CréationMarkTechPost4sem

Google AI lance Gemini 3.1 Flash TTS : un nouveau standard pour la voix IA expressive et contrôlable

Résumé IASources croisées · 3Impact UE

Egalement couvert par :DeepMind Blog ↗Google AI Blog ↗

Google a lancé Gemini 3.1 Flash TTS, un nouveau modèle de synthèse vocale disponible en préversion via l'API Gemini, Google AI Studio, Vertex AI pour les entreprises et Google Vids pour les utilisateurs Workspace. Le modèle affiche un score Elo de 1 211 sur le classement Artificial Analysis TTS Leaderboard, ce qui en fait le modèle vocal le plus naturel et expressif jamais proposé par Google. Sa particularité technique réside dans le recours à des balises audio et au prompting en langage naturel pour piloter le style, le ton, le rythme, l'accentuation et les nuances dialectales dans plus de 70 langues. Le modèle gère également nativement le dialogue multi-locuteurs, sans nécessiter d'appels API séparés pour chaque voix, ce qui garantit une fluidité conversationnelle bien supérieure aux pipelines TTS traditionnels. Enfin, chaque audio généré intègre automatiquement un filigrane invisible SynthID, conçu pour être imperceptible à l'écoute tout en permettant une détection fiable du contenu généré par IA.

Cette version marque un tournant dans la façon dont les développeurs construisent des expériences vocales. En permettant de diriger le modèle comme un réalisateur audio plutôt que de subir une conversion figée, Google ouvre la voie à des cas d'usage bien plus sophistiqués : podcasts générés automatiquement avec plusieurs intervenants distincts, scripts dramatiques, interfaces d'assistants collaboratifs ou encore doublages multilingues. Pour les entreprises clientes de Vertex AI, la combinaison de la qualité benchmark, du contrôle fin et du watermarking intégré répond directement aux exigences de conformité et de traçabilité qui freinent souvent l'adoption de l'audio généré par IA dans des contextes professionnels sensibles.

Ce lancement s'inscrit dans une course intense entre les grandes plateformes technologiques pour dominer la synthèse vocale expressive. OpenAI avec ses modèles TTS, ElevenLabs et d'autres acteurs spécialisés ont considérablement élevé le niveau d'attente des développeurs ces deux dernières années. Google répond en misant sur son infrastructure existante, l'intégration native dans l'écosystème Workspace et la profondeur multilingue, des atouts structurels que les startups peinent à répliquer à cette échelle. L'intégration de SynthID dans un modèle grand public est également un signal politique fort : alors que la régulation de l'IA générative s'intensifie en Europe et aux États-Unis, Google anticipe les futures obligations de transparence sur les contenus synthétiques. La suite logique sera d'observer si ce modèle s'impose comme référence dans les benchmarks indépendants et comment les concurrents répondront dans les prochains mois.

Impact France/UE

L'intégration native du filigrane SynthID anticipe les obligations de transparence sur les contenus synthétiques imposées par l'AI Act européen, facilitant la conformité pour les entreprises utilisant Vertex AI.

Dans nos dossiers

OpenAI Gemini

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1Le Big Data

Gemini 3.1 Flash TTS : prenez les commandes de l’émotion grâce aux balises audio

Google a lancé le 15 avril 2026 Gemini 3.1 Flash TTS, son nouveau modèle de synthèse vocale conçu pour donner aux créateurs un contrôle fin sur le rendu émotionnel des voix générées. La principale nouveauté réside dans l'introduction des balises audio, des commandes en langage naturel intégrées directement dans le texte pour piloter le rythme, l'intonation et le style vocal phrase par phrase. Concrètement, un développeur peut indiquer dans sa requête qu'un passage doit être prononcé avec "excitation" ou de manière "explicative", et le modèle adapte sa synthèse en conséquence. Le modèle prend en charge plus de 70 langues, dont 24 bénéficient d'une qualité dite premium, parmi lesquelles l'hindi, le japonais et l'allemand. Il est déjà intégré dans Google Vids, la Gemini API et Google AI Studio, et inclut le watermarking SynthID sur tous les outputs. Cette capacité à sculpter la voix par instructions textuelles représente un changement de paradigme pour les producteurs de contenu audio et les équipes de développement. Jusqu'ici, les modèles TTS généraient une voix uniforme, difficile à différencier selon le contexte ou le ton voulu. Avec Gemini 3.1 Flash TTS, les entreprises qui produisent des podcasts automatisés, des assistants vocaux, des vidéos pédagogiques ou des expériences de narration interactive peuvent adapter le rendu vocal sans post-production manuelle. La couverture multilingue avec maintien de la cohérence émotionnelle ouvre aussi la voie à des déploiements localisés à grande échelle, un enjeu crucial pour les acteurs globaux qui ne peuvent pas se permettre de perdre en expressivité lors du passage d'une langue à l'autre. Cette annonce s'inscrit dans une course intense entre les grands acteurs de l'IA générative pour dominer le segment de la voix. OpenAI a lancé ses propres capacités TTS via l'API et ses modèles de voix en temps réel, ElevenLabs a consolidé sa position sur le marché des créateurs, et Microsoft intègre des fonctions similaires dans Azure Cognitive Services. Google, avec DeepMind en soutien, mise sur l'intégration native dans son écosystème existant, Google Vids, AI Studio, pour accélérer l'adoption sans friction. Le fait que Gemini 3.1 Flash TTS soit directement accessible via la Gemini API suggère une stratégie orientée développeurs d'abord, avant un éventuel déploiement grand public. Les prochaines étapes probables incluent une extension des langues premium, un affinement des balises disponibles et une intégration dans NotebookLM ou d'autres outils de productivité Google déjà très utilisés.

UELes développeurs et producteurs de contenu européens peuvent intégrer dès maintenant des capacités TTS émotionnelles multilingues via la Gemini API, ouvrant la voie à des déploiements localisés à grande échelle sans post-production vocale manuelle.

CréationOpinion

1 source

2MarkTechPost

Google AI publie Veo 3.1 Lite : génération vidéo rapide et économique via l'API Gemini

Google a lancé Veo 3.1 Lite, un nouveau palier de son portefeuille de génération vidéo par IA, désormais disponible via l'API Gemini et Google AI Studio pour les utilisateurs en abonnement payant. Ce modèle se distingue par son positionnement tarifaire agressif : il offre la même vitesse de génération que le modèle Veo 3.1 Fast existant, mais à environ moitié moins cher. Concrètement, la génération en 720p est facturée 0,05 dollar par seconde, et 0,08 dollar par seconde en 1080p — des tarifs qui contrastent avec les plusieurs dollars par minute couramment pratiqués sur le marché de la vidéo IA haute qualité. Le modèle prend en charge des clips de 4, 6 ou 8 secondes, aux formats 16:9 et 9:16, avec une résolution maximale de 1080p (contrairement au Veo 3.1 flagship qui monte jusqu'au 4K). Il reconnaît également des directives cinématographiques précises dans les prompts, comme les instructions de panoramique, d'inclinaison ou d'éclairage. Pour les développeurs qui construisent des applications à fort volume — génération dynamique de publicités, automatisation de contenus pour les réseaux sociaux, prototypage itératif — le coût a longtemps constitué le principal frein à l'adoption industrielle de la vidéo générative. En divisant approximativement la facture par deux sans sacrifier la latence, Google ouvre la voie à des cas d'usage jusqu'ici économiquement inviables. L'intégration passe par l'API Gemini en REST ou gRPC, compatible avec les stacks Python et Node.js existants, ce qui réduit la friction d'adoption pour les équipes déjà dans l'écosystème Google. Chaque vidéo générée intègre également SynthID, le filigrane numérique invisible développé par Google DeepMind : imperceptible à l'œil nu, il reste détectable par des logiciels spécialisés, ce qui répond aux exigences croissantes de traçabilité du contenu synthétique. Sur le plan technique, Veo 3.1 Lite repose sur une architecture Diffusion Transformer (DiT), qui supplante les approches U-Net traditionnelles en traitant les frames vidéo non pas comme des images 2D statiques, mais comme des séquences de tokens dans un espace latent compressé. L'auto-attention appliquée à ces patches spatio-temporels améliore la cohérence temporelle — objets, lumières et textures restent stables tout au long du clip, un problème récurrent des modèles antérieurs. En opérant dans l'espace latent plutôt que dans l'espace pixel, le modèle contient l'empreinte mémoire et évite l'explosion du temps de calcul lors du passage en haute définition. Ce lancement s'inscrit dans une course à la démocratisation de la vidéo IA où Google, face à Sora d'OpenAI et Runway, cherche à consolider sa position en ciblant explicitement les développeurs plutôt que les créatifs, en faisant de la scalabilité économique son principal argument différenciateur.

UELes développeurs européens peuvent intégrer la génération vidéo IA à tarif réduit via l'API Gemini, sans impact réglementaire spécifique à l'UE.

CréationOpinion

1 source

3Le Big Data

Midjourney V8 Alpha : un nouveau souffle pour la création visuelle IA

Midjourney a lancé le 27 mars 2026 la version V8 Alpha de son générateur d'images, marquant une rupture technique notable avec la V7. La nouveauté la plus immédiate est la vitesse : le modèle génère des images jusqu'à cinq fois plus rapidement que son prédécesseur. L'accès ne passe plus par Discord mais par un portail web dédié, alpha.midjourney.com, réservé aux abonnés actifs de la plateforme. La résolution native passe à 2K, sans étape d'upscaling artificiel, chaque pixel étant calculé dès la phase initiale de génération. Le modèle embarque également un algorithme de compréhension du langage revu, censé mieux respecter les instructions de cadrage complexes et réduire les erreurs anatomiques récurrentes sur les visages. Un nouveau mode de travail, le Grid Mode, permet de visualiser et modifier des variantes en temps réel directement depuis l'interface web. Ce virage technique positionne Midjourney comme un outil de production sérieux, et non plus comme un terrain d'expérimentation communautaire adossé à une messagerie. Pour les studios de design, les agences créatives et les illustrateurs professionnels, la combinaison résolution 2K natif et latence réduite change concrètement le rythme de travail : là où une itération prenait plusieurs dizaines de secondes, elle se mesure désormais en quelques secondes. Le abandon du canal Discord, longtemps critiqué pour son ergonomie chaotique, simplifie la gestion des ressources GPU côté serveur et offre un environnement moins encombré. Pour les utilisateurs réguliers, la qualité des ombres, des lumières et des textures franchit un palier visible dès les premiers essais, réduisant le nombre de générations nécessaires avant d'obtenir un résultat exploitable. Midjourney avait subi quelques critiques après la V7, jugée décevante par une partie de sa base d'utilisateurs qui attendait un saut plus marqué. La V8 répond à cette pression concurrentielle dans un segment ou Adobe Firefly, Stable Diffusion et les outils de génération de Google et OpenAI se disputent les mêmes créatifs professionnels. Le passage à une interface web propriétaire reflète aussi une stratégie de monétisation et de contrôle plus direct sur l'expérience utilisateur, en s'affranchissant de la dépendance à l'infrastructure Discord. Le déploiement reste semi-fermé en phase alpha, ce qui laisse anticiper des ajustements supplémentaires avant une disponibilité générale. La prochaine étape sera de voir si ces gains de performance se confirment sur des cas d'usage exigeants, et si Midjourney parvient à fidéliser les créatifs qui avaient commencé à explorer des alternatives plus stables.

CréationOpinion

1 source

4Le Big Data

Gemini Omni : ce pourrait être l’IA la plus dangereuse pour le montage vidéo

À quelques jours du Google I/O 2026, prévu les 19 et 20 mai, des fuites repérées dans l'application mobile Gemini ont mis en lumière un nouveau modèle d'IA vidéo baptisé Gemini Omni. Des lignes de code et des captures d'écran révèlent des fonctionnalités inédites : "edit directly in chat", "remix your videos", "try a template". Concrètement, le modèle permettrait de modifier une vidéo directement dans une interface conversationnelle, sans logiciel dédié, sans timeline complexe. Les premières démonstrations circulant sur les réseaux montrent des modifications rapides et cohérentes, et certains testeurs signalent une consommation élevée des quotas d'utilisation, signe que Google ferait tourner un modèle particulièrement gourmand en calcul. Le compte TestingCatalog, spécialisé dans la traque des fonctionnalités cachées, a été le premier à documenter ces indices le 11 mai 2026. L'impact potentiel dépasse largement la simple mise à jour d'un outil existant. Si les fuites se confirment, Gemini Omni s'attaquerait directement aux workflows de création vidéo professionnelle : publicité, courts-métrages, contenu social media. L'idée de pouvoir écrire une instruction en langage naturel, "rends cette scène plus dynamique avec une musique épique", et obtenir une vidéo retravaillée en quelques minutes représente une rupture majeure par rapport aux outils actuels. Cela menacerait des acteurs comme Adobe Premiere, DaVinci Resolve, mais aussi les plateformes d'IA vidéo spécialisées comme Runway ou Pika, qui ont bâti leur modèle sur la fragmentation des usages. Pour les créateurs de contenu, les agences et les petites productions, ce type d'outil pourrait réduire drastiquement les coûts et les délais de production. Le choix du terme "Omni" est révélateur de la stratégie de Google. Dans le secteur de l'IA, il désigne des modèles capables de traiter simultanément plusieurs types de contenu : texte, image, audio, vidéo. Google semble vouloir unifier sous une seule IA ce qui est aujourd'hui dispersé entre Veo pour la génération vidéo, Imagen pour les images, et Gemini pour le texte. Plusieurs observateurs estiment que Veo pourrait être absorbé dans cette architecture unifiée. La compétition est intense : OpenAI développe des capacités vidéo dans GPT-4o, Runway et Pika lèvent des fonds à des valorisations records. Mais l'ambition d'une IA véritablement omnicanale, capable de produire nativement une campagne publicitaire complète depuis une simple idée textuelle, placerait Google dans une position stratégique unique. Tout reste à confirmer lors de la keynote du 19 mai, pour l'heure, ces informations reposent sur des fuites non officielles.

UELes créateurs de contenu, agences et petites productions européennes pourraient bénéficier d'une réduction significative des coûts et délais de production vidéo si Gemini Omni se confirme lors du Google I/O du 19 mai.

CréationOpinion

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour