- ▸ Une annonce passée presque inaperçue
- ▸ La thèse de ce dossier
- ▸ Du modèle isolé au modèle multimodal : quatre vagues de convergence
- ▸ Anatomie technique : ce que change la fusion
Quelques mois après le déploiement de Veo 3.1, Google retire son générateur vidéo dédié et le fait absorber par Gemini Omni. La rupture est moins technique qu’industrielle : le moteur vidéo cesse d’exister comme produit autonome pour devenir une modalité parmi d’autres. C’est l’aveu, par le plus gros acteur du marché, que la course aux modèles vidéo spécialisés a perdu son sens. Trois lignes de tension dessinent la suite.
Points clés 1. Gemini Omni succède à Veo 3.1 et absorbe sa pile vidéo dans un modèle multimodal unique commandable en langage naturel. 2. L’interface bascule du prompt structuré à la conversation : créer et modifier des vidéos « avec une simple discussion », selon la documentation produit Google. 3. La fusion s’inscrit dans une tendance plus large : OpenAI Sora 2, Runway Gen-4 et Meta Movie Gen convergent eux aussi vers des architectures multimodales unifiées depuis 2025. 4. L’enjeu déplace la concurrence du benchmark technique vers l’intégration produit, la latence et la profondeur des écosystèmes distributeurs. 5. Pour les studios et agences, la simplicité affichée masque trois risques structurels : dépendance fournisseur, traçabilité des sources, érosion des compétences fines d’édition.
Une annonce passée presque inaperçue
Au cœur d’une page produit publiée discrètement sur gemini.google, Google annonce que la pile vidéo héritée de Veo 3.1 sera désormais accessible via Gemini Omni. La formulation officielle est laconique : « Créez et modifiez des vidéos avec une simple discussion. » Aucun communiqué de presse en grande pompe, aucune démonstration scénique. La transition se fait par glissement, comme si l’on retirait un meuble pendant que la pièce reste meublée.
Ce silence relatif est en soi un signal. Lors du lancement initial de Veo, Google avait orchestré une démonstration publique en présence de Demis Hassabis, directeur de Google DeepMind. La présentation discrète d’Omni dit autre chose : la génération vidéo n’est plus un produit phare, elle devient une fonctionnalité parmi d’autres dans un assistant général. Une bascule de catégorie, pas une simple itération de version. Et cette bascule, comme nous allons le voir, prolonge un mouvement industriel commencé bien avant Omni.
La thèse de ce dossier
Gemini Omni n’est pas seulement un changement de nom. C’est l’admission qu’un modèle vidéo isolé, même excellent, ne capte pas suffisamment de valeur face à un modèle multimodal qui parle, voit, écoute et génère dans la même conversation. La course aux benchmarks vidéo cède la place à une course à l’orchestration. Cette mutation reconfigure trois acteurs : les fournisseurs de modèles, les éditeurs d’outils créatifs, les studios qui les utilisent. Le reste du dossier en cartographie les fronts.
Du modèle isolé au modèle multimodal : quatre vagues de convergence
Pour comprendre la portée du basculement Omni, il faut revenir à la généalogie des modèles génératifs vidéo. La filiation est claire et tient en quatre vagues distinctes.
La première vague — entre 2018 et 2022 — voit l’émergence des modèles autorégressifs et des premiers GAN vidéo, dans les laboratoires de recherche. Les résultats restent confidentiels, limités à quelques secondes, sans cohérence temporelle exploitable. Aucun produit grand public n’en sort, et l’expertise reste captive de quelques équipes académiques et industrielles.
La deuxième vague s’ouvre en 2023 avec Runway Gen-2, Pika et Stable Video Diffusion. Les modèles passent à des architectures de diffusion latente, gagnent en cohérence sur cinq à dix secondes, et arrivent dans des interfaces destinées aux créateurs. Mais le pipeline reste fragmenté : un modèle pour générer la vidéo, un autre pour le son, un troisième pour le montage et l’étalonnage. L’utilisateur orchestre lui-même, et cette orchestration manuelle plafonne l’adoption hors des cercles de créateurs spécialisés.
La troisième vague démarre en février 2024 avec la démonstration publique de Sora par OpenAI. Pour la première fois, un modèle vidéo génère des séquences cohérentes d’une minute. Google répond en mai 2024 avec Veo, présenté à Google I/O. Suivent Veo 2, puis Veo 3 et Veo 3.1, chacun améliorant la résolution, la durée et la qualité du son intégré. Le marché passe en quelques mois d’une logique de démonstration à une logique de produit. Voir Veo 3 : ce que change le modèle vidéo de Google pour le détail de cette accélération.
La quatrième vague — celle d’Omni — fait sauter la frontière entre modalités. Plutôt que d’enchaîner Gemini (texte, raisonnement) puis Veo (vidéo) puis un module audio, un modèle unique traite l’ensemble dans la même boucle conversationnelle. Cette consolidation suit la trajectoire qu’OpenAI a engagée avec GPT-4o en mai 2024, puis avec Sora intégré à ChatGPT, et que Meta a empruntée avec Movie Gen. L’industrie converge sur l’idée que l’utilisateur ne veut pas piloter trois modèles spécialisés ; il veut parler à un seul.
Ce contexte historique éclaire la décision de Google. Maintenir Veo 3.1 comme produit séparé alors que les concurrents fondent leurs piles dans des assistants généraux aurait fragmenté la proposition de valeur. La fusion dans Omni n’est pas une innovation isolée — c’est l’alignement sur le sens du marché.
Anatomie technique : ce que change la fusion
L’absorption de Veo 3.1 dans Gemini Omni modifie l’architecture sur plusieurs axes. La documentation Google sur la génération vidéo reste volontairement haut-niveau, mais quelques caractéristiques structurelles se dégagent.
D’abord, l’interface. Là où Veo 3.1 acceptait un prompt structuré (description, durée, ratio, style), Omni travaille en conversation continue. L’utilisateur précise progressivement son intention, charge des images ou des vidéos de référence, et itère. Cette logique conversationnelle réduit la courbe d’apprentissage mais introduit une variabilité accrue : deux conversations identiques dans l’intention peuvent produire deux résultats différents selon l’ordre des échanges. Le déterminisme cède la place à la négociation.
Ensuite, la compréhension multimodale. Google insiste sur la capacité d’Omni à « comprendre le monde réel » et à combiner texte, images et vidéos dans le même flux. Concrètement, un utilisateur peut charger une photo de produit, une vidéo de référence pour le mouvement de caméra et un brief textuel, dans une seule requête. Le modèle synthétise les trois pour produire une séquence cohérente. Cette ingestion multi-sources était possible avec des chaînes d’outils, mais demandait une orchestration manuelle pénible.
Troisième axe, l’édition. Omni revendique la capacité de modifier des vidéos existantes — lumière, son, arrière-plan — par instruction conversationnelle. Cette fonctionnalité, encore embryonnaire chez la plupart des concurrents, déplace le générateur vidéo sur le terrain du logiciel d’édition. Elle pose simultanément la question de la robustesse : ajuster une lumière sans introduire d’artefacts est techniquement délicat, et la documentation Google ne précise pas les limites opérationnelles de ce service.
Pour situer Omni dans l’écosystème, le tableau ci-dessous compare les principales offres multimodales accessibles à l’été 2026, selon les caractéristiques publiquement documentées par leurs éditeurs.
| Modèle | Éditeur | Multimodalité | Édition vidéo conversationnelle | Disponibilité commerciale |
|---|---|---|---|---|
| Gemini Omni | Texte, image, vidéo, audio | Oui (annoncée) | Intégré à Gemini | |
| Sora 2 | OpenAI | Texte, image, vidéo | Limitée | Intégré à ChatGPT |
| Runway Gen-4 | Runway | Texte, image, vidéo | Oui (outils dédiés) | Application propriétaire |
| Movie Gen | Meta | Texte, image, vidéo, audio | En recherche | Non commercialisée |
| Veo 3.1 (retiré) | Texte, image, vidéo | Non | Remplacé par Omni |
Le tableau met en évidence deux écarts. Premier écart : la profondeur d’intégration multimodale, où Omni et Movie Gen tiennent la corde grâce à l’audio natif. Deuxième écart : la disponibilité commerciale, où Movie Gen reste un projet de recherche tandis qu’Omni est exposé au public. Pour une comparaison plus large des modèles multimodaux, voir notre dossier Sora, Gemini, Movie Gen : où en est la vidéo générative.
Le chiffre-phare à retenir n’est ni un score MMLU ni un FID. C’est un ordre de grandeur produit : un seul modèle pour les trois étapes — génération, édition, audio. Cette compaction structurelle est la promesse qui structure le reste du dossier et que le terrain devra vérifier.
Impact terrain : créateurs, agences, studios
La fusion Omni a des conséquences asymétriques selon les profils d’utilisateurs. Pour les créateurs individuels, la simplification est nette : un seul abonnement, une seule interface, moins de friction. Le ticket d’entrée à la création vidéo générative baisse encore. Cette démocratisation est compatible avec les volumes massifs de contenu court réclamés par les plateformes verticales — TikTok, Reels, Shorts — où la productivité prime souvent sur la finesse artisanale.
Pour les agences créatives, l’équation est plus nuancée. D’un côté, Omni accélère la phase de pré-production : moodboards animés, storyboards en mouvement, variations rapides pour validation client. De l’autre, la conversationnalité introduit une difficulté de versionnage. Reproduire à l’identique un résultat validé devient plus difficile qu’avec un prompt structuré. Les agences qui industrialisent leur production devront documenter méticuleusement leurs sessions, à la manière d’un journal d’expérimentation, sous peine de perdre la reproductibilité de leurs livrables.
Pour les studios de production traditionnels, la donne est différente. Les workflows de cinéma et de série restent largement non-génératifs sur les plans de premier plan. Mais Omni peut compresser certains postes : pré-visualisation, fonds de remplacement, plans d’illustration, motion design. Selon plusieurs analystes de l’industrie audiovisuelle interrogés depuis 2024 dans la presse spécialisée, ces postes représentent typiquement entre 10 % et 25 % du budget d’une production, selon la nature du projet. Un gain de productivité sur cette zone n’est pas marginal — il déplace l’arbitrage budgétaire en début de chaîne.
Reste la question des compétences. Une partie des métiers d’édition vidéo repose sur la maîtrise fine d’outils dédiés : étalonnage, sound design, montage. Si Omni propose d’effectuer ces tâches par instruction conversationnelle, le risque n’est pas l’éviction immédiate du monteur. C’est l’érosion progressive de la maîtrise fine au profit d’un compromis acceptable. Cet effet a déjà été documenté sur d’autres outils génératifs, notamment en illustration et en photographie de stock, où la qualité moyenne a monté pendant que les sommets artisanaux se sont raréfiés.
Du côté de la formation, les écoles d’audiovisuel intègrent depuis 2024 les outils génératifs dans leurs cursus. Le passage d’un Veo isolé à un Omni conversationnel ne change pas la nature du défi pédagogique : il faut apprendre aux étudiants à dialoguer avec un modèle aussi rigoureusement qu’avec un humain. La conversation devient un livrable, et sa qualité doit être évaluable.
Perspectives contradictoires
Cette lecture optimiste de la fusion mérite d’être confrontée à quatre objections sérieuses.
Première objection : la perte de spécialisation. Un modèle vidéo dédié peut être optimisé sur des métriques précises — cohérence temporelle, fidélité au prompt, qualité audio. Un modèle multimodal généraliste arbitre entre ces dimensions et peut sous-performer sur chacune comparé à un spécialiste. Plusieurs ingénieurs en vision par ordinateur ont défendu cette thèse depuis l’annonce de Sora : un modèle qui fait tout fait moins bien chaque chose. La question reste empirique, et la documentation Google ne fournit pas de scores publics permettant la comparaison côte à côte.
Deuxième objection : la traçabilité. La conversationnalité dilue la provenance des éléments combinés. Un créateur qui charge plusieurs vidéos de référence dans une session Omni produit un livrable dont la composition est difficile à documenter. Pour les usages commerciaux soumis au droit d’auteur, cette opacité est un problème. L’écosystème juridique européen, avec l’entrée en vigueur progressive de l’AI Act, exige une transparence accrue sur les données d’entraînement et sur les sources utilisées en inference. La conversation n’est pas un format propice à cette traçabilité — voir notre dossier AI Act : ce que doivent savoir les éditeurs IA.
Troisième objection : la dépendance. Concentrer génération, édition et audio dans un seul fournisseur réduit la surface de négociation des utilisateurs. Si Google modifie sa tarification, ses conditions d’utilisation ou ses garde-fous, les workflows construits autour d’Omni n’auront pas de migration simple. Cet argument est connu sous le nom de lock-in stratégique. Il n’est pas spécifique à Omni — Sora, Runway et Movie Gen posent un problème équivalent — mais il s’aggrave avec la profondeur d’intégration multimodale.
Quatrième objection, plus structurelle : les risques de désinformation. Un outil qui transforme une vidéo existante par instruction conversationnelle abaisse encore le coût de production de contenus trompeurs. Google et ses concurrents intègrent des dispositifs de marquage — watermarking, SynthID — mais ces protections restent contournables et peu standardisées au-delà de leurs périmètres maison. La facilité d’usage d’Omni accélère un problème dont la solution n’est pas seulement technique : elle relève aussi du cadre normatif et de la chaîne de confiance médiatique.
Et demain ? L’horizon agentique et la verticalisation
À court terme, la fusion Omni va surtout normaliser un usage existant. À moyen terme, deux trajectoires se dessinent et méritent d’être suivies de près.
La première trajectoire est l’agentique. Un modèle multimodal qui parle, voit et génère est le composant central de ce que les grands éditeurs appellent les agents : des systèmes capables de mener des chaînes de tâches autonomes. Pour la vidéo, cela signifie passer d’un usage « je demande, je reçois » à un usage « je délègue, l’agent itère ». Anthropic, OpenAI et Google convergent sur cet horizon depuis 2025. Omni fournit à Google la brique vidéo nécessaire à cette ambition. Pour le contexte général, voir Anthropic et la course aux 1M de tokens.
La seconde trajectoire est la verticalisation. Une fois la technologie de base banalisée, la différenciation viendra des intégrations métiers : Omni pour la publicité, Omni pour l’éducation, Omni pour la formation interne, Omni pour le e-commerce. Cette logique reproduira ce qui s’est passé avec les LLM texte entre 2023 et 2026 : la valeur captée se déplace du modèle vers l’application.
La question ouverte reste celle des modèles ouverts. Si une version sous licence permissive d’un modèle équivalent à Omni émerge — chez Mistral, Meta ou un acteur chinois — la dynamique de captation de valeur peut basculer rapidement. C’est cette éventualité, plus que la concurrence directe d’OpenAI, qui constituera probablement le prochain point d’inflexion du marché. Omni est une réponse pour aujourd’hui. La réponse pour 2027 reste à écrire.
FAQ
En quoi Gemini Omni diffère-t-il concrètement de Veo 3.1 ?
Veo 3.1 était un modèle de génération vidéo dédié, piloté par prompt structuré. Gemini Omni intègre cette pile vidéo dans un modèle multimodal unique commandable en conversation continue, capable d’ingérer simultanément texte, images et vidéos de référence, et de modifier des séquences existantes par instruction en langage naturel.
Quels sont les principaux concurrents d’Omni à l’été 2026 ?
Sora 2 d’OpenAI, intégré à ChatGPT, occupe la première position concurrentielle. Runway Gen-4 cible les professionnels créatifs avec des outils d’édition propriétaires. Movie Gen de Meta reste en phase de recherche. Plusieurs acteurs chinois et européens travaillent sur des alternatives sous licence ouverte, sans calendrier public confirmé à ce jour.
Omni peut-il remplacer un logiciel de montage professionnel ?
Pas à court terme. Omni excelle sur la génération et les ajustements simples (lumière, son, arrière-plan), mais les workflows professionnels exigent un contrôle frame par frame, une gestion fine du timeline et une compatibilité avec les standards de l’industrie. Omni est un complément, pas un substitut, dans les pipelines de production sérieux.
Quels risques juridiques pour un usage commercial en Europe ?
La conversationnalité d’Omni complique la traçabilité des sources combinées en inference. Pour un usage publicitaire ou commercial, il est prudent de documenter chaque session, de conserver les références d’origine et de vérifier la conformité au droit d’auteur et aux obligations de transparence de l’AI Act européen sur les contenus générés.
Sources
- Google, page produit « Gemini Omni : créez et modifiez des vidéos avec une simple discussion », gemini.google/fr/overview/video-generation.
- Google DeepMind, communications publiques sur la famille Veo et la famille Gemini, 2024-2026.
- OpenAI, annonces publiques de Sora (février 2024) et de Sora 2 (2025).
- Meta AI Research, papier de présentation de Movie Gen.
- Runway, documentation publique de Gen-3 et Gen-4.
- Stanford AI Index Report, éditions 2024 et 2025.
- Commission européenne, textes consolidés de l’AI Act applicables aux contenus générés.
- Couvertures éditoriales de MIT Technology Review et Ars Technica sur la convergence multimodale, 2024-2026.
