Google vient de lâcher une bombe multimodale lors de l’I/O 2026. Avec Gemini Omni, la firme de Mountain View ne se contente plus de causer : elle mixe texte, image, audio et vidéo pour en faire… eh bien, à peu près n’importe quoi. Avatars numériques, stop-motion de protéines, deepfakes encadrés : bienvenue dans l’ère où l’IA ne prédit plus le texte, mais simule carrément la réalité.
Les points clés à retenir
- Gemini Omni : nouvelle famille de modèles multimodaux capables de raisonner sur tous les formats d’entrée (texte, image, audio, vidéo) pour produire un output cohérent.
- Gemini Omni Flash : premier modèle déployé dès aujourd’hui sur l’app Gemini, YouTube Shorts et Flow, limité à 10 secondes de vidéo.
- Avatars numériques : vous pouvez créer votre double virtuel, mais avec vérification biométrique anti-deepfake (enregistrement vocal + récitation de chiffres).
- SynthID obligatoire : toutes les vidéos générées sont filigranées numériquement pour permettre la vérification d’origine.
- Omni Pro en préparation : version musclée à venir pour les pros et les créatifs, quand Google estimera avoir franchi un cap significatif.
Gemini Omni : pas juste un Veo sous stéroïdes
Si vous pensiez qu’on avait juste affaire à une énième mise à jour de Veo, le modèle vidéo de Google déjà en place, détrompez-vous. Nicole Brichtova, directrice produit chez Google DeepMind, l’a martelé lors du briefing : il s’agit de « la prochaine étape vers la fusion entre l’intelligence de Gemini et les capacités de rendu des modèles média ». En clair, Omni n’est pas un générateur de vidéos. C’est un cerveau qui raisonne sur des images, du son, du texte et des images animées en même temps pour produire quelque chose de cohérent.
L’exemple qui fait mouche ? Koray Kavukcuoglu, le CTO de DeepMind, a balancé un prompt tout bête aux journalistes : « a claymation explainer of protein folding ». Résultat : une vidéo stop-motion avec voix off récitant que « les protéines commencent par des chaînes d’acides aminés, se replient en hélices alpha et en feuillets bêta pour former une structure tridimensionnelle parfaite ». Ok, c’est nerd à souhait, mais techniquement, c’est bluffant. Et surtout, ça montre qu’Omni ne se contente pas de coller des morceaux : il comprend la physique, la biologie, et même la culture générale.
Le long terme : audio depuis la vidéo, vidéo depuis l’audio
La vision long-courrier d’Omni dépasse largement le clip de 10 secondes. Google imagine le modèle générant des images à partir de l’audio, de l’audio depuis la vidéo, et vice-versa. « Quand nous avons annoncé Gemini, c’était notre premier modèle nativement multimodal », a rappelé Sundar Pichai. « Avec les world models, l’IA passe de la prédiction de texte à la simulation de la réalité. Gemini Omni est le prochain pas dans cette direction. » Rien que ça.
Avatars numériques et deepfakes : le grand frisson encadré
OpenAI avait popularisé le concept avec Cameos sur Sora (RIP l’application). Google remet le couvert : Omni permet de créer votre propre avatar numérique pour vous filmer en train de recevoir un Oscar, d’aller sur la Lune, ou de faire n’importe quoi d’aussi improbable que narcissique. Mais — et c’est un gros mais — vous devrez d’abord passer par une procédure d’onboarding dédiée. Au menu : vous enregistrer en train de réciter une série de chiffres. L’avatar est ensuite stocké pour usage futur.
Une précaution louable pour limiter les deepfakes, mais qui n’empêchera probablement pas les contournements créatifs. Toutes les vidéos générées avec Omni embarquent de toute façon le SynthID de Google, ce filigrane numérique invisible qui permet de vérifier si un contenu sort ou non des usines Gemini. Un garde-fou technique, à défaut d’être légal.
10 secondes, c’est peu (mais c’est voulu)
Le premier modèle de la famille, Gemini Omni Flash, est disponible dès aujourd’hui sur l’app Gemini, YouTube Shorts et Flow, l’outil créatif IA de Google. Limite : 10 secondes de vidéo. Nicole Brichtova précise que ce n’est pas une limitation du modèle, mais un choix délibéré. D’abord pour mettre la techno entre le plus de mains possible, ensuite parce que — soyons honnêtes — la majorité des utilisateurs ne veulent pas vraiment réaliser Citizen Kane depuis leur smartphone.
Les durées plus longues sont dans les tuyaux pour un futur proche. Et pour les pros, il faudra attendre Omni Pro, qui devrait surpasser Flash sur toutes les tâches. Google n’a pas donné de date, se contentant de dire qu’il sortira « quand nous sentirons que nous avons franchi un cap significatif au-dessus de Flash ». Comprendre : quand ça sera vraiment bon, et pas juste « un peu mieux ».
Des « memes personnalisés » aux blockbusters publicitaires
Le positionnement est clair : Omni Flash vise d’abord le grand public. Les exemples donnés par Brichtova et l’ingénieur Gabe Barth-Maron à TechCrunch étaient tous personnels : se voir gagner un prix, virer un passant d’une vidéo de vacances, etc. Barth-Maron résume ça mieux que personne : « C’est comme des memes personnalisés. »
Mais ne vous y trompez pas : les implications pour les entreprises, les publicitaires et les cinéastes sont énormes. Une API sortira dans les semaines à venir, et l’outil d’avatar — déjà disponible sur Shorts — devrait faire le bonheur des créateurs de contenu. Google se targue d’ailleurs de ses capacités de rendu de texte dans les vidéos : slogans, noms de produits, tout est « précis ». De quoi séduire les agences de pub. Le concurrent direct ? Luma AI, une startup qui construit un outil agentique similaire, capable de générer une campagne publicitaire complète à partir d’un brief court et d’une image produit.
Attention tout de même : les prompts doivent être hyper-spécifiques, sinon Omni risque de sur-éditer ou de modifier des éléments que vous vouliez garder. Un problème déjà rencontré par les utilisateurs de Nano Banana, l’éditeur photo par prompt de Google. La facilité d’utilisation a un prix : celui de la précision chirurgicale.
Sources
- TechCrunch : Google’s Gemini Omni turns images, audio and text into video – Article complet avec citations des équipes DeepMind.
- Google DeepMind : Briefing presse du 19 mai 2026, Google I/O – Koray Kavukcuoglu, Nicole Brichtova, Gabe Barth-Maron.
FAQ Gemini Omni
Qu’est-ce que Google Gemini Omni exactement ?
Gemini Omni est une nouvelle famille de modèles IA multimodaux lancée par Google lors de l’I/O 2026. Contrairement à Veo (le modèle vidéo dédié de Google), Omni combine l’intelligence de raisonnement de Gemini avec les capacités de rendu des modèles média, pour traiter simultanément du texte, des images, de l’audio et de la vidéo.
Gemini Omni Flash est-il disponible dès maintenant ?
Oui, depuis le 19 mai 2026. Gemini Omni Flash est accessible via l’application Gemini, YouTube Shorts et Flow (le studio créatif IA de Google). Il est pour l’instant limité à 10 secondes de vidéo par génération.
Puis-je créer mon propre avatar numérique avec Gemini Omni ?
Oui, mais avec une vérification stricte. Vous devez suivre un onboarding dédié qui vous demande de vous enregistrer en train de parler et de réciter une série de chiffres. Une fois l’avatar généré, il est stocké pour réutilisation. Toutes les vidéos produites incluent le watermark SynthID de Google.
Quelle est la différence entre Gemini Omni et Veo ?
Veo est un modèle vidéo spécialisé (texte/image vers vidéo). Gemini Omni va plus loin : il raisonne simultanément sur plusieurs formats d’entrée (texte + image + audio + vidéo) pour produire un résultat cohérent qui respecte la physique, la culture et le contexte. C’est la fusion entre l’intelligence de Gemini et les capacités de rendu des modèles média.
Quand sortira Gemini Omni Pro ?
Aucune date officielle n’a été annoncée. Google a simplement indiqué qu’Omni Pro sortirait quand l’équipe estimera avoir franchi « un cap significatif au-dessus de Flash ». Il visera les usages professionnels : cinéma, publicité, production de contenu haut de gamme.
Comment Google lutte-t-il contre les deepfakes avec Omni ?
Deux mécanismes : d’abord, une vérification biométrique pour la création d’avatars (enregistrement vocal + récitation de chiffres). Ensuite, toutes les vidéos générées sont marquées avec le filigrane numérique invisible SynthID, qui permet de vérifier l’origine du contenu.
