Gemini Omni 1.2 vs Seedance, Kling, Veo et Wan : le comparatif vidéo

👁 115 lectures

Six modèles, deux scènes, un prompt rigoureusement identique au mot près. Dans la première scène, la caméra doit exécuter un tour complet à 360 degrés autour d’une vendeuse de pommes sur un marché traditionnel. Dans la seconde, deux voisins se disputent en polonais près d’un barbecue au sujet de la marque de saucisses achetée au supermarché. Chaque clip dure 6 secondes en 720p avec audio, généré le 5 novembre 2026 au soir, le jour du lancement de Gemini Omni 1.2 Flash.

Pour cette comparaison, j’ai sélectionné Omni 1.2, son prédécesseur Omni 1.1, Veo 3.1 Lite de Google, Seedance 2.0 Fast de ByteDance, Wan 3.0 d’Alibaba et Kling 3.0 Standard. Tous ont été testés via la même API sur OpenRouter, ce qui permet de comparer directement les coûts et les temps de réponse. Kling 4.0 et Seedance 2.5 n’y sont pas disponibles ou affichent des tarifs nettement supérieurs, nous y reviendrons plus bas.

Résultats du comparatif en un tableau

Pour évaluer les dialogues, je ne me suis pas fié à une simple écoute : chaque fichier audio a été transcrit automatiquement avec Whisper large-v3 puis comparé scrupuleusement au texte du prompt original. (Note sur les devises : conversions estimées au taux BCE du 04/11/2026 de 1 EUR = 1,1267 USD, source : Banque centrale européenne).

Scène 1 : rotation complète autour de l’étal de marché

Le prompt (traduit du test initial) demandait une rotation complète et fluide de la caméra autour d’une dame âgée vendant des pommes, à échelle constante et sans aucune coupe de montage. C’est un exercice particulièrement redoutable : le modèle doit imaginer l’apparence du sujet de dos, restituer l’arrière-plan cohérent, puis retrouver exactement les mêmes traits faciaux au terme de la trajectoire.

Omni 1.2 a exécuté la consigne à la perfection. La caméra part de face, glisse sur le profil, passe dans le dos pendant que la vendeuse rajuste son foulard, puis revient sur son visage souriant. Les traits du visage et le foulard à motifs floraux restent strictement identiques du début à la fin. Omni 1.1 tente également la rotation et passe bien derrière le sujet, mais le mouvement souffre de saccades visibles.

Le reste du peloton a totalement échoué sur ce mouvement. Veo 3.1 Lite et Wan 3.0 ont laissé la caméra sur un trépied statique en faisant simplement gesticuler le personnage. Seedance s’est contenté d’un léger travelling avant. Quant à Kling, il a découpé la séquence en plusieurs plans successifs avec des arrière-plans différents, ce qui contredit frontalement la consigne d’un plan continu sans coupes.

Scène 2 : dispute autour du barbecue

La consigne testée : deux hommes d’une cinquantaine d’années autour d’un barbecue dans un jardin ouvrier. Le premier, coiffé d’une casquette, lance : « Je t’avais dit que les saucisses devaient venir de Biedronka, pas de Lidl ! » (Traduction du texte original polonais : « Je t’avais dit que la saucisse devait venir de Biedronka, pas de Lidl ! »). Le second, portant des lunettes, rétorque : « Tu mangeras et tu ne râleras pas » (Traduction du texte original polonais : « Tu vas manger et tu ne vas pas te plaindre »).

Omni 1.2 produit un plan unique et stable. L’apparence des deux protagonistes ne varie pas et la synchronisation labiale suit correctement la voix. En revanche, le modèle a escamoté la fin de la première réplique : au lieu de mentionner les deux enseignes, il s’arrête à la première. Six secondes pour deux répliques complètes s’avèrent trop serrées, et l’IA a préféré couper la fin de phrase plutôt que d’accélérer le débit. En testant cette même scène à partir d’une image de référence, le modèle a néanmoins prononcé l’intégralité du texte.

Omni 1.1 prononce tout le texte demandé, mais découpe la scène en trois plans distincts : au milieu, un personnage totalement différent en t-shirt vert apparaît à table. Veo 3.1 Lite et Wan 3.0 s’en sortent le mieux sur cet exercice vocal : texte intégral, noms de marques parfaitement articulés, et un plan continu sans coupure. Seedance 2.0 Fast a remplacé le second personnage par un homme tenant une bière, tout en massacrant les mots polonais (avec des sonorités écorchées comme kielbana ou z lita). Kling a livré le résultat le plus déroutant : il a reformulé le texte à sa manière avec une grammaire approximative avant de conclure par une phrase incompréhensible.

Quel modèle choisir ?

Il n’y a pas de vainqueur universel, et ces deux épreuves le montrent clairement :

• Mouvements de caméra et cohérence du plan : Omni 1.2 l’emporte nettement. C’est le seul à avoir réussi une véritable rotation orbitale sans coupe, sans que les personnages ne changent de visage.
• Rapport qualité-prix sur les dialogues : Veo 3.1 Lite. À environ 0,04 € (0,05 USD) la seconde, il restitue fidèlement le texte parlé sans faute, avec pour contrepartie une caméra statique et des durées imposées de 4, 6 ou 8 secondes.
• Vitesse de génération : Omni 1.1 et 1.2 restent sous la barre de la minute. Wan et Kling imposent près de trois minutes d’attente.
• Modèles en difficulté sur les langues non anglophones : Kling 3.0 Standard et Seedance 2.0 Fast se sont montrés très peu fiables sur cet enregistrement en polonais.

Précisons également quelques éléments absents de ce banc d’essai. Seedance 2.5, le modèle haut de gamme actuel de ByteDance, coûte environ 0,20 € (0,23 USD) par seconde en 720p sur OpenRouter, soit plus de trois fois le tarif d’Omni 1.2 ; il n’a donc pas été inclus ici. Kling 4.0 n’est pour l’instant accessible via API que chez un seul intermédiaire, sans grille tarifaire publique. Vous pouvez consulter notre dossier détaillant combien coûte Gemini Omni 1.2 ainsi que notre banc d’essai sur cinq scènes dans l’arène vidéo IA.

L’ensemble des tests du lancement est regroupé dans le hub Gemini Omni Flash.

// lire la suiteSkyReels V4 vs Seedance 2.0 vs Kling 3.0 : comparatif IA vidéoBenchmarksFLUX 3 Max vs Kling, Seedance, Veo et Wan : le grand testBenchmarksSeedance 2.5 vs Wan 3.0 vs Utopai X : le comparatif vidéo IABenchmarks