Google améliore son modèle de génération vidéo avec Gemini Omni 1.1 Flash, une mise à jour pensée moins pour produire un clip spectaculaire en quelques secondes que pour résoudre l’un des défauts les plus persistants de la vidéo générative : maintenir une vraie continuité entre plusieurs plans.
Le nouveau modèle peut désormais analyser jusqu’à 10 secondes de vidéo précédente avant de prolonger une scène, étendre un projet jusqu’à 40 secondes, générer une transition entre une première et une dernière image imposées et produire des brouillons 360p beaucoup moins coûteux. Google cherche clairement à faire passer Gemini Omni du stade de démonstration créative à celui d’un véritable outil de production.
Gemini peut désormais « se souvenir » des 10 secondes précédentes
La principale amélioration concerne la continuité temporelle. Lorsqu’un utilisateur demande à Gemini Omni de prolonger une vidéo, le modèle peut maintenant analyser jusqu’à 10 secondes du contenu précédent. La précédente génération ne se référait essentiellement qu’à la dernière seconde.
Cette différence est importante.
Une seule seconde permet de comprendre la position actuelle d’un personnage ou la composition du dernier plan, mais fournit relativement peu d’informations sur ce qui vient réellement de se passer.
Dix secondes donnent beaucoup plus de contexte sur les mouvements, la direction de la caméra, l’apparence des personnages et l’évolution narrative de la scène.
Une réponse directe au problème de cohérence des vidéos IA
La génération vidéo souffre depuis longtemps de problèmes de continuité. Un personnage peut changer légèrement de visage, un vêtement peut modifier sa couleur, un objet disparaît entre deux plans, la caméra poursuit parfois un mouvement sans tenir compte de celui qui précédait. Google veut réduire précisément ce phénomène avec Omni 1,1.
En donnant davantage de contexte à chaque nouvelle extension, le modèle dispose d’une meilleure compréhension de l’état de la scène avant de générer la suite. Cela ne garantit évidemment pas une continuité parfaite, mais l’approche est beaucoup plus proche de la logique d’un véritable montage.
Les vidéos peuvent atteindre 40 secondes
Google augmente aussi fortement la durée possible d’une séquence. Une vidéo peut être prolongée par blocs de 10 secondes, jusqu’à atteindre une durée cumulée maximale de 40 secondes. Quarante secondes restent extrêmement courtes face à une production vidéo classique. Mais, dans le monde de la génération IA, où beaucoup de clips restent limités à quelques secondes, cette durée devient suffisamment longue pour construire une petite séquence narrative.
Un créateur peut imaginer une introduction, plusieurs mouvements de caméra et une conclusion sans devoir assembler manuellement une succession de clips totalement indépendants.
Les extensions peuvent suivre de nouvelles instructions
Chaque prolongement peut également recevoir un nouveau prompt. Un utilisateur peut donc commencer avec une première scène, demander ensuite à la caméra de reculer, puis poursuivre dans un nouvel environnement ou introduire un personnage.
Gemini conserve le contexte précédent tout en prenant en compte la nouvelle instruction. Cette logique permet de construire progressivement une séquence plutôt que de tout définir dans un énorme prompt initial. Elle rapproche surtout la génération vidéo de l’édition conversationnelle déjà mise en avant par Google avec la première version d’Omni.
Vous pouvez imposer la première et la dernière image
Autre nouveauté particulièrement intéressante : l’interpolation entre deux images clés. L’utilisateur peut fournir à Gemini la première image souhaitée d’un plan ainsi que sa dernière image. Omni 1,1 se charge ensuite de générer tout ce qui doit se produire entre les deux.
Cette fonction donne beaucoup plus de contrôle sur le résultat final. Au lieu de demander vaguement « fais tourner la caméra autour du personnage », le créateur peut déterminer précisément la composition de départ et celle d’arrivée.
Le modèle doit ensuite inventer une transition cohérente entre ces deux états.
Des mouvements de caméra beaucoup plus contrôlables
Google cite notamment les rotations de caméra, les zooms, les transitions complexes ou les plans continus. Le système peut par exemple commencer sur un personnage en gros plan puis terminer sur une composition beaucoup plus large. Il peut également générer un mouvement autour d’un sujet sans nécessiter de définir précisément chaque image intermédiaire.
Ce principe est proche des keyframes utilisés depuis longtemps dans les logiciels d’animation et de montage. La différence est que l’IA génère automatiquement toute la trajectoire visuelle entre les deux points.
Une fonction particulièrement utile pour les boucles vidéo
Les deux images peuvent aussi servir à construire une boucle. Si la première et la dernière composition sont soigneusement choisies, Gemini peut produire une transition qui revient visuellement vers son point de départ. Cela pourrait être utile pour les animations destinées aux réseaux sociaux, aux interfaces ou aux arrière-plans.
Les vidéos génératives ont souvent du mal à produire des loops parfaitement fluides. Le contrôle explicite des deux extrémités réduit fortement l’incertitude.
Trois secondes de vidéo peuvent servir de référence
Gemini Omni 1,1 Flash accepte également des références vidéo. Le créateur peut fournir jusqu’à trois secondes d’un clip existant afin de transmettre au modèle davantage de contexte visuel. Google présente notamment cette fonction comme un moyen d’améliorer la cohérence des personnages et des mouvements. Une référence peut par exemple servir à indiquer la manière dont un personnage doit danser ou la dynamique d’un mouvement précis.
Le modèle utilise ensuite ces informations pour générer une nouvelle scène.
La vidéo de référence devient l’équivalent du « style prompt »
Cette fonction est particulièrement intéressante parce qu’un mouvement est difficile à décrire uniquement avec des mots. Expliquer précisément une chorégraphie, une démarche ou un mouvement de caméra peut nécessiter un prompt extrêmement long. Une courte vidéo transmet cette information beaucoup plus directement.
Le modèle multimodal peut alors analyser le mouvement plutôt que simplement interpréter une description. C’est précisément l’un des avantages de Gemini Omni : accepter plusieurs types d’entrées dans le même workflow.
Le mode 360p réduit fortement le coût des essais
Google ajoute également une fonction beaucoup moins spectaculaire, mais probablement très importante en production : les brouillons en 360p. Un créateur n’a pas besoin de générer immédiatement chaque test en haute définition.
Omni 1,1 peut produire une prévisualisation 360p annoncée comme jusqu’à 60 % plus rapide que la génération standard en 720p. Google indique également que le coût peut descendre à environ un tiers de celui du rendu 720p.
Pour une phase de prototypage, l’économie peut devenir considérable.
Tester dix idées avant de payer pour la bonne
La génération vidéo reste coûteuse en ressources. Un créateur peut facilement produire de nombreuses versions avant d’obtenir le bon cadrage, le bon mouvement ou le bon comportement du sujet. Générer chacune de ces itérations en haute définition gaspille du temps et du calcul. Le mode 360p reprend donc une logique parfaitement classique dans les workflows professionnels : travailler avec des proxies ou des prévisualisations légères avant le rendu final.
L’IA commence ainsi à intégrer des méthodes utilisées depuis longtemps dans le cinéma et le montage.
Jusqu’à 1080p et 4K pour le rendu final
Une fois le résultat validé, Gemini Omni 1.1 peut produire une version haute définition. Google annonce des sorties en 1080p, ainsi qu’un upscaling jusqu’en 4K. Dans Flow, le créateur peut donc commencer par une version 360p rapide, sélectionner le meilleur résultat puis augmenter progressivement la qualité. Le 4K ne signifie évidemment pas que chaque détail a été généré nativement avec la précision d’une caméra 4K.
Il s’agit d’un processus de mise à l’échelle et d’amélioration du rendu. Mais, pour l’intégration dans des workflows professionnels, disposer d’un fichier final à cette résolution facilite énormément le montage et la diffusion.
Google veut rendre Omni « production-ready »
C’est précisément le vocabulaire utilisé par Google. Omni 1,1 Flash est présenté comme une évolution destinée à rendre le modèle plus adapté à la production réelle. Les nouveautés vont toutes dans cette direction. Plus de continuité, plus de contrôle, des brouillons moins chers, des sorties haute résolution, des références vidéo, ou encore des keyframes de départ et d’arrivée. Il ne s’agit plus simplement de démontrer qu’un modèle peut produire une belle vidéo à partir de texte.
Google travaille désormais sur tout ce qui permet de rendre cette vidéo prévisible et exploitable.
Flow devient le studio créatif privilégié de Google
Ces fonctions sont disponibles dans Google Flow, la plateforme créative lancée autour des modèles génératifs de Google. Omni 1,1 Flash y est accessible mondialement aux abonnés Google AI Plus, Pro et Ultra.
Flow devient progressivement le laboratoire où Google assemble ses modèles de génération et ses outils d’édition. L’objectif n’est plus de produire un clip puis de quitter l’application. Google veut permettre aux créateurs d’expérimenter, modifier, prolonger et finaliser une séquence dans le même environnement.
Google ne réserve toutefois pas toutes les fonctions aux créateurs utilisant Flow. La prolongation des scènes arrive également directement dans l’application Gemini pour les abonnés Google AI Plus, Pro et Ultra. Cela démocratise probablement l’une des fonctions les plus immédiatement impressionnantes du modèle.
Un utilisateur peut prendre une vidéo existante et demander simplement à Gemini de poursuivre ce qui se passe. Le reste des outils plus avancés reste naturellement mieux adapté à Flow ou aux API.
C’est probablement la leçon principale de Gemini Omni 1.1. Le photoréalisme attire immédiatement l’attention dans une démonstration. Mais, pour raconter une histoire, la continuité est beaucoup plus importante. Une scène légèrement moins spectaculaire mais cohérente pendant 30 secondes est souvent plus utile qu’une succession de clips de cinq secondes magnifiques mais incompatibles.
Google semble désormais optimiser ses modèles autour de cette réalité. Les dix secondes de mémoire contextuelle constituent à ce titre une évolution bien plus importante qu’une simple hausse de résolution.
