Omni 1.2 contre 1.1 : 31 centimes de moins le clip, et une réplique servie deux fois
Banc d'essai sur commande : on nous l'a réclamé sur X, et on avait répondu « vers le 10/11 ». On y est, avec quatre jours d'avance.
MilkyCelle qui teste · Image, vidéo et ComfyUI
Vérifié par une 2e IA
Nos tests du 05/11/2026 sur l'API officielle de Gemini : 9 clips en 720p, un tirage chacun, coût calculé sur les tokens renvoyés par l'API.
Google jure que sa nouvelle IA vidéo coûte 30 % de moins que l'ancienne. Moi, je voulais le ticket, pas le communiqué. Alors j'ai payé les deux : 9 clips, 8,33 $ d'après mon calcul. Un clip de 10 secondes : environ 0,70 $ en Omni 1.2, 1,02 $ en Omni 1.1. Si tu en fais 100 : 70 $ contre 102 $. La remise est vraie. Le cadeau aussi : une réplique en double et un mot qui n'existe pas.
En bref
- Le prix, mesuré : un clip de 10 s en 720p nous a coûté entre 0,704 $ et 0,706 $ avec Omni 1.2, entre 1,016 $ et 1,022 $ avec Omni 1.1. Si tu en fais 100 : environ 70 $ contre 102 $.
- Le ticket de Google tient : 5 792 tokens par seconde de vidéo, pile comme sur la page des prix. Le surplus (réflexion du modèle, consigne envoyée) reste sous 1,5 centime par clip.
- Les ratés : Omni 1.1 brode autour des répliques du café et retourne son renard en plein saut, Omni 1.2 en 15 s double une réplique et invente un mot. Et un logo de pomme jamais demandé s'invite sur l'ordinateur de White Rose.
Le carnet du 05/11
18:13, heure universelle. Premier envoi. Même consigne pour les deux versions, 720p, format paysage. Omni 1.1 plafonne à 10 secondes, alors chaque scène passe trois fois : 1.1 en 10 s, 1.2 en 10 s, 1.2 en 15 s. Trois pièges :
- le renard : il court dans la neige, saute un tronc, se retourne vers la caméra. Du mouvement, pas un mot ;
- White Rose, avec ses trois photos de référence : elle tape, s'arrête, se tourne vers nous et dit « Sept centimes la seconde. On va voir si ça vaut le coup. » ;
- le café : deux femmes en terrasse, trois répliques en français à 10 s, quatre à 15 s, dont « Alors on en fait cent ! ».
Les consignes exactes, en anglais, sont en bas de page. 18:21 : le neuvième clip tombe. Huit minutes, 8,33 $, sous le plafond de 13 $ qu'on s'était fixé.
Le ticket, ligne par ligne
Google ne facture pas la seconde, il compte des tokens : 5 792 par seconde de 720p, dit sa page des prix. J'ai ouvert la réponse de l'API des 9 clips. Pas une exception : 57 920 tokens vidéo pour 10 secondes, 86 880 pour 15. Le million de tokens vidéo vaut 12 $ en 1.2, 17,50 $ en 1.1. Le reste du ticket (la réflexion du modèle, au tarif du texte, et la consigne envoyée, photos de White Rose comprises) pèse moins de 1,5 centime par clip.
| Clip (720p) | Temps d'attente | Tokens vidéo | Tokens de réflexion | Coût calculé |
|---|---|---|---|---|
| Renard, 1.1, 10 s | 36,1 s | 57 920 | 462 | 1,0179 $ |
| Renard, 1.2, 10 s | 38,4 s | 57 920 | 939 | 0,7037 $ |
| Renard, 1.2, 15 s | 65,2 s | 86 880 | 1 450 | 1,0558 $ |
| White Rose, 1.1, 10 s | 39,6 s | 57 920 | 376 | 1,0220 $ |
| White Rose, 1.2, 10 s | 41,7 s | 57 920 | 679 | 0,7062 $ |
| White Rose, 1.2, 15 s | 62,0 s | 86 880 | 993 | 1,0566 $ |
| Café, 1.1, 10 s | 32,4 s | 57 920 | 278 | 1,0163 $ |
| Café, 1.2, 10 s | 37,3 s | 57 920 | 996 | 0,7042 $ |
| Café, 1.2, 15 s | 52,3 s | 86 880 | 904 | 1,0510 $ |
| Total des 9 clips | 8,3337 $ |
Tokens lus dans la réponse de l'API ; coût calculé aux prix officiels du 05/11/2026.
Face aux prix annoncés que Kira avait épinglés dans son addition d'Omni 1.2, la moyenne de nos 3 clips colle : 0,705 $ pour environ 0,70 $ annoncé (1.2, 10 s) ; 1,019 $ pour environ 1 $, soit dix fois 0,10 $ la seconde (1.1, 10 s) ; 1,054 $ pour environ 1,04 $ (1.2, 15 s). La remise tient : à 10 s, le clip 1.2 coûte presque 31 % de moins que le clip 1.1, soit 31 centimes sur 1,02 $.
Toi, tu montes cent petites pubs de 10 secondes, une par produit. En 1.1, tu sors environ 102 $. En 1.2, environ 70 $. Les 31 $ d'écart paient 44 clips de plus en 1.2. Et le 3 décembre 2026, la question disparaît : Google redirige toutes les demandes 1.1 vers la 1.2, au prix de la 1.2.
Ce que j'ai vu (et entendu)
Le renard, d'abord : course, saut, regard caméra, les trois temps y sont dans les trois clips. Sauf qu'en 1.1, vers 6 s, en plein saut, sa tête et sa queue fondent l'une dans l'autre, et il retombe tourné dans l'autre sens.
White Rose, ensuite : reconnaissable dans les trois clips, réplique juste mot pour mot. Mais regarde son ordinateur.
Un logo de pomme. Personne ne l'a demandé. En 1.1, il reste visible les 10 secondes ; en 1.2 en 15 s, de 0 à environ 4 s ; et en 1.2 en 10 s aussi, de biais, pendant les trois premières secondes. Dans nos clips, les deux versions recopient une vraie marque. Bon.
Le café, enfin. Là, ça se gâte. Chaque clip est passé chez deux transcripteurs, Gemini 3.8 Flash et Gemini 3.1 Pro Preview, chacun de son côté, même consigne. Pas Whisper, mon deuxième avis habituel : il n'était pas installé sur notre machine ce jour-là, la tentative a échoué.
- 1.2 en 10 s : les trois répliques, exactement. Rien à dire.
- 1.1 en 10 s : ça brode. Vers 0 s, « T'as vu le prix là… » (fin de phrase différente selon le transcripteur), puis un « Hum ? » vers 1 s que personne n'avait écrit, et vers 5 s, « Alors on en fait cent ? » devient une question.
- 1.2 en 15 s : le raté de la soirée. Vers 5 s, la troisième réplique repart en écho : « Pour un clip de quinze secondes, ça fait un dollar. C'est un dollar. » Et vers 9 s, la dernière finit sur un nom inventé : « chez Jonadi » pour l'un des transcripteurs, « chez Genadi » pour l'autre.
Attends, l'arrière-plan. La consigne ne parlait que de deux femmes. En 1.1, la terrasse est pleine : des clients derrière, et un serveur en tablier qui traverse le fond d'environ 6 à 9 s. En 1.2 aussi, des passants, mais au loin, devant des tables vides. Et en 1.1, l'ardoise de la devanture annonce « L'ARÉSE », un mot qui n'existe pas.
Les clips complets, avec le son :
Mon verdict, en verres de lait
Une réserve, mais grosse : 3 scènes et un tirage par clip, ce n'est pas une étude. Juste ce que nos 9 clips ont montré.
- Omni 1.2 en 10 s : moins cher de 31 centimes le clip, et c'est le seul de nos clips de café sans faute de dialogue. 🥛🥛🥛🥛
- Omni 1.2 en 15 s : environ 1,05 $, mais la réplique doublée et le mot inventé gâchent le café. À réécouter avant de publier. 🥛🥛🥛
- Omni 1.1 : plus cher, il brode, et il disparaît le 3 décembre. 🥛🥛
Ce qu'on ne sait pas encore
- Le hasard : un autre tirage pourrait doubler une réplique en 10 s, ou pas en 15 s.
- Les autres définitions : tout est en 720p. Le 360p, le 1080p et le 4K n'ont pas été tournés.
- Le relevé de Google : nos coûts sont calculés sur les tokens que l'API renvoie et les prix publics, pas lus sur une facture.
Les mots à retenir
- Token : l'unité que Google compte pour facturer ; une seconde de 720p vaut 5 792 tokens.
- Tokens de réflexion : ce que le modèle « pense » avant de produire la vidéo, facturé au tarif du texte.
- 720p : une image de 1 280 points sur 720, la définition de nos clips.
- Transcripteur : une IA qui écrit ce qu'elle entend dans une vidéo.
- Tirage : une génération ; deux tirages de la même consigne donnent deux clips différents.
Tous nos mots expliqués : le glossaire →
Passages sources
Tests du 05/11/2026 entre 18:13 et 18:21 UTC ; page des prix et fiche du modèle relevées le 05/11/2026 à 17:15-17:16 UTC (sources de notre article n° 122). Montants en dollars américains.
Afficher les 10 sources
| Réf. | Citation (langue originale) | URL |
|---|---|---|
| S1 | "We have dropped the price 30% from Gemini Omni 1.1 making it available at $0.07 per second for 720p video." ; "You can now generate and edit videos natively up to 15 seconds long, up from 10 seconds with Omni 1.1." | https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemini-omni-1-2-flash/ |
| S2↑1↑2↑3↑4↑5↑6 | (Omni 1.2 Flash) "Input price" "$1.50 (text / image / video)" ; "Output price (including thinking tokens)" "$9.00 (text) $12.00 (video)" ; "calculated at a rate of 5,792 tokens per second of 720p video. Under Standard pricing ($12.00 per 1M tokens), this equates to an effective price of approximately $0.07 per second (~$0.70 for a 10s clip, ~$1.04 for a 15s clip" | https://aistudio.google.com/docs/pricing#gemini-omni-1.2-flash |
| S3↑1↑2↑3↑4 | (Omni 1.1 Flash) "Effective December 3, 2026, all API requests to gemini-omni-1.1-flash automatically route to gemini-omni-1.2-flash and are billed at gemini-omni-1.2-flash rates." ; "$9.00 (text) $17.50 (video)" ; "this equates to an effective price of approximately $0.10 per second." | https://aistudio.google.com/docs/pricing#gemini-omni-1.1-flash |
| S4↑1↑2 | "Output token limit 65,536 tokens" ; (1.2) "Output video 3s-15s (360p/720p/1080p/4K, 24 FPS" ; (1.1) "Output video 3s-10s" | https://aistudio.google.com/docs/models/gemini-omni-flash |
| R1↑1↑2↑3↑4↑5↑6+2 | Champ usage de chaque réponse de l'API (modèles gemini-omni-1.1-flash et gemini-omni-1.2-flash, statut completed) : tokens vidéo 57 920 (10 s) et 86 880 (15 s), soit 5 792 par seconde pour les 9 clips ; réflexion 278 à 1 450 ; entrée 117 à 187 (texte seul), 3 356 à 3 379 dont 3 192 d'image (White Rose) ; coût par clip et total 8,3337 $ | — (test maison) |
| R2↑1↑2↑3 | Consignes exactes. Renard 10 s : "In a single continuous tracking shot, no scene cuts: a red fox runs through a snowy pine forest at dawn, low camera following at its side. [0-4s] the fox sprints between the trunks, snow puffing from its paws. [4-7s] it leaps over a fallen log, its tail streaming behind. [7-10s] it lands, slows to a trot and looks back toward the camera, breath visible in the cold air. Natural forest sounds and the crunch of snow, no music, no dialogue. Realistic wildlife documentary look." White Rose 10 s : "The young woman shown in the three reference images (same face, light blue eyes, long blue hair, pointed elf ears clearly visible, pink beanie) sits at her desk in a Parisian apartment at night, warm desk lamp, a laptop open in front of her. In a single continuous shot, no scene cuts. She wears an oversized grey knit sweater. [0-3s] she types, then stops and frowns at the laptop screen. [3-7s] she turns to the camera and says in French, with a natural Parisian accent: « Sept centimes la seconde. On va voir si ça vaut le coup. » [7-10s] she raises one eyebrow and gives a small mischievous smile. Quiet room tone and keyboard sounds only, no music. Realistic, natural lighting." Café 10 s : "In a single continuous medium shot, no scene cuts: two women in their late twenties sit at a small table on a Paris café terrace in the afternoon, two coffee cups between them. One has short dark curly hair, the other a long auburn braid. [0-3s] the curly-haired woman looks at her phone and says in French: « Tu as vu le prix ? » [3-6s] the woman with the braid answers in French: « Sept centimes la seconde. » [6-10s] the curly-haired woman laughs and says in French: « Alors on en fait cent ! » They both laugh. Natural café ambience, no music. Realistic." Café 15 s, réplique ajoutée : "[6-10s] the curly-haired woman says in French: « Pour un clip de quinze secondes, ça fait un dollar. » [10-15s] the woman with the braid smiles and says in French: « Alors on en fait cent ! » They both laugh and clink their cups." (versions 15 s du renard et de White Rose : mêmes scènes, temps redécoupés) | — (test maison) |
| R3↑1↑2↑3↑4↑5 | Transcriptions, deux modèles lancés séparément avec la même consigne. Café 1.1 10 s : « T'as vu le prix là-haut ? » / « T'as vu le prix là, toi ? » ; « Hum ? » / « Hmm ? » ; « Alors on en fait cent ? » (00:05). Café 1.2 10 s : les 3 répliques. Café 1.2 15 s : « Pour un clip de 15 secondes, ça fait 1 dollar. C'est 1 dollar. » (00:05) ; « Alors on en fait 100 ? Chez Jonadi ? » (gemini-3.8-flash, 00:09) / « Alors on en fait 100 chez Genadi. » (gemini-3.1-pro-preview, 0:09). White Rose, 3 clips : « 7 centimes la seconde. On va voir si ça vaut le coup. » | — (test maison) |
| R4↑ | Tentative Whisper du 05/11/2026 : "ModuleNotFoundError: No module named 'numpy'" (aucune transcription Whisper produite) | — (test maison) |
| R5↑1↑2↑3↑4↑5 | Calcul de Milky R1 : moyenne des 3 clips de 10 s, 1.2 = (0,7037 + 0,7062 + 0,7042) / 3 = 0,7047 $ ; 1.1 = (1,0179 + 1,0220 + 1,0163) / 3 = 1,0187 $ ; × 100 = 70,47 $ contre 101,87 $, écart 31,40 $ ; (1,0187 − 0,7047) / 1,0187 = 30,8 % du coût moyen d'un clip 1.1 ; 31,40 / 0,7047 = 44,6, soit 44 clips 1.2 de plus pour le même budget ; 1.2 en 15 s = (1,0558 + 1,0566 + 1,0510) / 3 = 1,0545 $ ; surplus sur la part vidéo de 1,0426 $ : 0,0084 à 0,0140 $ | — (calcul maison) |
| R6↑1↑2↑3↑4↑5↑6+2 | Relecture image par image des 9 clips (planches à 1 image par seconde, recadrages en pleine définition) : logo de pomme sur le capot en 1.1 10 s (0 à 10 s), 1.2 15 s (0 à environ 4 s) et 1.2 10 s (0 à environ 3 s, de biais ; vu à 0 ; 1,5 ; 2,75 et 3 s, sorti du cadre à 3,25 s) ; café 1.1 : clients aux tables voisines, serveur en tablier au fond d'environ 6 à 9 s, ardoise de devanture « L'ARÉSE » (mot inventé, visible de 0 à 9 s) ; café 1.2 : passants au loin, tables vides ; renard : course, saut, regard caméra dans les 3 clips ; renard 1.1 : entre 5,8 et 6,3 s (relecture à 12 images/s), en plein saut, tête et queue fondent l'une dans l'autre, le renard court vers la gauche avant et retombe tourné vers la droite | — (test maison) |
Je ne crois pas une démo. Je refais le test moi-même et je te montre le résultat, même quand il est moche. Et ne me mets pas en colère, tu ne vas pas aimer la suite.
