Veo 2, Imagen 3 et Whisk : Google accélère la création visuelle par IA

La course à la vidéo générée par intelligence artificielle se joue désormais sur un terrain très concret : celui du contrôle créatif. Une belle séquence de quelques secondes ne suffit plus. Les créateurs veulent choisir le cadrage, suggérer un mouvement de caméra, obtenir une lumière cohérente et éviter que les mains, les objets ou les visages changent de forme au fil des images. Avec Veo 2, Google entend répondre à cette attente, tout en renforçant son offre d’images avec Imagen 3 et en lançant Whisk, un outil de remix visuel.

Ces annonces, dévoilées par Google le 16 décembre 2024, illustrent l’intensification de la concurrence entre les grands acteurs de l’IA générative. OpenAI, avec son modèle de vidéo Sora, a installé la génération vidéo au cœur des débats sur l’avenir de la création numérique. Google dispose pour sa part d’un écosystème plus large, qui va de Gemini à ses outils expérimentaux Google Labs et à ses offres destinées aux entreprises. Reste une question déterminante : ces promesses techniques peuvent-elles réellement aider les créateurs à produire des contenus fiables et utilisables ?

Veo 2 veut rapprocher l’IA des codes du cinéma

Google avait présenté la première version de Veo en mai 2024. Avec Veo 2, le groupe annonce une nouvelle génération de son modèle de création vidéo à partir de texte. Son objectif n’est pas seulement de fabriquer une animation correspondant vaguement à une description. Il s’agit de mieux interpréter les propriétés du monde réel, notamment les mouvements humains et la physique des objets.

C’est un point crucial pour la vidéo générative. Lorsqu’une personne marche, qu’un animal court ou qu’un verre tombe, chaque image doit rester compatible avec la précédente. Les premiers générateurs vidéo peuvent encore produire des incohérences : un objet apparaît soudainement, une main se déforme, un personnage porte des vêtements différents d’un plan à l’autre ou un mouvement semble impossible. Google affirme que Veo 2 réduit la fréquence de ces hallucinations visuelles, même si l’évaluation complète de cette promesse suppose des essais sur une grande variété de scènes et de durées.

Le modèle vise aussi une meilleure compréhension du vocabulaire de l’image. L’utilisateur peut ainsi ne pas se limiter à décrire un sujet ou une action. Il peut préciser le type de plan et le rendu recherché :

• une contre-plongée, c’est-à-dire une caméra placée sous le sujet ;
• un gros plan sur un visage ou un objet ;
• l’emploi d’un objectif grand angle ;
• une faible profondeur de champ, qui garde un élément net tout en floutant l’arrière-plan.

Ces indications font partie du langage habituel de la photographie et du cinéma. Leur prise en compte par une IA ne remplace pas le savoir-faire d’un cadreur, d’un directeur de la photographie ou d’un monteur. Elle peut toutefois accélérer la création d’un storyboard, d’une maquette publicitaire, d’une séquence d’ambiance ou d’un prototype de scène.

Google annonce que Veo 2 peut générer des vidéos en 4K et des clips pouvant atteindre plusieurs minutes. Cette capacité place le modèle parmi les outils les plus ambitieux du secteur sur le papier. Il faut néanmoins distinguer les capacités attribuées au modèle de ce qui est immédiatement disponible dans une interface donnée. Les premiers accès peuvent imposer des limites de durée, de résolution, de volume de générations ou de disponibilité géographique.

De Veo à Veo 2 : ce qui change dans l’ambition de Google

L’évolution de Veo tient moins à l’apparition d’un nouveau principe qu’à la volonté d’affiner le pilotage et le réalisme. La première version, présentée lors de la conférence Google I/O en mai 2024, avait placé Google dans la compétition de la vidéo par IA. Veo 2 doit franchir une étape supplémentaire en répondant avec davantage de précision aux demandes de mise en scène.

La différence est importante pour les professionnels de l’image. Une instruction comme « une personne marche dans une rue » laisse au modèle une très grande liberté. Une demande qui précise l’heure, l’ambiance, le mouvement du sujet, le point de vue de la caméra et le type de plan réduit cette liberté. Elle rend le résultat potentiellement plus proche de l’idée initiale, mais elle exige aussi de savoir formuler un prompt clair.

Cette logique ne doit pas être confondue avec une maîtrise totale. Une IA générative interprète une consigne à partir des exemples sur lesquels elle a été entraînée. Elle ne tourne pas une scène réelle et ne garantit pas, à chaque génération, que tous les détails demandés seront respectés. Dans une démarche créative, il faut donc prévoir plusieurs essais, sélectionner les résultats convaincants et éventuellement retoucher ou monter les séquences obtenues.

Imagen 3 améliore le suivi des demandes pour l’image

La vidéo concentre l’attention, mais Google poursuit aussi ses travaux sur la génération d’images. Imagen 3, déjà accessible dans Gemini depuis août 2024, reçoit une mise à jour d’abord proposée dans ImageFX, l’outil expérimental de Google consacré aux images générées par IA.

Selon Google, cette version améliorée produit des images « plus lumineuses et mieux composées ». Elle doit surtout mieux suivre les instructions formulées en langage naturel. C’est l’un des critères les plus importants pour juger un générateur d’images. Une image techniquement impressionnante a peu d’intérêt si elle oublie un élément central, inverse les positions des personnages, transforme le style demandé ou ajoute des détails non souhaités.

Imagen 3 est conçu pour traiter différents registres esthétiques. Google cite le photoréalisme, l’impressionnisme, l’abstraction et les rendus de type animation. La variété des styles répond à des usages très différents : illustration d’un article, préparation d’une campagne, recherche d’ambiance pour un jeu, maquette de produit, visuel pédagogique ou simple expérimentation artistique.

Pour un utilisateur, l’amélioration du suivi des instructions a une conséquence très pratique. Plutôt que de décrire une image en une phrase vague, il devient pertinent de structurer sa demande autour de plusieurs éléments : le sujet, l’action, le lieu, le cadrage, l’ambiance et le style. Plus la requête est explicite, plus le modèle dispose d’éléments pour produire une image conforme à l’intention de départ.

Mais un résultat généré ne doit pas être considéré automatiquement comme exact. L’IA peut représenter de façon erronée un objet, un uniforme, un monument ou un geste technique. Pour une publication informative, commerciale ou éducative, une vérification humaine reste indispensable, en particulier lorsque l’image est susceptible d’être prise pour une photographie documentaire.

Whisk, une autre manière de donner des consignes à l’IA

Avec Whisk, Google s’intéresse à une tendance appelée parfois « prompt visuel ». Au lieu de partir uniquement d’un texte, l’utilisateur peut assembler plusieurs images pour guider la création. L’outil propose d’utiliser une image pour le sujet, une autre pour la scène et une troisième pour le style, puis de générer une image inédite qui combine ces orientations.

Concrètement, une personne peut importer ou générer l’image d’un personnage, sélectionner un paysage servant de décor et joindre une illustration dont elle apprécie le traitement graphique. Whisk produit ensuite une nouvelle proposition. Un prompt textuel peut compléter la demande afin d’affiner le résultat.

L’approche est intéressante pour celles et ceux qui ont une idée visuelle difficile à traduire en mots. Il est souvent plus simple de montrer une pose, une silhouette ou une texture que d’en rédiger une description détaillée. Whisk peut donc servir à explorer rapidement des associations de références, par exemple pour préparer un moodboard, tester le ton d’une campagne ou imaginer l’univers graphique d’un projet.

Google précise toutefois que Whisk ne cherche pas à faire une reproduction au pixel près des images utilisées comme références. L’outil tente plutôt d’en capter les éléments essentiels. Cette limite est importante : une image source ne doit pas être comprise comme un calque qui sera reproduit fidèlement. Le résultat reste une génération nouvelle, avec sa part d’interprétation et d’imprévisibilité.

Qui peut utiliser Veo 2, Imagen 3 et Whisk fin 2024 ?

L’annonce de nouveaux modèles ne signifie pas un accès identique pour tous les internautes. Fin décembre 2024, Google déploie ses outils progressivement, notamment au travers de Google Labs. Veo 2 est proposé via VideoFX à certains créateurs et via une liste d’attente, tandis que le modèle est également destiné à des usages professionnels au sein des offres de Google Cloud.

La mise à jour d’Imagen 3 est introduite dans ImageFX. Gemini intègre déjà Imagen 3 depuis août 2024, mais les fonctionnalités et les versions effectivement accessibles peuvent varier selon les produits. Whisk est présenté comme une expérience Google Labs, initialement disponible aux États-Unis pour les utilisateurs âgés d’au moins 18 ans.

Google n’a pas annoncé de disponibilité générale de ces nouveautés en Europe à la date du 29 décembre 2024. Pour les internautes français, cela signifie qu’il faut vérifier l’éligibilité de chaque service au moment de l’inscription, plutôt que de supposer que toutes les annonces américaines sont immédiatement accessibles.

Les conditions d’accès ne sont pas le seul enjeu. Les utilisateurs doivent aussi tenir compte des règles d’utilisation des plateformes, des droits attachés aux images de référence et des exigences propres à leur activité. Une entreprise, une rédaction ou une agence ne peut pas utiliser une image générée comme elle utiliserait n’importe quel fichier libre de droits : le contexte de diffusion, la nature de la commande et les personnes ou marques éventuellement représentées doivent être examinés.

Filigrane, erreurs et droits : les limites à connaître

Google accompagne ses outils de génération par IA de mesures de sécurité. Les contenus créés par ses modèles peuvent notamment intégrer SynthID, un filigrane numérique développé par Google DeepMind. Invisible à l’œil nu, il est conçu pour aider à identifier les contenus produits ou modifiés par intelligence artificielle, même si l’image ou la vidéo a subi certaines transformations.

Ce type de marquage répond à une nécessité croissante. À mesure que les vidéos générées deviennent réalistes, le public doit pouvoir distinguer une création synthétique d’un document capté dans le monde réel. Le filigrane n’est pas une solution absolue, car tous les générateurs ne l’emploient pas et un contenu peut circuler sans indication claire de son origine. Il constitue toutefois un élément de traçabilité supplémentaire.

Les créateurs doivent également rester attentifs à trois limites récurrentes :

• la cohérence temporelle, surtout dans les vidéos longues ou riches en actions ;
• la fidélité aux détails, car une IA peut mal représenter une inscription, une main, un objet ou une relation spatiale ;
• les droits et l’éthique, lorsqu’une création s’appuie sur des références protégées, des personnes reconnaissables ou des éléments de marque.

La facilité de production ne supprime donc pas la responsabilité éditoriale. Dans un contexte professionnel, il reste prudent de conserver les prompts, de documenter les éventuelles retouches et de signaler l’usage de l’IA lorsque cela est pertinent pour ne pas induire le public en erreur.

Ce qu’il faut surveiller en 2025

Veo 2, Imagen 3 et Whisk dessinent une même orientation : la création par IA devient plus multimodale. Le texte demeure important, mais il peut être complété par des choix de caméra, des images de référence et des demandes de style. Google cherche ainsi à proposer non pas un unique générateur, mais une chaîne d’outils capables d’accompagner différentes étapes de la création visuelle.

La véritable épreuve sera celle des usages. Il faudra observer la qualité des vidéos sur plusieurs minutes, la précision du respect des consignes, le rythme de disponibilité hors des États-Unis et l’intégration de ces technologies dans les logiciels utilisés quotidiennement par les créateurs. La comparaison avec les solutions concurrentes ne se jouera pas seulement sur des démonstrations spectaculaires, mais sur la capacité à produire des contenus cohérents, contrôlables et clairement identifiables.

Pour le grand public comme pour les professionnels, l’arrivée de ces outils change surtout la manière de prototyper une idée. Une image, un mouvement de caméra ou une ambiance peuvent être testés en quelques instants. La valeur humaine se déplace alors davantage vers l’intention, la sélection, la vérification et la capacité à construire un récit qui ne soit pas seulement impressionnant, mais aussi pertinent.