Un nouveau modèle est proposé dans le générateur de vidéos de ChatX : Gemini Omni 1.2 Flash de Google. Il produit des clips allant jusqu’à 15 secondes d’un seul tenant, toujours avec le son. Google a ouvert le modèle à tous le 5 novembre 2026. Voici ce qu’il sait faire, ce qu’un clip coûte en tokens et comment rédiger vos prompts pour obtenir le résultat voulu.
L’essentiel en bref
- Durée : de 3 à 15 secondes par clip, par paliers d’une seconde. Son prédécesseur Omni 1.1 plafonnait à 10 secondes.
- Son : la parole, les bruitages et la musique sont générés en même temps que l’image. Il n’existe pas de vidéo sans piste audio.
- Résolution : 360p, 720p, 1080p et 4K. Les deux niveaux les plus élevés sont obtenus par mise à l’échelle.
- Format : paysage 16:9 ou portrait 9:16, 24 images par seconde, en MP4.
- Entrée : un texte, une image de départ, ou une image de départ et une image de fin. Avec deux images, la durée est limitée à 10 secondes.
- Images de référence : jusqu’à six images permettent de garder un personnage ou un produit identique sur tout le clip.
- Marquage : chaque vidéo porte le filigrane invisible SynthID, qui permet de reconnaître les vidéos générées par IA.
D’après l’annonce de Google, les dialogues sonnent plus naturels et le mouvement des lèvres suit mieux la parole qu’auparavant. Le modèle est en outre 30 % moins cher qu’Omni 1.1.
De Veo à Omni
Si vous avez déjà travaillé avec les modèles vidéo de Google, vous connaissez le nom Veo. Dans l’API Gemini, c’est Omni qui a repris ce rôle :
- 30 juin 2026 : Omni Flash sort en préversion, avec des clips jusqu’à 10 secondes en 720p.
- 27 août 2026 : Omni 1.1 Flash devient disponible pour tous et apporte l’image de départ et l’image de fin, ainsi que des résolutions jusqu’à la 4K.
- 22 octobre 2026 : Google désactive Veo 3.1 dans l’API Gemini et désigne Omni comme son successeur.
- 5 novembre 2026 : Omni 1.2 Flash suit, avec 15 secondes, jusqu’à six images de référence et un prix plus bas.
Ce que coûte un clip sur ChatX
Vous trouverez Gemini Omni 1.2 Flash dans le générateur de vidéos, aux côtés de Seedance 2.5, Kling 4.0, Wan 3.0, MiniMax H3 Max et HeyGen Video 1. Il vous faut pour cela un compte gratuit. La facturation se fait à la seconde de vidéo et le prix dépend de la résolution.
| Résolution | Tokens par seconde | Clip de 10 secondes |
|---|---|---|
| 360p | environ 5 700 | environ 57 000 |
| 720p | 17 000 | 170 000 |
| 1080p | 25 500 | 255 000 |
| 4K | 51 000 | 510 000 |
Un clip de 15 secondes complètes en 720p coûte donc 255 000 tokens. Notre conseil : testez d’abord une idée en 360p. Cela coûte trois fois moins et vous montre si la composition, le mouvement et le son conviennent. La résolution supérieure ne vaut le coup qu’une fois le prompt au point.
Notre test avec trois clips courts
Nous avons essayé trois types d’entrée : texte, image de départ et image de référence, à chaque fois sur 3 secondes en 360p. C’est le réglage le moins cher, à environ 17 000 tokens par clip.
| Entrée | Demande | Temps d’attente |
|---|---|---|
| texte seul | un cerf-volant rouge en papier au-dessus d’une prairie | 24 secondes |
| image de départ | la caméra avance vers la vitrine d’une librairie, la porte de la boutique s’ouvre | 28 secondes |
| image de référence | la même librairie par un soir de pluie, des passants avec des parapluies défilent | 27 secondes |
Les trois clips sont arrivés avec une piste audio. Avec l’image de départ, la vidéo commence exactement sur la photo importée : la caméra s’approche, la porte de la boutique s’ouvre et l’ardoise portant l’inscription allemande « Lesung heute um 19 Uhr, Eintritt frei » (lecture ce soir à 19 h, entrée libre) reste lisible lettre par lettre.
Clip avec image de départ : 3 secondes, 360p, avec le son. L’image de la librairie provient de notre test de Nano Banana 2.1.
Avec l’image de référence, le modèle reconstruit la scène. La boutique, l’enseigne et l’ardoise ont été conservées, auxquelles se sont ajoutés la pluie, les pavés mouillés et des passants avec des parapluies. Quelques détails se sont perdus, comme le banc devant la porte. L’important est de décrire clairement la scène : « il pleut à verse, pavés mouillés » fonctionne mieux qu’un simple « sous la pluie ».
Clip avec image de référence : la même boutique, cette fois sous la pluie.
Comment rédiger de bons prompts
Les conseils qui suivent sont tirés du guide de prompts de Google pour Omni Flash. Le mieux est de rédiger vos prompts en anglais (nous y revenons dans la dernière section).
- Demander un plan unique : sans consigne, le modèle a tendance à monter plusieurs plans à la suite. Si vous voulez une scène continue, ajoutez « In a single continuous shot » ou « No scene cuts ».
- Décrire le son : sinon, Omni choisit lui-même une piste audio adaptée. La musique doit être demandée explicitement, par exemple avec « Include calm background music ». Si personne ne doit parler, « No dialogue » fait l’affaire.
- Indiquer les moments : vous pouvez préciser quand quelque chose se produit. Cela fonctionne en langage courant (« After 3 seconds … ») ou avec des repères temporels comme [0-5s].
- Exclure directement ce que vous ne voulez pas : le modèle ne dispose pas d’un champ dédié aux prompts négatifs. Écrivez simplement vos interdictions dans le prompt.
- Imposer le texte à l’image : les panneaux ou les incrustations réussissent le mieux lorsque vous donnez la formulation exacte entre guillemets.
Trois exemples à adapter :
Scène unique et calme avec bruitages
In a single continuous shot, a ceramic mug of coffee steams on a wooden table next to a rain-streaked window. The camera slowly pushes in. Sound design: soft rain, a distant tram bell. No dialogue, no music.
Déroulé avec repères temporels (15 secondes)
[0-5s] A cyclist rides along a foggy lakeside path at dawn. [5-10s] She stops and takes a thermos from her bag. [10-15s] Wide shot: the sun breaks through the fog over the lake. Calm acoustic guitar music throughout.
Clip produit avec inscription lisible (format portrait)
A slow rotating shot of a matte green water bottle on a white pedestal, soft studio light. A small sign next to it says: "Refill. Repeat." Upbeat, minimal electronic music. No scene cuts, no people.
Pour le clip produit, vous pouvez importer votre propre photo comme image de référence. La bouteille reste alors nettement plus proche de l’original dans la vidéo.
Les limites du modèle
- Langue : d’après Google, seul l’anglais a été entièrement testé. Les prompts dans d’autres langues, en français par exemple, peuvent fonctionner, mais les résultats sont plus irréguliers.
- Personnes sur les images de référence : Google refuse les photos de personnes précises et reconnaissables. Les images montrant des mineurs ne sont pas non plus acceptées dans l’Espace économique européen, en Suisse et au Royaume-Uni.
- Filtres de contenu : Google contrôle le prompt et la vidéo terminée. Ce qui enfreint les règles de Google est bloqué. ChatX n’a aucune prise là-dessus.
- Sujets difficiles : Google cite lui-même les scènes de sport rapides et la physique complexe parmi les domaines encore en chantier.
- Haute résolution : le 1080p et la 4K sont obtenus par mise à l’échelle. L’image ne contient donc pas forcément plus de détails qu’en 720p.