique au contraire que le chat Gemini for business arrivera « bientôt ». La disponibilité de l’API/Cloud et celle du chat professionnel sont distinctes ; nous ne tranchons pas la chronologie des deux articles.

Le changement principal est la durée des clips. Omni 1.2 Flash peut générer et éditer nativement des vidéos jusqu’à 15 secondes, contre 10 secondes pour Omni 1.1, et la durée se règle par pas d’une seconde, de 3 à 15 secondes. La page du modèle sur Google Cloud précise que la sortie à partir d’une première et d’une dernière image, ou la prolongation d’un clip existant, est limitée à 3 à 10 secondes, et que les formats d’image pris en charge sont 16:9 et 9:16. Google dit que le modèle suit mieux les références. Une même requête peut combiner des images de personnage, de produit ou de style, de courts clips de mouvement de trois secondes au plus et des indications audio, et le modèle doit garder stables les visages, les vêtements, la typographie des emballages et les couleurs de marque d’un angle de caméra à l’autre. Les clips peuvent aussi être corrigés tour par tour dans une conversation, par exemple en changeant le fond, l’éclairage ou le format, sans régénérer tout le clip. Google ajoute des progrès sur la parole : dialogues plus naturels, synchronisation labiale plus nette et conditionnement séparé de la voix pour plusieurs locuteurs.

Le prix est le seul chiffre ferme de l’annonce. Google indique avoir baissé le prix de 30 % par rapport à Omni 1.1 et que la vidéo 720p coûte désormais 0,07 dollar par seconde. D’après notre calcul, un clip complet de 15 secondes en 720p revient à environ 1,05 dollar, sans compter les essais répétés. L’annonce ne donne pas de prix pour la sortie 1080p ou 4K, ni pour l’agrandissement (upscale). Elle décrit plutôt un flux de travail économe : un brouillon en 360p ou 720p, une retouche de détail par une édition de suivi, puis un agrandissement du meilleur résultat en 1080p ou 4K. Elle renvoie à une page de tarifs que nous n’avons pas capturée ; cet article ne reprend donc aucun autre prix.

La disponibilité varie selon les produits. Les développeurs peuvent utiliser le modèle dans Google AI Studio et l’API Gemini. Les entreprises le trouvent dans la console Google Cloud et par l’API, où Google indique que le Provisioned Throughput est proposé et que les sorties portent un filigrane SynthID imperceptible. Google cite aussi Flow, Google Vids, où des clips de 15 secondes sont générés sans coût supplémentaire avec un compte Google ou un abonnement Google Workspace, et Google Ads. L’application Gemini reçoit les vidéos de 15 secondes progressivement, pour les abonnés Google AI Ultra. L’article de Google Cloud ajoute une limite absente de l’article DeepMind : les références audio sont soumises à une liste d’autorisation (allowlisting), donc tous les développeurs ne peuvent pas les utiliser dès le premier jour.

Les preuves de qualité sont des vidéos de démonstration et des citations de clients. Google montre une séquence d’essayage virtuel, une affiche construite couche par couche, un changement de fond en cinq étapes et un vol de drone en vue subjective à travers un bâtiment à dôme, sans coupe, et compare parfois côte à côte Omni 1.2 et Omni 1.1. Il n’y a ni score de benchmark, ni étude de préférence, ni chiffre de latence, ni taux d’échec. Les citations viennent d’Adobe, Monks, Whering, Figma Weave, STAN, Magnific et Resemble AI dans l’article DeepMind, et d’Artlist, FLORA, invideo, Krea, Picsart, Runway, Photoroom et QuickFrame AI dans l’article Cloud. Elles sont choisies par le fournisseur. L’une d’elles, QuickFrame AI, dit que la génération de 15 secondes en 1080p permet de réaliser une publicité complète pour la télévision connectée en une seule génération.

Google indique aussi ce qui n’est pas terminé : le travail continue sur l’action sportive rapide, les changements de script rapides et la physique complexe. La liste est courte, et elle correspond à ce qu’une équipe voudra tester d’abord : les mouvements rapides, les scènes qui changent vite et les objets qui interagissent. Hormis le filigrane SynthID et l’infrastructure d’entreprise sur laquelle le modèle tourne, l’annonce ne décrit aucune évaluation de sécurité ni politique de contenu ; les lecteurs qui ont besoin d’une revue de sécurité devront chercher une documentation distincte.

Notre lecture : c’est un vrai pas pour le produit, car la durée, le prix et la disponibilité générale sont concrets et vérifiables. Les affirmations de qualité ne le sont pas encore. Une équipe qui produit des vidéos de produits ou de publicités en volume devrait d’abord chiffrer une tâche type : nombre de clips, secondes par clip, essais répétés attendus et résolution du fichier final. Elle devrait ensuite passer ses propres images de référence pour voir si les visages, les logos et le texte des emballages restent stables, et si les clips de 15 secondes ont vraiment besoin de la fonction audio sous liste d’autorisation. La baisse de prix et le clip plus long ne servent que si les résultats résistent à ce test.