Flux 3 génère des vidéos avec audio natif jusqu'à 20 secondes, une première pour Black Forest Labs

Black Forest Labs lance FLUX 3, qui devance Seedance 2.0, Gemini Omni et Grok Imagine, et FLUX-mimic pour la robotique

Jeudi 23 juillet 2026, Black Forest Labs (BFL) a lancé FLUX 3 Video, un modèle multimodal "Self Flow" qui unifie génération de texte-vers-vidéo, image-vers-vidéo, vidéo-vers-vidéo, et continuation audio-vidéo, avec génération audio native intégrée à toutes les sorties. Le modèle permet aussi la génération à partir d'images-clés pour des transitions contrôlées, le dialogue multilingue, le chaînage agentique de plans en séquences multi-shots, une forte diversité stylistique allant du plan caméscope amateur à l'animation et au cinéma, ainsi qu'une génération de typographie animée. BFL revendique des performances supérieures à Seedance 2.0, Gemini Omni et Grok Imagine sur plusieurs de ces capacités. Une version Dev à poids ouverts est annoncée. Le même jour, l'équipe a aussi dévoilé FLUX3-mimic, un modèle dérivé qui applique les mêmes représentations vidéo à la robotique, capable de piloter des robots et de prédire leur impact physique dans des environnements d'usine réels. Cette annonce survient deux ans après le lancement de FLUX 1 en 2024, où BFL avait déjà laissé entendre, via son logo en forêt, qu'un modèle vidéo suivrait. Cette sortie est significative parce qu'elle marque une reproduction indépendante, potentiellement à l'état de l'art, de fonctionnalités jusqu'ici réservées aux modèles propriétaires des grands laboratoires. Pour l'industrie de la génération de médias, cela signifie qu'un acteur proposant des poids ouverts arrive à égalité, voire dépasse, les modèles fermés sur des capacités clés comme l'audio natif synchronisé ou le contrôle par image de référence. Pour les studios, créateurs et développeurs d'outils vidéo, l'existence d'une version Dev ouverte change l'équation économique et réduit la dépendance aux API propriétaires facturées à l'usage. Le volet FLUX3-mimic élargit encore l'enjeu : si un modèle entraîné sur des vidéos généralistes développe un "modèle du monde" suffisant pour commander des robots et anticiper des effets physiques réels, cela ouvre une voie où les avancées en génération vidéo grand public se transposent directement à l'automatisation industrielle, un pont que peu d'acteurs avaient démontré publiquement jusqu'ici. Le contexte plus large est celui d'une semaine particulièrement dense en annonces IA : le même jeudi, OpenAI a lancé ChatGPT Voice pour le grand public et OpenAI Presence pour les entreprises, générant plus de visibilité qu'Anthropic sur ses propres annonces vocales concurrentes, dans ce que les observateurs qualifient de coïncidence de calendrier "totalement accidentelle". En parallèle, Hugging Face a publié The Stack v3, le plus grand jeu de données de code ouvert jamais publié : 114 To de données brutes, 224 millions de dépôts, 44 milliards de fichiers et 770 langages, avec un corpus filtré passant d'environ 550 milliards à 5 000 milliards de tokens par rapport à la version précédente, porté notamment par des gains massifs en C++, TypeScript, Rust et Python. Ces publications alimentent un débat plus large sur la distillation de modèles, certains commentateurs y voyant un renforcement légitime de l'écosystème ouvert plutôt qu'un problème à interdire. Pris ensemble, ces développements dessinent une compétition de plus en plus serrée entre laboratoires fermés et initiatives ouvertes, sur la vidéo générative comme sur les données d'entraînement du code.

Grok Imagine Video 1.5 : cette IA génère maintenant des vidéos avec le son

xAI, la société d'intelligence artificielle fondée par Elon Musk, a annoncé le 17 juin 2026 la disponibilité générale de Grok Imagine Video 1.5, son modèle de génération de vidéo par image. Disponible sur le web via grok.com/imagine, sur les applications mobiles iOS et Android, et via l'API sous le nom grok-imagine-video-1.5, le modèle sort officiellement de sa phase de prévisualisation lancée début juin. La nouveauté la plus marquante de cette version finale est l'intégration du son natif : effets sonores, ambiances sonores et dialogues sont désormais générés simultanément à la vidéo, sans étape supplémentaire. Pour les utilisateurs grand public, xAI déploie en parallèle une version Video 1.5 Fast qui ramène le temps de génération d'une vidéo six secondes en 720p à environ 25 secondes, contre plus de 40 secondes avec le modèle précédent, soit un gain de performance de près de 40%. La synchronisation audio-vidéo native représente un changement concret pour les créateurs de contenu, qui devaient auparavant assembler son et image dans des outils tiers. La génération simultanée améliore la cohérence entre l'action et le son, et xAI indique que les voix gagnent en naturalité. Sur le plan visuel, le modèle corrige plusieurs faiblesses récurrentes des générateurs vidéo : meilleure cohérence des personnages et objets entre les images, réduction des déformations visuelles, et simulation plus réaliste de la physique, notamment le poids et l'élan. Le flux de travail créatif est également repensé avec l'ajout de projets organisables depuis une barre latérale, la possibilité de lancer plusieurs générations en parallèle via des agents simultanés, et un moteur de recherche intégré à la bibliothèque personnelle de l'utilisateur. xAI s'inscrit dans une course à la génération vidéo IA qui oppose désormais des acteurs comme Runway, Sora d'OpenAI, Veo de Google et Kling de Kuaishou. En intégrant le son directement dans le pipeline de génération, la société cherche à se différencier sur un marché où la qualité de production cinématographique devient un argument central. Pour illustrer le potentiel du modèle, xAI met en avant le projet "Odyssey" du créateur David Thompson, qui a réalisé une bande-annonce à l'esthétique cinématographique entièrement avec Grok Imagine 1.5. La disponibilité via API ouvre également la voie à des intégrations dans des outils professionnels de production. La prochaine étape pour xAI sera probablement d'étendre les durées de vidéo et la résolution maximale, deux limites encore non précisées officiellement, pour rivaliser avec les offres premium de ses concurrents.

Google dévoile Gemini 3.1 Flash-Lite pour générer des images d'entreprise en 4 secondes à moindre coût

Google a lancé ce jour un nouveau modèle de génération d'images baptisé Nano Banana 2 Lite, officiellement désigné Gemini 3.1 Flash-Lite Image dans son API. Ce modèle est immédiatement disponible pour les développeurs entreprise via Google AI Studio, l'API Gemini et la plateforme GEAP (Gemini Enterprise Agent Platform). Sa promesse principale est double : vitesse et faible coût. Il génère une image en 4 secondes au format 1024x1024 pixels, pour un tarif fixe de 0,034 dollar par tranche de mille images. Construit sur l'architecture Gemini 3.1 Flash Lite, il succède à Nano Banana 1 (Gemini 2.5 Flash Image) avec des améliorations ciblées : meilleure cohérence des personnages sur des séquences continues, rendu typographique localisé, et connaissance générale du monde renforcée pour générer des visualisations de données ou des mises en scène contextuelles. Dans les benchmarks internes, il obtient un score Elo de 1 251 en génération texte-vers-image, dépassant à la fois le modèle précédent (1 151) et même le Nano Banana Pro, plus lourd et plus coûteux (1 245). La seule limitation assumée est la résolution : contrairement aux modèles NB2 standard et NB Pro qui supportent 1k, 2k et 4k, ce modèle Lite se cantonne au 1k. L'enjeu commercial est clair. Google ne positionne pas ce modèle comme un outil créatif artistique, mais comme une couche utilitaire invisible pour les flux de travail automatisés à grand volume. Les ingénieurs logiciels, les plateformes publicitaires programmatiques et les applications de commerce numérique sont les cibles directes. Concrètement, cela signifie des milliers de variantes visuelles pour des tests A/B publicitaires en temps réel, des ajustements instantanés de visuels pour des vitrines localisées, ou encore la génération automatique d'assets pour des prototypes. À 0,034 dollar le millier d'images, le modèle change radicalement l'équation économique pour les applications qui génèrent des images à l'échelle industrielle. Cette sortie s'inscrit dans une période d'intense compétition sur le segment des modèles d'image rapides et bon marché. Google annonce également en parallèle la préversion publique de Gemini Omni Flash, un modèle multimodal orienté génération et édition vidéo conversationnelle. Nano Banana 2 Lite complète donc une offre stratifiée : d'un côté, des modèles puissants et flexibles pour la création complexe, de l'autre un moteur léger optimisé pour l'infrastructure. Le comparatif avec Krea 2 Turbo de la startup Krea est instructif : ce concurrent propose une licence partiellement ouverte et des capacités de personnalisation plus larges pour les petites entreprises, là où Google mise sur l'intégration native à son écosystème Workspace et ses offres IA d'entreprise. La bataille se joue autant sur le prix que sur l'écosystème, et Google dispose ici d'un avantage structurel considérable auprès de ses clients existants.

💬 Le calcul est simple, et c'est ça qui change tout : 0,034 dollar les mille images, c'est moins cher que de stocker les fichiers eux-mêmes. Google ne vend plus un outil créatif, il vend une commodité, comme l'électricité. Reste à voir si les boîtes de pub programmatique sautent vraiment le pas ou si elles se contentent de tester sur un coin de campagne.

Modification vidéo avec l’IA : le guide ultime pour transformer vos contenus en 2026

La transformation de photos statiques en vidéos animées, autrefois réservée aux studios de cinéma professionnels, est devenue accessible en 2026 à n'importe quel créateur équipé d'un simple smartphone. Cette évolution repose sur des modèles d'intelligence artificielle génératifs capables d'animer, d'éditer et d'enrichir des images fixes sans intervention technique de l'utilisateur. Des plateformes comme Seedance illustrent cette tendance : à partir d'une simple photo et d'une description textuelle, ces outils génèrent des mouvements fluides et cohérents, recréent des décors entiers et ajoutent une dimension narrative à une image unique. Les algorithmes analysent la géométrie et les textures du cliché fourni pour produire des animations qui respectent la physique des éléments représentés, qu'il s'agisse d'une mèche de cheveux, d'un tissu ou d'un décor complet. Les entreprises et les créateurs indépendants adoptent massivement ces solutions pour produire du contenu vidéo court destiné à des plateformes comme TikTok et Instagram. Cette automatisation change concrètement la manière dont les marques et les créateurs conçoivent leur communication visuelle. Ce qui exigeait auparavant de longues heures de montage sur des logiciels professionnels complexes se réalise désormais en quelques instructions écrites, ce qui réduit drastiquement les coûts et les délais de production. Pour les indépendants et les petites structures qui ne disposent ni du budget ni des compétences techniques d'un studio, cela ouvre l'accès à des formats vidéo dynamiques auparavant hors de portée. Les plateformes constatent également que les contenus animés génèrent un engagement nettement supérieur aux visuels statiques sur les réseaux sociaux, ce qui pousse les équipes marketing à intégrer ces outils dans leurs flux de production quotidiens. Techniquement, cette avancée s'appuie sur des architectures dites multimodales, capables de traiter simultanément texte et image plutôt que ces deux types de données de façon isolée comme le faisaient les générations précédentes de modèles. Le système traduit les instructions écrites en commandes graphiques précises, identifie les sujets et éléments de décor pour anticiper leurs déplacements physiques respectifs, et gère de manière autonome la perspective tridimensionnelle ainsi que la diffusion de la lumière. Ces outils intègrent désormais aussi un traitement acoustique avancé, permettant de synchroniser le son généré avec les mouvements à l'image, par exemple caler une piste musicale sur le rythme d'une action. Cette convergence entre texte, image et son marque une étape supplémentaire dans la généralisation des outils génératifs multimodaux au service de la création de contenu grand public.