Google a discrètement expédié deux mises à jour importantes du modèle Gemini dans les 48 heures cette semaine, et toutes deux s'adressent directement aux développeurs créant des applications de production. Gemini 3.5 Transcribe, lancé le 26 août, est le modèle parole-texte le plus précis de l'entreprise à ce jour, selon le blog officiel de Google. Gemini Omni 1.1 Flash, annoncé le 27 août, apporte des contrôles de qualité professionnelle à la vidéo générative, notamment une extension de scène jusqu'à 40 secondes et une mise à l'échelle 4K. Les deux modèles sont disponibles via l'API Gemini dans Google AI Studio et Gemini Enterprise Agent Platform.

Gemini 3.5 Transcribe : une synthèse vocale qui se nettoie après elle-même Pour plus de contexte sur cette histoire, consultez notre plus d'articles sur l'IA.

Selon Google, ce qui distingue Gemini 3.5 Transcribe de la reconnaissance vocale conventionnelle, c'est qu'il convertit l'audio brut directement en texte soigné et formaté plutôt qu'en transcription brute. Le modèle gère nativement le bruit de fond, le jargon complexe et le nettoyage des disfluences : il supprime les mots de remplissage tels que "ums" et "ahs", résout les autocorrections telles que "rendons-nous mardi, non, mercredi" et formate automatiquement la sortie.

Les chiffres de référence cités par Google sont remarquables. Tel que mesuré par l'analyse artificielle, le modèle atteint un taux d'erreur sur les mots (WER) moyen de 4,0 % pour les cas d'utilisation du streaming et de 2,6 % pour l'audio sans streaming. Sur le benchmark multilingue FLEURS dans les principales langues, il affiche un WER de 5,50 % en mode streaming et de 5,04 % sans streaming, améliorant ainsi le précédent modèle de transcription de Google, Chirp 3. Le temps nécessaire à la transcription finale s'améliore de 70 % par rapport à Chirp 3, toujours mesuré par analyse artificielle.

Le modèle est livré en deux variantes pour deux flux de travail. Pour les applications en direct, « gemini-3.5-transcribe-live » offre un streaming bidirectionnel continu avec une latence inférieure à la seconde via l'API Live, ciblant les agents vocaux et le sous-titrage en temps réel. Pour l'audio enregistré (réunions, journaux d'appels, archives), « gemini-3.5-transcribe » offre l'attribution d'un maximum de trois locuteurs (avec prise en charge d'autres en mode expérimental) et des horodatages au niveau des mots via l'API Interactions.

D'autres fonctionnalités incluent la détection et la transcription automatiques dans plus de 85 langues avec gestion des accents et des dialectes, ainsi que la prise en charge du vocabulaire personnalisé afin que le modèle s'adapte au jargon spécialisé et aux orthographes uniques. Google a également donné au modèle des yeux d'une sorte : grâce à l'appel de fonction, il peut déléguer des tâches telles que la génération d'images ou l'analyse de fichiers à d'autres modèles Gemini – une fonctionnalité actuellement disponible dans l'application Gemini sur macOS.

Gemini Omni 1.1 Flash : la génération vidéo agrandit une chronologie

Le deuxième lancement répond à la plainte la plus courante concernant la vidéo IA : le contrôle. Gemini Omni 1.1 Flash est une mise à jour axée sur la production qui rend la vidéo générative orientable d'une manière que ses prédécesseurs ne l'étaient pas, les chefs de produit Google DeepMind, Anish Nangia et Alisa Fortin, décrivant la version comme rendant Omni 1.1 "prêt pour la production pour un usage professionnel".

L'extension de scène est la fonctionnalité de titre. Les développeurs peuvent désormais continuer à générer des séquences de manière transparente à partir d’un clip existant, le modèle analysant jusqu’à 10 secondes de contexte antérieur – un bond par rapport aux modèles précédents qui ne faisaient référence qu’à la dernière seconde. Les vidéos peuvent être étendues par incréments de 10 secondes jusqu'à une durée cumulée de 40 secondes, améliorant ainsi la cohérence visuelle et l'adhésion narrative pour les histoires plus longues.

La mise à jour ajoute également une interpolation de la première et de la dernière image, permettant aux développeurs de spécifier les images de début et de fin pour créer des mouvements de caméra et des transitions fluides et délibérés entre les prises de vue. Pour la livraison, les projets terminés peuvent être mis à l'échelle vers une résolution 4K, tandis qu'un mode de prévisualisation 360p permet aux créateurs de parcourir les invites rapidement et à moindre coût avant de s'engager dans les rendus finaux.

De l'API aux surfaces du quotidien

Google intègre également les deux modèles à ses produits grand public, ce qui montre son avantage en matière de distribution. Sur Android, la nouvelle fonctionnalité "Rambler" de Gboard utilise 3.5 Transcribe pour transformer les pensées prononcées en texte bien formaté tout en filtrant les mots de remplissage - les utilisateurs peuvent même apporter des modifications vocales. Le modèle alimente également la dictée dans l'application Gemini sur macOS, fonctionne avec le contexte d'écran dans Google Antigravity et est en cours d'intégration dans Chrome.

Pour les développeurs, les deux lancements se lisent comme une seule stratégie : Google fait passer Gemini d'un chatbot avec lequel vous parlez vers une infrastructure qui voit, entend et produit des médias. Avec OpenAI, ElevenLabs et une cohorte de startups vidéo en compétition sur le même territoire, le taux d'erreur de mots de 2,6 % et les scènes cohérentes de 40 secondes constituent l'offre de départ de Google pour les charges de travail de production qui génèrent réellement des revenus : agents vocaux, pipelines de sous-titrage et outils créatifs. Les développeurs peuvent commencer à créer avec les deux modèles dans Google AI Studio dès aujourd'hui.

Pourquoi le taux d'erreur sur les mots est toujours important

Le taux d’erreur sur les mots ressemble à une statistique académique, mais en production, c’est la différence entre un produit vocal qui fonctionne et un autre qui échoue. Chaque énoncé mal compris dans un agent vocal interrompt une tâche : un identifiant de commande mal entendu déclenche un échec de recherche, une adresse tronquée envoie un colis à la mauvaise ville. C’est pourquoi l’écart entre un WER de 2,6 % sur l’audio hors streaming et les taux élevés à un chiffre qui étaient courants il y a une génération de modèles se traduit par une différence d’un ordre de grandeur en termes de convivialité.

La distinction entre les deux modes signalés par Google est également importante pour les architectes. La transcription en streaming – le chiffre WER de 4,0 % – échange une certaine précision contre une latence inférieure à la seconde, ce qu'exigent les cas d'utilisation interactive comme les agents vocaux en direct. La transcription par lots de l'audio enregistré est plus lente mais atteint 2,6 %, c'est pourquoi l'analyse post-appel et le traitement des archives peuvent se permettre d'être plus exigeants. La décision de Google d'exposer les deux comme des points de terminaison de modèle distincts plutôt que comme un seul paramètre réglable reconnaît que les développeurs créent des produits différents de part et d'autre de ce compromis.

Un flux de travail à plusieurs niveaux pour la production vidéo

La mise à jour Omni 1.1 Flash est tout aussi pragmatique quant à la manière dont le travail créatif se déroule réellement. Les itérations avec la vidéo générative ont été coûteuses : chaque expérience rapide signifiait un rendu complet. Le nouveau mode de prévisualisation 360p sépare l'exploration de la livraison, permettant aux créateurs de parcourir les variations rapides à moindre coût et de ne payer que pour la mise à l'échelle 4K sur les plans qui survivent à l'examen.

Les mécanismes d’extension de scène résolvent le problème de cohérence qui a maintenu la vidéo IA dans le ghetto de la taille d’un clip. En analysant 10 secondes de contexte précédent au lieu de seulement l'image finale, le modèle peut étendre une scène par incréments de 10 secondes jusqu'à 40 secondes tout en gardant les personnages, l'éclairage et le style visuel cohérents. Combiné avec l'interpolation de la première et de la dernière image – qui donne aux monteurs des points de contrôle déterministes, la manière dont les marqueurs d'entrée et de sortie fonctionnent dans le montage conventionnel – les séquences générées par l'IA commencent à s'intégrer dans de véritables pipelines de post-production plutôt que de les remplacer en bloc.

Le paysage concurrentiel

Les deux lancements positionnent Google comme une infrastructure plutôt que comme une destination. En discours, Google s'attaque aux fournisseurs de transcription spécialisés et aux piles vocales de ses concurrents cloud en intégrant une précision de pointe dans l'API Gemini que ses développeurs utilisent déjà. Dans le domaine de la vidéo, il rivalise sur un marché encombré de startups bien financées en mettant l'accent sur le contrôle et l'intégration des flux de travail plutôt que sur le spectacle brut.

L’avantage de la distribution peut être le facteur décisif. Le même modèle de transcription que les développeurs peuvent appeler à partir de l'API Gemini alimente déjà la dictée Rambler de Gboard sur Android, l'application Gemini sur macOS, Google Antigravity et Chrome, ce qui signifie que Google peut amortir le développement de modèles sur des milliards d'interactions utilisateur tout en collectant les divers sons du monde réel qui continuent de l'améliorer. Pour les développeurs qui choisiront une pile vocale ou vidéo en 2026, ce volant d’inertie fait désormais partie du pitch.

---

Restez à la Pointe de l'IA

Les dernières actualités, analyses et percées en IA — au même endroit.

Lire plus d'actualités IA →