Google boucle le multimodal avec Gemini 3.5 Transcribe et la généralisation de Omni 1.1 Flash pour la vidéo
Le 26 août 2026, Google a généralisé Gemini 3.5 Transcribe, deux modèles de transcription dédiés avec diarisation et vocabulaire personnalisé, et le 27 août Gemini Omni 1.1 Flash, sa génération vidéo conversationnelle avec interpolation et sortie 4K. La transcription cesse d’être une fonction du modèle généraliste pour devenir un produit autonome. Voici ce que cela change pour les équipes qui transcrivent ou produisent de la vidéo.
26 août 2026. Google rend disponible Gemini 3.5 Transcribe, deux modèles de transcription dédiés. 27 août 2026. Gemini Omni 1.1 Flash passe en disponibilité générale pour la génération et l’édition vidéo conversationnelle. 30 septembre 2026. L’ancien endpoint gemini-omni-flash-preview sera déprécié. Résultat : en deux jours, Google transforme ce qui était une fonctionnalité du modèle généraliste Gemini en une gamme de produits autonomes — transcription, vidéo, voix.
La transcription devient un produit, pas une fonction
Pendant des années, la transcription a été une capacité du modèle principal. Avec Gemini 3.5 Transcribe, Google inverse la logique : il extrait sa compréhension audio de Gemini pour en faire deux modèles dédiés à la parole-vers-texte.
Le premier, gemini-3.5-transcribe, cible la transcription non temps réel à haute précision et faible latence. Il gère plus de 85 langues, la détection de langue par énoncé, la diarisation des locuteurs, les horodatages au niveau du mot et un biais de vocabulaire personnalisé jusqu’à 1 000 termes. Le second, gemini-3.5-transcribe-live, vise le streaming bidirectionnel à faible latence sur WebSockets via la Live API, avec des événements intermédiaires et finalisés, un mode Smart transcription et plusieurs stratégies de détection d’activité vocale (VAD).
Le positionnement est limpide : Google attaque frontalement le marché de la transcription spécialisée, là où Whisper, AssemblyAI et Deepgram règnent. Le vocabulaire personnalisé à 1 000 termes est un argument direct pour les secteurs à jargon dense — santé, juridique, industrie — où les modèles génériques butent sur les noms propres et les termes techniques.
Omni 1.1 Flash : la vidéo conversationnelle passe en GA
Le 27 août, Google a généralisé Gemini Omni 1.1 Flash sous l’identifiant gemini-omni-1.1-flash. C’est la version stable de son modèle de génération et d’édition vidéo « conversationnel », qui avait tourné en preview. Trois capacités nouvelles accompagnent ce passage en GA.
La première est l’extension vidéo : prolonger une séquence existante en générant une continuation à la fin du clip, via la tâche extend ou directement par prompt. La deuxième est l’interpolation entre une première et une dernière image — la tâche image_to_video accepte jusqu’à deux images pour générer la transition. La troisième est le contrôle de résolution : un nouveau paramètre resolution dans video_config accepte 360p, 720p (par défaut), 1080p et 4K, les sorties 1080p et 4K étant produites par upscaling.
Le détail qui compte pour les développeurs : l’endpoint gemini-omni-flash-preview sera déprécié le 30 septembre 2026. Quiconque a intégré la preview doit migrer vers gemini-omni-1.1-flash avant cette date, sous peine de voir son intégration cassée.
Une stratégie multimodale qui se consolide
Ces deux annonces ne sont pas isolées. Elles s’inscrivent dans une séquence rapide : Gemini 3.7 Flash en GA le 13 août pour le code et les agents, Gemini 3.6 Flash et 3.5 Flash-Lite en juillet pour l’efficacité et le coût. Chaque version spécialise une modalité ou un profil de charge.
Le fil conducteur est la spécialisation. Google ne propose plus un seul modèle « capable de tout » : il découpe ses capacités en modèles dédiés — transcription, vidéo, code, agents — chacun avec son endpoint, son prix et sa fenêtre de support. Pour une équipe d’ingénierie, cela signifie qu’un choix d’architecture s’impose désormais là où un simple appel d’API suffisait.
Le volet grand public suit la même logique avec Gemini Live, l’expérience vocale intégrée à l’application Gemini. La voix devient un mode d’interaction à part entière, pas une fonction annexe.
La concurrence se joue désormais sur les cas d’usage
Le marché de la transcription est aujourd’hui partagé entre trois familles d’acteurs. D’un côté, Whisper et ses dérivés open source offrent une précision élevée sans coût de licence, mais laissent à l’équipe le soin d’héberger, d’orchestrer et d’optimiser. De l’autre, des API spécialisées comme AssemblyAI ou Deepgram vendent la simplicité d’intégration et des fonctionnalités métier. Google arrive en troisième position avec un atout que ni l’un ni l’autre ne peut répliquer facilement : la compréhension audio native de Gemini, déjà entraînée sur un corpus multimodal massif.
Ce qui départage désormais n’est plus le taux d’erreur générique, mais les fonctionnalités qui font entrer la transcription dans un produit : la diarisation qui attribue chaque phrase à un locuteur, les horodatages au mot qui permettent la navigation, et le vocabulaire personnalisé qui fixe l’orthographe des termes du domaine. C’est exactement le terrain que Gemini 3.5 Transcribe revendique.
Le calendrier n’est pas anodin. Août 2026 aura été l’un des mois les plus denses de l’histoire des sorties de modèles — plus d’une dizaine de lancements en une vingtaine de jours, selon plusieurs décomptes. Dans ce flux, la différenciation se déplace du « qui a le plus gros modèle » vers « qui résout le cas d’usage précis ». La transcription dédiée est une réponse directe à cette pression.
Ce que cela change pour les équipes qui transcrivent
Pour une équipe qui traite de l’audio, l’arrivée de Gemini 3.5 Transcribe change le calcul économique de la transcription. Les critères de choix ne sont plus seulement la précision brute, mais la diarisation, les horodatages au mot et le vocabulaire personnalisé — trois leviers qui déterminent l’utilité réelle d’une transcription dans un produit.
Le biais de vocabulaire à 1 000 termes est le point le plus concret. Si votre produit traite des noms de médicaments, des références juridiques ou des identifiants de pièces, un modèle qui sait les écrire correctement du premier coup vous épargne une couche de post-traitement. C’est précisément la promesse de cette version.
La variante Live ouvre un autre chantier : les assistants en temps réel, la sous-titration en direct, les centres d’appels. Les événements intermédiaires et le contrôle de la VAD sont des primitives que les équipes devaient jusque-là assembler elles-mêmes.
Et pour celles qui produisent de la vidéo
Du côté vidéo, Omni 1.1 Flash en GA pose deux questions concrètes. La première est technique : l’interpolation entre deux images et l’extension de clip changent la nature du montage assisté. On ne part plus d’un texte pour générer une scène, on part d’un fragment existant pour le prolonger ou le relier à un autre.
La seconde est budgétaire : la sortie 4K par upscaling et les contrôles de résolution donnent une échelle de coût claire — générer en 720p puis upscaler vers la 4K est souvent moins cher que générer nativement en haute résolution. C’est un levier d’optimisation direct pour les flux de production.
La date du 30 septembre impose une discipline : les intégrations en preview ont un délai de migration ferme. Une équipe qui laisse traîner une intégration gemini-omni-flash-preview encourt une rupture de service annoncée.
Verdict
Si vous transcrivez de l’audio à grande échelle, évaluez Gemini 3.5 Transcribe sur vos propres enregistrements, en mesurant la précision sur les termes de votre domaine — le vocabulaire personnalisé à 1 000 termes est le critère qui départage, pas le benchmark générique. La variante Live mérite un prototype si vous visez le temps réel.
Si vous produisez de la vidéo générée, migrez dès maintenant vers gemini-omni-1.1-flash et profitez de l’interpolation et de l’extension pour réduire le coût de vos séquences. Ne laissez pas une intégration preview atteindre le 30 septembre : la date de dépréciation est ferme, et la migration est triviale si elle est faite à temps.