Lancement de Gemini 3.5 Flash Omni : Mise à jour IA multimodale de Google pour les créateurs

Au 20 mai 2026, la poussière n'est pas encore retombée sur Google I/O 2026, et les annonces semblent déjà constituer un pas en avant significatif pour les outils multimodaux. Gemini 3.5 Flash est désormais le modèle par défaut dans l'application Gemini et le mode IA de Search. Il offre environ quatre fois la vitesse de son prédécesseur tout en améliorant l'assistance au codage et les comportements agentiques, le tout à des coûts d'inférence inférieurs. Lors de cet événement, Google a présenté Gemini Omni, un modèle mondial multimodal capable de transformer n'importe quel mélange de texte, d'images fixes, de clips vidéo et d'audio en sortie vidéo cohérente. Les premières démos ont montré le modèle assemblant une courte invite textuelle avec une photographie de référence et quelques secondes de son ambiant en un mouvement étonnamment stable. Le déploiement immédiat de Gemini Omni Flash cible les abonnés Google AI Plus, Pro et Ultra via l'application principale, Google Flow et YouTube Shorts, avec un accès API plus large attendu dans les semaines à venir.

La vitesse et la cohérence comptent plus pour les créateurs que les spécifications en tête d'affiche. Le gain de performance de Gemini 3.5 Flash devrait réduire le temps entre l'invite et une sortie utilisable, ce qui est crucial lorsque vous affinez une séquence sur plusieurs prises. Les améliorations agentiques permettent également au modèle de planifier des tâches simples en plusieurs étapes, comme générer un storyboard puis étendre les images sélectionnées en courts clips. L'approche d'entrée mixte de Gemini Omni semble particulièrement utile pour les pipelines image-to-video. Un créateur peut fournir une image fixe existante, une vidéo de référence de style et une courte note vocale décrivant le mouvement de la caméra, puis recevoir une sortie qui respecte les trois signaux simultanément. Ce niveau de contrôlabilité était auparavant difficile à atteindre sans une post-production lourde.

Une meilleure adhérence aux invites et une cohérence des personnages sont les deux améliorations que les créateurs mentionnent le plus souvent dans les premiers tests. Lorsque le mouvement reste ancré sur le même sujet d'un plan à l'autre, le temps d'édition diminue nettement. Les invites multimédias ouvrent également des expériences créatives plus modestes : intégrer un rendu produit dans une scène lifestyle, ou superposer un dialogue sur des images générées, sans tout reconstruire à partir de zéro. Honnêtement, après avoir effectué quelques tests d'entrées mixtes moi-même, j'ai trouvé les résultats plus exploitables que prévu, même s'ils restent loin d'être parfaits sur les mouvements de caméra complexes. Ces avancées multimodales façonnent déjà la prochaine génération d'outils vidéo, y compris le débat en cours sur la gestion du contenu explicite par Gemini Omni, que j'ai exploré plus en détail ici : Gemini omni nsfw : Pourquoi le modèle vidéo IA de Google bloque le contenu explicite.