L’extension de scène et l’export 4K arrivent dans Gemini Omni 1.1 Flash

Gemini Omni 1.1 Flash prolonge les vidéos jusqu’à 40 secondes, relie deux images, accélère les brouillons et exporte en 4K.

Prolonger une séquence, imposer son premier et son dernier plan ou préparer plusieurs brouillons légers avant le rendu final : Gemini Omni 1.1 Flash ajoute plusieurs contrôles destinés à rapprocher la génération vidéo d’un processus de production. Le modèle devient disponible en version générale dans l’API Gemini, après le lancement de Gemini Omni Flash à Google I/O puis son passage en préversion publique fin juin.

La principale nouveauté concerne l’extension de scène. Une vidéo existante peut désormais être poursuivie par blocs de dix secondes, jusqu’à une durée cumulée de quarante secondes. Gemini Omni 1.1 Flash analyse les dix dernières secondes de la séquence précédente pour maintenir les personnages, le mouvement, l’environnement et la continuité sonore. La première version ne consultait que la dernière seconde.

Chaque prolongement reçoit une nouvelle consigne. Il devient ainsi possible de continuer une conversation, de déplacer la caméra, de changer progressivement de décor ou d’ouvrir une branche narrative différente. Le modèle peut légèrement modifier les dernières images du segment d’origine afin de rendre la jonction moins visible.

Cette limite de quarante secondes ne correspond pas à une génération unique. Les clips sont créés ou prolongés par séquences de trois à dix secondes. Les différents segments sont reliés au moyen de l’Interactions API, qui conserve l’état de la génération grâce à l’identifiant de l’échange précédent. Une application peut ainsi lancer une première scène, demander sa continuation puis envoyer d’autres instructions sans renvoyer l’ensemble du projet à chaque étape.

L’extension ne fonctionne que vers la fin du clip. Le modèle ne sait pas encore ajouter une scène avant une vidéo ni insérer un passage au milieu d’une séquence existante. Lorsqu’un fichier extérieur est importé, sa durée ne doit pas dépasser dix secondes. Cette restriction ne concerne pas de la même façon les vidéos générées puis prolongées au sein d’une même conversation.

La gestion des dialogues reste aussi partielle. Une vidéo créée par le modèle peut recevoir de nouvelles paroles lors d’une extension en plusieurs étapes. En revanche, il n’est pas possible d’importer une vidéo dans laquelle une personne parle puis de lui faire prononcer une nouvelle réplique dans la suite générée. La modification directe d’une voix n’est pas prise en charge.

Gemini Omni 1.1 Flash ajoute également l’interpolation entre une première et une dernière image. Le développeur fournit les deux extrémités d’un plan et décrit la transition souhaitée. Le modèle produit alors le mouvement intermédiaire, par exemple une rotation autour d’un sujet, un zoom entrant, un travelling ou une boucle revenant à son image initiale.

Cette fonction vise les productions pour lesquelles la destination visuelle doit être déterminée à l’avance. Un créateur peut fixer le début et la fin d’un mouvement de caméra sans dépendre entièrement de l’interprétation d’une consigne textuelle. Elle ne garantit pas pour autant une transformation mécaniquement exacte : les images intermédiaires restent générées et doivent être contrôlées avant utilisation.

Le modèle accepte aussi des références vidéo. Jusqu’à trois clips de trois secondes peuvent servir à reproduire l’apparence d’un personnage, d’un objet ou d’un mouvement. Google montre par exemple plusieurs animaux auxquels sont attribuées des chorégraphies provenant de vidéos distinctes. Le son présent dans ces références est ignoré, et la documentation déconseille de leur demander un raisonnement conjoint complexe.

Les développeurs disposent désormais de quatre niveaux de définition : 360p, 720p, 1080p et 4K. Le 720p reste le réglage par défaut. Le 1080p et la 4K sont obtenus par agrandissement du rendu, et non par génération native dans ces définitions. Cette distinction compte pour les détails fins : un export plus grand ne recrée pas nécessairement les informations absentes du résultat initial.

Le mode 360p sert à explorer rapidement plusieurs directions. Google annonce une génération jusqu’à 60 % plus rapide que le 720p, sur la base du débit de son propre système, pour un tiers du coût. Une équipe peut donc produire plusieurs brouillons, les comparer puis ne lancer en haute définition que la version retenue. Le gain réel dépendra de la charge du service, de la durée demandée et du nombre d’essais nécessaires.

La tarification standard de l’API reste calculée en jetons. Google facture 1,50 dollar par million de jetons entrants, toutes modalités confondues, 9 dollars pour la sortie textuelle et 17,50 dollars pour la sortie vidéo. Une seconde de vidéo en 720p représente 5 792 jetons, soit environ 0,10 dollar. Une séquence de dix secondes revient donc à près d’un dollar pour sa seule sortie vidéo, avant les entrées et les éventuelles régénérations. Aucun accès gratuit au modèle n’est proposé dans l’API.

La génération associe l’image et le son dans une même réponse. Les instructions peuvent décrire une ambiance, une musique, un dialogue, un effet sonore ou le moment précis auquel un événement doit survenir. Une consigne peut par exemple demander un changement de scène après trois secondes ou le démarrage d’un refrain à la cinquième seconde. Ces repères orientent le modèle, mais ne remplacent pas la précision temporelle d’un logiciel de montage.

L’édition conversationnelle déjà introduite avec Omni Flash reste disponible. Une application envoie une vidéo, demande de retirer un objet, de modifier l’éclairage ou de changer le style, puis poursuit les corrections dans le même historique. Google recommande des instructions courtes et ciblées, accompagnées d’une demande explicite de conserver le reste de la scène. Cette formulation réduit les modifications involontaires sans les exclure.

La qualification de modèle nativement multimodal mérite une nuance au regard de l’API actuelle. Gemini Omni traite le texte, l’image, la vidéo et le son dans sa conception générale, mais la documentation ne prend pas encore en charge