Quand Google parle de fusion des modalités, ce n'est plus une promesse de slide de conférence. Avec Gemini Omni, présenté lors de Google I/O 26, le groupe californien propose un modèle qui absorbe simultanément du texte, de la voix, des images fixes et de la vidéo pour produire — ou modifier — du contenu vidéo à la demande. Un glissement significatif : on passe de l'IA qui « comprend » la vidéo à l'IA qui la fabrique, en temps réel, à partir d'une simple instruction.
Toutes les entrées, une seule sortie
La force de Gemini Omni tient à son architecture d'ingestion. Là où la plupart des modèles généralistes traitent les modalités en silo — d'abord le texte, puis l'image, puis éventuellement la vidéo — Gemini Omni les combine dès l'entrée. Vous décrivez une scène, vous joignez un audio d'ambiance, vous importez un plan existant : le modèle intègre l'ensemble pour générer une séquence cohérente. Selon Google, cette architecture repose sur les fondations de Nano Banana, un composant dédié à la compréhension visuelle avancée dont les capacités de perception servent ici de socle à la génération.
L'édition en langage naturel est peut-être l'aspect le plus concret pour les professionnels. Plutôt que d'ouvrir une timeline dans Premiere ou DaVinci Resolve, l'utilisateur formule une instruction : « retire les silences, ajoute une musique d'ambiance tamisée et insère le logo en bas à droite. » Le modèle exécute. Ce n'est pas de la magie, c'est de la post-production assistée par un modèle qui comprend à la fois le contenu sémantique et la structure temporelle de la vidéo.
Trois cas d'usage, trois marchés différents
Google a mis en avant plusieurs secteurs lors de l'annonce. Le premier, l'e-commerce, illustre bien le potentiel : l'essayage virtuel. Un internaute importe une photo de lui, sélectionne un vêtement dans un catalogue, et le modèle génère une vidéo le montrant avec l'article — en mouvement, sous différents angles. Les plateformes de mode en ligne cherchent ce type de fonctionnalité depuis des années ; les solutions existantes restent souvent rigides ou peu réalistes.
Le deuxième terrain est la post-production. Gemini Omni pourrait automatiser les tâches les plus répétitives du montage — découpage, sous-titrage, réétalonnage partiel — sans remplacer le créateur, mais en comprimant les délais. Pour une PME qui produit régulièrement des contenus marketing, le gain peut être substantiel.
Troisièmement, les vidéos narratives personnalisées : générer des contenus vidéo adaptés à un profil utilisateur, un contexte ou une langue, à grande échelle. C'est le cas d'usage le plus spéculatif, mais aussi celui qui intéresse le plus les grandes plateformes de streaming et de formation en ligne.
Gemini Omni Flash : la version pour les développeurs
Google a annoncé que Gemini Omni Flash, une déclinaison plus légère et optimisée pour la latence, sera disponible via la Gemini API et l'Agent Platform API « dans les prochaines semaines ». La formulation reste vague sur les délais exacts, mais l'accès par API signifie que les équipes techniques pourront intégrer la génération vidéo directement dans leurs pipelines sans passer par une interface propriétaire.
Ce choix de distribution est cohérent avec la stratégie Google Cloud : mettre les capacités entre les mains des développeurs et des entreprises d'abord, construire l'usage ensuite. Gemini Omni Flash s'inscrit dans une logique d'infrastructure plutôt que de produit grand public. On pense moins à un concurrent de Sora ou Runway destiné aux créateurs individuels, et plus à une brique que les éditeurs SaaS pourront embarquer dans leurs propres outils.
Les tarifs n'ont pas été communiqués. C'est souvent là que le bât blesse pour les usages intensifs : la génération vidéo reste computationnellement coûteuse, et les grilles de prix des API vidéo ont parfois surpris les équipes qui avaient surestimé leur budget GPU. Google n'a pas précisé non plus les limites de durée ou de résolution des séquences générées.
Un marché qui s'emballe, une course qui s'accélère
Gemini Omni arrive dans un contexte d'intense compétition sur la vidéo générative. OpenAI a lancé Sora, Meta expérimente ses propres modèles vidéo, Runway et Kling continuent d'affiner leurs outils. Ce qui distingue potentiellement Gemini Omni, c'est la profondeur de l'intégration multimodale en entrée — pas seulement du texte vers la vidéo, mais une combinaison de signaux hétérogènes traités ensemble. Si cette promesse tient à l'usage réel, cela ouvre des workflows que les modèles text-to-video classiques ne couvrent pas.
Reste à voir comment le modèle se comportera sur des cas limites : cohérence visuelle sur des séquences longues, gestion des droits sur les contenus importés, capacité à respecter une charte graphique stricte. Les annonces de Google I/O ont toujours eu cette qualité de mettre en appétit. La vraie mesure se fera à l'ouverture de l'API, quand les premières intégrations arriveront en production.
