Gemini Omni

Google Gemini Omni est un modèle de génération et d'édition vidéo conçu par Google DeepMind, lancé le 19 mai 2026 lors de la Google I/O. Le premier modèle, Gemini Omni Flash, a été déployé le jour même via l'application Gemini et Google Flow. Sa caractéristique principale est une véritable saisie omnimodale : fournissez-lui un prompt textuel, une image, un clip existant, une piste audio ou n'importe quelle combinaison, et recevez en retour une vidéo générée ou modifiée. Google DeepMind l'a positionné comme « plus qu'une mise à jour de Veo », signalant que Gemini Omni est une tentative d'intégrer la création cinématographique itérative et conversationnelle directement dans la gamme de produits Gemini.

Ses capacités principales incluent le transfert de style (des images réalistes vers de l'animation en pâte à modeler, de l'anime ou du dessin au trait), le remplacement d'arrière-plan, la suppression d'objets, l'édition à tours multiples avec des personnages et un éclairage cohérents, des effets tenant compte de la physique et la génération de vidéos explicatives éducatives. Le rendu de texte est une force confirmée : Gemini Omni a rendu avec précision sin(x) + cos(x) = 1 sur un tableau noir en mouvement lors de tests indépendants, là où Seedance 2.0 a échoué sur le même prompt. Les clips sont limités à 10 secondes au lancement, ce qui a été confirmé comme une décision de déploiement plutôt qu'une contrainte du modèle. L'édition de la voix et de la parole (modification des dialogues dans des séquences existantes) a été délibérément suspendue en attendant des tests de sécurité.

Ce que Gemini Omni produit en mai 2026

Gemini Omni Flash génère des clips vidéo d'une durée maximale de 10 secondes. La résolution et la fréquence d'images exacte ne sont pas divulguées publiquement. La génération et la synchronisation audio sont prises en charge nativement : vous pouvez fournir une piste audio de référence et demander à Omni d'y synchroniser des événements visuels (des lumières qui s'allument sur un rythme, une feuille qui bruisse lorsqu'une note de harpe retentit). Le modèle prend en charge l'édition à tours multiples, ce qui signifie que chaque prompt de suivi affine le dernier résultat plutôt que de tout regénérer à partir de zéro. C'est la fonctionnalité qui manque le plus cruellement à tous les modèles concurrents au lancement.

Les combinaisons d'entrées prises en charge incluent le texte seul, l'image seule, la vidéo seule, l'image plus le texte, la vidéo plus le texte, la vidéo plus une image de référence, et la vidéo plus l'audio plus le texte ensemble. Le slogan de la page produit le résume parfaitement : « Create anything from any input. » (Créez n'importe quoi à partir de n'importe quelle entrée). Les catégories de génération comprennent le text-to-video complet, le transfert de style image-to-video, la transformation video-to-video (modification de l'esthétique tout en préservant le mouvement), l'échange d'objets et de personnages dans des séquences existantes, l'édition d'arrière-plan et l'ajustement de l'angle de la caméra. Les préréglages de style démontrés au lancement : animation en pâte à modeler, dessin au trait monochrome, anime, aquarelle et modifications physiques photoréalistes. Le modèle applique un raisonnement physique du monde réel plutôt qu'un mélange au niveau des pixels, c'est pourquoi le changement d'architecture fonctionne pour des effets tels que l'ondulation fluide d'un miroir ou le déclenchement audiovisuel synchronisé.

Où se situe Gemini Omni par rapport à Veo 3 et Seedance 2.0

Le concurrent le plus évident dans le propre catalogue de Google est Veo 3. Veo 3 est un modèle vidéo spécialisé, axé sur la génération, qui produit des clips allant jusqu'à 8 secondes avec une synthèse audio native (effets sonores, ambiance, musique générés en même temps que la vidéo en un seul passage). Ses résultats se classent systématiquement dans la catégorie « cinématographique » : des séquences nettes et émotionnellement crédibles qui conviennent aux courts métrages et aux contenus sociaux haut de gamme. Ce que Veo 3 ne peut pas faire, c'est accepter des entrées de types multiples simultanément ou effectuer des éditions à tours multiples dans le chat. Vous lui donnez un prompt, il renvoie un clip, et l'interaction s'arrête là. Gemini Omni fait le compromis inverse : le pipeline d'édition conversationnelle et l'entrée omnimodale sont ses principales raisons d'être, et il sacrifie une partie du rendu cinématographique brut de Veo 3 pour y parvenir. Pour les cinéastes qui veulent le clip de huit secondes le plus esthétique possible, Veo 3 reste le meilleur choix. Pour les créateurs qui ont besoin d'itérer une scène à travers dix modifications sans avoir à redemander tout le contexte, Omni est structurellement plus performant.

Le leader de référence externe est Seedance 2.0 de ByteDance. Seedance rend le tissu, les cheveux, l'eau et les mouvements humains avec ce que les critiques appellent systématiquement un « poids cinématographique », une crédibilité de la physique du mouvement que les yeux exercés remarquent immédiatement. Lors d'un test comparatif direct réalisé par ReviewsTown (mai 2026), Seedance 2.0 a surpassé Omni sur la physique de la nourriture et la continuité des mouvements humains. Le créateur YouTube couvrant le lancement de la I/O 2026 l'a dit clairement dans sa première analyse :

« Cela ne m'impressionne pas trop. Nous avons déjà d'autres modèles vidéo omnimodaux capables de faire des choses similaires comme Kling Free ainsi que Seedance 2.0. Et du moins d'après mes premiers tests, Gemini Omni ne semble pas être aussi bon que Seedance 2.0 en termes d'anatomie et de scènes d'action intenses. C'est du moins ma première impression. » - Créateur YouTube (couverture du lancement de la I/O 2026), YouTube, mai 2026

Seedance 2.0 coûte également moins cher par clip : l'accès à l'API tierce coûte environ 0,06 $ à 0,15 $ par seconde de vidéo générée, contre le modèle d'abonnement à quotas d'Omni. L'avance évidente d'Omni sur Seedance réside dans l'édition intégrée au chat (Seedance 2.0 n'a aucune capacité d'édition itérative) et le rendu de texte/équations à l'intérieur de la vidéo. Ce sont des avantages documentables qui ne comblent pas l'écart de qualité cinématographique, mais qui créent de véritables cas d'usage. Les créateurs associant Omni à Runway ou Kling AI pour des plans en mouvement plus lourds trouvent une division du travail viable.

Le coût réel de la génération avec Gemini Omni

Gemini Omni est un produit FREEMIUM. L'accès gratuit n'existe que sur YouTube Shorts et l'application YouTube Create, limité à ces plateformes. Pour y accéder via l'application Gemini ou Google Flow, un abonnement payant à Google AI est requis. Les trois niveaux qui incluent Gemini Omni sont AI Plus à 7,99 $/mois, AI Pro à 19,99 $/mois et AI Ultra à partir de 99,99 $/mois (réduit par rapport au précédent prix d'entrée de 249,99 $ lors de la I/O 2026).

La réalité de l'utilisation est restrictive. Des tests indépendants ont documenté que deux générations de vidéos consommaient environ 86 % de l'allocation quotidienne d'AI Pro. Cela signifie moins de trois clips vidéo par jour sur le forfait à 19,99 $/mois avant l'épuisement du quota, et ce quota est partagé avec les tâches de texte, de code et d'image. Les crédits Flow Omni sont échelonnés par forfait : 200 crédits sur AI Plus, 1 000 sur AI Pro, et entre 10 000 et 25 000 sur AI Ultra. Google a abandonné les plafonds mensuels fixes de prompts pour un modèle d'utilisation basé sur le calcul lors de la I/O 2026, ce qui a provoqué la frustration des abonnés AI Pro existants qui comptaient sur le pack prévisible de 1 000 crédits mensuels, supprimé dans le cadre de la refonte des forfaits. Reddit et les réseaux sociaux ont vu des critiques selon lesquelles le nouveau système rend les limites « moins prévisibles » à des fins de budgétisation.

Pour les créateurs qui génèrent plus d'une poignée de clips par semaine, AI Ultra à 99,99 $/mois est le niveau de production réaliste. L'API développeur n'a pas de prix au lancement (« à venir dans les semaines qui suivent » selon l'annonce de Google). Comparé à Pika ou WAN où les crédits par génération sont prévisibles, le quota basé sur le calcul de Gemini Omni introduit une incertitude de planification à tous les niveaux en dessous d'Ultra.

Où Gemini Omni échoue systématiquement

L'écart en matière d'anatomie et d'action intense est la limite la plus documentée. De multiples critiques indépendants, du créateur YouTube couvrant l'événement de lancement à l'article comparatif d'iGeekPhone, confirment que les mouvements humains complexes (danse, sports, séquences d'action intenses), l'anatomie physiquement exigeante (mains, bouches, physique de l'alimentation) et les scènes nécessitant du poids et de l'élan sont tous à la traîne par rapport à Seedance 2.0 et Kling V3.0 au lancement. Dans le test de dégustation de pâtes de ReviewsTown, les pâtes apparaissaient et disparaissaient de manière incohérente d'une image à l'autre, là où Seedance maintenait une continuité physique. Kling V3.0 reste le leader de la catégorie pour les mouvements humains, y compris les gestes de la main, la danse et le sport.

Le ton visuel est une autre plainte récurrente. Plusieurs critiques décrivent les résultats d'Omni comme « semblables à un produit Google : propres, puissants et légèrement corporate ». Le critique sur X/Twitter @shlomifruchter a qualifié les résultats de « trop lisses/ressemblant à des modèles », et @teortaxesTex (TextOrtaxes) a décrit le style visuel comme ressemblant à une « interface de jeu vidéo de série B ». Il s'agit d'une véritable limite créative : le modèle produit des séquences techniquement correctes qui manquent de la crédibilité émotionnelle et de la « sensation » cinématographique que les résultats de Seedance 2.0 offrent à leur meilleur niveau.

« Trop lisse/ressemblant à des modèles » - @shlomifruchter, X/Twitter, mai 2026

Trois autres modes d'échec constants : (1) Les filtres de sécurité du contenu de Google bloquent les prompts mentionnant nommément des personnalités publiques réelles, nécessitant des solutions de contournement qui ajoutent des frictions aux flux de travail créatifs. (2) La fonction d'édition de la voix et de la parole est absente de la version de lancement, ce qui limite l'utilité d'Omni pour le doublage, la synchronisation labiale ou le remplacement de dialogues. (3) La limite de 10 secondes par clip est un plafond strict. Au lancement, les créateurs travaillant sur tout ce qui dépasse un court clip social ou une démo de produit se heurtent immédiatement à ce mur. La cohérence des personnages sur plusieurs plans, décrite par une analyse comme « la plaie ouverte de la vidéo par IA », affecte également Omni au même titre que tous les autres modèles de la catégorie.

Comment prompter Gemini Omni pour obtenir les meilleurs résultats

Le guide officiel des prompts de Google identifie cinq dimensions pour des résultats fiables : le cadrage et le mouvement du plan, le style visuel, l'éclairage, le lieu et l'action. Le principe fondamental : « plus vous ajoutez de détails, plus vous aurez de contrôle sur le résultat final ». Le modèle utilise le raisonnement de Gemini pour combler le contexte réaliste, évitez donc de trop spécifier les éléments mineurs tout en étant précis sur ces cinq dimensions.

Pour le cadrage, utilisez la terminologie cinématographique : types de plans (« statique », « plan fixe », « plan-séquence »), mouvements (« travelling avant », « travelling contrarié ») et styles de caméra (« caméra argentique », « style webcam », « zoom naturel de smartphone »). Pour le style, nommez directement l'esthétique : « cinématographique », « animation en pâte à modeler », « anime », « aquarelle ». Pour l'éclairage, précisez la source et la qualité : « soleil chaud de fin d'après-midi », « néons vifs au plafond ». Pour l'action, décrivez ce qui se passe image par image plutôt que de le suggérer. Pour les flux de travail à entrées multiples, incluez des références visuelles telles que des storyboards ou des images de personnages pour maintenir la cohérence entre les modifications. Pour la synchronisation audio, soyez explicite sur le déclencheur : « les lumières s'allument lorsque la note de basse retentit » surpasse « les lumières réagissent à la musique ». Pour l'édition à tours multiples, chaque prompt de suivi affine le résultat existant sans nécessiter un nouveau prompt complet de toute la scène.

Meilleurs cas d'usage contre scénarios à éviter

Gemini Omni est le bon outil lorsque l'édition itérative est l'objectif. Aucun autre modèle de premier plan ne vous permet de changer un arrière-plan, de supprimer un objet et d'échanger un personnage sur plusieurs tours tout en maintenant une cohérence visuelle. Le contenu éducatif est très adapté : l'animation en pâte à modeler du repliement des protéines, les équations sur tableau noir et les explications de l'alphabet aux objets ont tous bien fonctionné lors des premiers tests. Le transfert de style pour les créateurs sociaux (des séquences réalistes vers une esthétique illustrée ou animée) est un autre véritable cas d'usage. Les utilisateurs de l'écosystème Google bénéficient de l'intégration de Flow, YouTube et Workspace que des outils comme Luma AI, Hailuo ou Pixverse ne peuvent pas reproduire.

Évitez Gemini Omni pour les séquences d'action intenses, les mouvements humains complexes ou les scènes exigeantes en matière d'anatomie. Sora et Seedance 2.0 sont plus performants pour les travaux de qualité publicitaire ou les courts métrages. Évitez-le pour les pipelines à haut volume où les coûts prévisibles par clip sont importants ; Kling ou Seedance via API sont plus rentables en dessous du niveau Ultra. Évitez-le si l'édition de la voix/parole est nécessaire en production (cette fonctionnalité n'est pas encore en ligne) et pour tout clip de plus de 10 secondes. Le niveau AI Plus à 7,99 $/mois vaut la peine d'être testé pour l'exploration, mais le volume de production sur Pro nécessite d'accepter que la génération de vidéos consomme la majeure partie de votre quota quotidien. Gemini Omni obtient un 4,5 : le pipeline est véritablement novateur et unique, mais les contraintes de quota, l'écart cinématographique par rapport à Seedance 2.0 et l'absence de la fonction d'édition de la parole l'empêchent d'atteindre le sommet.