Avis sur l'API Gemini Omni Flash : ce que propose réellement la préversion

Gemini Omni Flash est le premier modèle multimodal « any-to-any » de Google capable de générer de la vidéo : vous envoyez du texte, des images ou un résultat précédent, et il renvoie un court clip 720p avec du son que vous pouvez continuer à modifier en décrivant vos changements en langage naturel. Google l'a lancé en préversion publique le 30 juin 2026, aux côtés de Nano Banana 2 Lite, et l'identifiant du modèle sur l'API est gemini-omni-flash-preview.

Réponse rapide, si vous ne cherchez qu'une information essentielle : l'API Gemini Omni Flash prend en charge le text-to-video, l'image-to-video, le reference-to-video avec jusqu'à dix images de sujet (qui se combinent avec une image de départ), l'édition conversationnelle et l'édition vidéo-à-vidéo d'un clip que vous lui fournissez. Elle ne prend pas en charge le 1080p, les seeds, les paramètres de prompt négatif, l'extension vidéo ou la désactivation de l'audio. Le contrôle de la durée n'est pas non plus dans la documentation, mais le champ existe et fonctionne — plus d'informations ci-dessous. Si vous avez vu les démos d'Omni Flash dans Google Flow et attendiez la même boîte à outils sur l'API, vous serez déçu. Nous l'avons intégré dans notre générateur dès la semaine de lancement, cet avis se base donc sur ce que renvoie réellement l'endpoint, pas sur la page marketing.

Ce que l'API Gemini Omni Flash vous offre réellement

L'API expose Omni Flash via l'Interactions API (interactions.create), et non via l'endpoint generateVideos utilisé par Veo. Ce détail compte car les interactions conservent un état (stateful). Chaque réponse porte un id auquel vous pourrez vous référer plus tard.

D'après la documentation Omni de Google et une semaine de tests sur l'endpoint, cinq tâches fonctionnent aujourd'hui :

• Text-to-video. Un prompt en entrée, un clip 720p en sortie, bande sonore incluse.
• Image-to-video. Votre image devient l'image d'ouverture et le prompt décrit le mouvement.
• Reference-to-video. Des images de sujet conservent la cohérence d'un personnage ou d'un produit dans une nouvelle scène — la requête en accepte jusqu'à dix, et contrairement à Veo, elles peuvent être combinées avec une image de départ.
• Édition conversationnelle. Transmettez le previous_interaction_id ainsi qu'une courte instruction, et le modèle modifie le clip tout en gardant le reste intact.
• Édition vidéo-à-vidéo. Envoyez une vraie vidéo en contenu avec task: "edit" et elle revient restylée — pas besoin d'id d'interaction, cela fonctionne donc sur des clips que le modèle n'a jamais créés (y compris des rendus Veo ou des vidéos de smartphone). La contrainte : le résultat fait toujours exactement la même durée que l'entrée, et l'entrée est limitée à 10 secondes.

Le clip ci-dessus provient directement de gemini-omni-flash-preview via notre propre pipeline, vous regardez donc un exemple réel et non un asset presse. Un seul prompt textuel : un bateau en papier dérivant sur de l'encre renversée, "single continuous scene" pour empêcher le modèle de couper, et une ligne "Audio:" demandant des froissements de papier et des clapotis. Nous avons demandé les 10 secondes complètes. Activez le son ; l'audio est également généré.

Chaque clip dure de 3 à 10 secondes à 24 fps. La documentation ne mentionne aucun paramètre de durée, et au lancement nous pensions que le modèle décidait seul. Il s'avère que le format de requête accepte discrètement une durée et qu'elle est exacte : demandez 3 secondes et vous obtenez 3.008 secondes, facturées pour trois. C'est ce que nous proposons dans le générateur, ainsi le montage sur de la musique n'est plus une loterie.

Le prompt sert aussi de panneau de commande pour tout ce que l'API n'expose pas. Laissé à lui-même, le modèle a tendance à couper entre plusieurs plans, ainsi "single unbroken shot, no cuts" a trouvé sa place dans la plupart des prompts ; les plages de timecode comme [0-3s] ... [3-6s] ... sont bien respectées ; et le texte entre guillemets est affiché à l'écran avec une précision étonnante. Notre générateur les intègre sous forme de raccourcis en un clic.

L'audio est la seconde surprise, et une bonne. Chaque génération est livrée avec du son : bruit ambiant, effets, parfois de la parole si vous la demandez. Vous ne pouvez cependant pas le désactiver. Le seul contrôle dont vous disposez est le texte, nous avons donc fini par ajouter une ligne "Audio: ..." aux prompts et cela fonctionne très bien.

Que possède Flow que l'API n'a pas ?

Google Flow est un outil de production complet articulé autour de plusieurs modèles, et cet enrobage est exactement ce qui manque à l'API brute. Flow offre un Scene Builder pour les séquences multi-plans et des contrôles de caméra prédéfinis (type de plan, angle, mouvement). Une nuance que l'on oublie souvent sur la résolution : Flow génère par défaut en 720p lui aussi. Les versions 1080p et 4K apparaissent lors de l'étape de téléchargement, comme un choix d'exportation par-dessus le rendu Veo, pas comme un mode de génération différent. Aucun de ces outils n'existe dans gemini-omni-flash-preview.

Voici le comparatif honnête après une semaine de tests :

La documentation est transparente sur certains points. Les docs Google indiquent que l'extension et l'interpolation vidéo « ne sont pas prises en charge », et il en va de même pour les instructions système, la température et les paramètres de prompt négatif (ils suggèrent d'écrire les éléments négatifs dans le prompt classique, ce qui, d'après mon expérience, fonctionne une fois sur deux). Les références vidéo figurent dans le schéma de l'API avec une limite de 3 secondes, mais la doc admet que le modèle ne les traite pas encore correctement.

L'API en préversion n'est donc qu'une fraction de ce que le modèle peut faire sur les interfaces de Google. C'est classique pour une préversion. Cela reste frustrant quand un client demande un export 1080p et que le plafond est à 720p.

L'édition conversationnelle est la fonctionnalité qui tient ses promesses

L'édition est le domaine où Omni Flash s'impose. Vous génerez un clip, vous le regardez, puis vous envoyez un suivi comme « mets la veste en rouge et ralentis la caméra » avec le previous_interaction_id du premier résultat. Le modèle recompile la vidéo en appliquant votre modification et en préservant la majeure partie de l'original. Pas de réimportation, pas de masques, pas de timeline.

La documentation Google Gemini Enterprise indique que vous pouvez enchaîner jusqu'à trois éditions successives tant que la session conserve le contexte. En pratique, chaque édition est un nouveau rendu 720p, donc la cohérence dérive légèrement à chaque étape. Les visages résistent mieux que le texte sur les enseignes. Les mouvements complexes changent parfois alors que vous n'aviez demandé qu'une modification de couleur.

Un piège rencontré en production : les interactions parentes expirent côté Google. Si vous tentez de modifier un clip généré il y a quelque temps, l'API peut renvoyer un 404 pour l'interaction référencée. Sur BananaBanana, nous signalons cela comme une vidéo expirée et remboursons la tentative, mais si vous développez sur l'API brute, prévoyez ce cas.

Combien coûte Gemini Omni Flash ?

L'annonce de lancement de Google fixe le prix d'Omni Flash à $0.10 par seconde de vidéo générée : un résultat de 3 secondes coûte $0.30, un résultat de 10 secondes coûte $1.00.

Sur BananaBanana, nous répercutons ce tarif directement : $0.10 par seconde, vous choisissez donc 3 secondes pour $0.30 ou les dix secondes complètes pour $1.00, et une édition coûte le même tarif car il s'agit d'un rendu complet (elle revient également exactement à la même durée que la source — le modèle ne peut ni étirer ni couper). Nano Banana 2 Lite, lancé le même jour, coûte $0.03 par image ici (le tarif API de Google est de $0.034 pour une image 1K). La grille tarifaire complète se trouve sur la section tarifs.

Dix centimes la seconde, est-ce intéressant ? Pour un brouillon avec du son qui nécessiterait sinon une passe de génération vidéo et un travail audio séparé, probablement oui — et un test de 3 secondes coûte moins cher qu'un clip Veo. Pour du b-roll muet, non. Veo 3.1 Fast crée des clips muets moins chers et dans une meilleure résolution.

Devez-vous utiliser Omni Flash ou Veo 3.1 ?

En résumé : ils se partagent les tâches, mais pas selon la ligne « brouillon vs final » que vous pourriez imaginer.

Une chose à savoir avant de choisir : l'écart de qualité entre eux ne concerne pas vraiment la résolution. Veo 3.1 restitue le mouvement et la physique de façon beaucoup plus convaincante. L'eau se comporte naturellement, les tissus se plissent là où il faut, les objets entrent en collision au lieu de se traverser comme des fantômes. Omni Flash y parvient souvent, mais pas systématiquement, et sur certains clips vous le remarquerez immédiatement.

Choisissez Veo 3.1 quand vous avez besoin d'un véritable export 4K, d'une durée exacte (vous définissez des secondes entières, de 4 à 8 ; les fractions n'existent pas), d'un rendu muet, d'une extension ultérieure ou du contrôle sur la première et la dernière image. Ce dernier point est sous-estimé : fournissez la même image en début et en fin et vous obtenez une boucle parfaite, ce qui est tout le secret des arrières-plans en boucle. C'est l'outil de production pour tout ce qui est panoramique ou chargé en physique.

Choisissez Omni Flash quand la destination est un écran de smartphone. Pour TikTok, Shorts ou Reels, le 720p est honnêtement tout ce que la plateforme conserve après sa propre compression, le son est intégré dans la même passe, et l'édition conversationnelle l'emporte sur le fait de réécrire des prompts à zéro en cherchant l'idée. Dans ce créneau, ce n'est pas l'outil de croquis : c'est simplement le meilleur choix.

Mon workflow personnel après deux jours d'utilisation : pour les projets clients au format paysage, je maquette toujours le concept dans Omni Flash — des prises de trois secondes à $0.30 — puis je refais la bonne prise dans Veo en qualité finale. Pour un clip vertical destiné directement aux réseaux sociaux, la prise Omni est souvent publiée telle quelle.

Les deux modèles sont disponibles dans le générateur BananaBanana, vous pouvez donc les comparer sur le même prompt sans écrire une ligne de code ni configurer un projet Google Cloud. Et si vous souhaitez la version condensée de cet avis — capacités, limites et tarifs sur une seule page — elle se trouve sur la page Gemini Omni.

FAQ

Qu'est-ce que gemini-omni-flash-preview ?

C'est l'id de modèle sur l'API pour Gemini Omni Flash, le modèle conversationnel de génération vidéo de Google sorti en préversion publique le 30 juin 2026. Il génère et modifie des clips 720p de 3 à 10 secondes avec audio via l'Interactions API.

Gemini Omni Flash peut-il générer des vidéos en 1080p ou 4K ?

Non. L'API ne produit que du 720p à 24 fps. Google Flow génère par défaut en 720p lui aussi ; ses versions 1080p et 4K sont proposées à l'étape de téléchargement sur les rendus Veo. Si vous avez besoin d'une véritable exportation haute résolution, utilisez Veo 3.1.

Puis-je définir la durée de la vidéo dans l'API Omni Flash ?

Oui, bien que cela ne figure pas dans la doc. Le format de réponse accepte une durée et le résultat correspond à l'image près : 3 secondes demandées, 3.008 secondes obtenues, facturées pour trois. Nous le proposons sous forme de sélecteur de 3 à 10 secondes dans le générateur. La seule exception est l'édition — un clip édité hérite toujours de la durée de la vidéo dont il provient.

Omni Flash génère-t-il toujours de l'audio ?

Oui, chaque clip inclut une bande sonore générée et il n'y a pas de paramètre pour la désactiver. Décrivez l'audio souhaité (ou demandez un "quiet ambient room tone") directement dans le prompt.

Omni Flash peut-il étendre ou interpoler des vidéos existantes ?

Il ne peut pas les rallonger : l'extension et l'interpolation ne sont pas prises en charge, et la tâche extend dans le schéma répond que ce modèle ne supporte pas l'extension vidéo. C'est l'édition qui la remplace — soit de manière conversationnelle sur un clip qu'il a généré, soit en vidéo-à-vidéo sur n'importe quelle vidéo terminée que vous lui fournissez, y compris un rendu Veo ou votre propre fichier. Le résultat conserve la durée de l'entrée.