Je plonge depuis deux semaines dans les outils vidéo GeminiOmni, et je voulais partager ce qui m'a surprise. Au départ, je pensais que Sora 2 resterait le modèle à battre. Au moment où j'ai mis en ligne /tools/text-to-video, j'avais discrètement changé le modèle par défaut pour Veo 3.1 Fast de Google — et pas à cause de la qualité, mais à cause de la comptabilité.
Ceci est une note de construction, pas un ensemble de benchmarks. Je vais expliquer comment j'ai pris cette décision, à quoi ressemblaient les chiffres, et quels sont les compromis si vous voulez suivre la même voie.
La version en 90 secondes
Si vous parcourez rapidement :
- Veo 3.1 Fast coûte 0,15 $ par seconde de vidéo générée, facturé à la seconde, publié ouvertement sur la page de tarification de Google.
- Sora 2 est uniquement disponible via ChatGPT Pro (200 $/mois) ou comme module complémentaire ChatGPT Plus à 20 $/mois avec des plafonds de génération mensuels. Il n'existe aucun nombre honnête par seconde que vous puissiez mettre dans un modèle financier.
- Pour une entreprise indépendante, la deuxième chose importe plus que la première. Je ne peux pas garantir un prix par vidéo pour mes utilisateurs quand mon propre coût d'entrée est « tout ce que 200 $/mois donnent divisé par le nombre de clips que j'ai générés ce mois-ci ».
- En termes de qualité, Sora 2 est toujours en avance sur les visages photoréalistes et les mouvements de caméra complexes. Veo 3.1 Fast gagne sur l'audio natif synchronisé et est suffisamment bon pour tout le reste pour le travail vidéo indépendant — démos de produits, accroches sociales, B-roll lifestyle.
Comment j'ai réellement mené la comparaison
J'avais une liste de 30 prompts qui reflètent le genre de choses que les utilisateurs de GeminiOmni vont taper. Environ un tiers étaient de style démo de produit (« une main verse de l'espresso dans une tasse en verre transparent, ralenti, éclairage de cuisine »). Un tiers étaient de style accroche sociale (« un zoom de 3 secondes sur un écran de téléphone alors que quelqu'un double-clique sur un post Instagram »). Le dernier tiers était du B-roll lifestyle (« lumière matinale à travers un balcon berlinois, lierre bougeant dans la brise »).
J'ai généré chaque prompt sur :
- Veo 3.1 Fast via l'API Gemini Developer à 0,15 $/sec
- Veo 3.1 Standard via la même API à 0,40 $/sec
- Sora 2 via mon compte ChatGPT Pro, temps de génération uniquement — aucun coût équitable par clip disponible
J'ai noté chaque résultat sur une échelle privée de 1 à 5 selon quatre dimensions : fidélité au sujet, plausibilité du mouvement, qualité audio (le cas échéant), et respect du prompt.
Je ne publie pas les scores par prompt car ils sont bruités avec n=30 et je ne veux pas que quiconque les traite comme un benchmark. Ce que je partage, c'est le schéma général :
- Veo 3.1 Fast a battu Sora 2 sur l'audio à chaque fois. Pas synchronisés, bruits d'eau, son ambiant de pièce — l'audio natif de Veo est la fonctionnalité phare, et Sora ne l'offre pas du tout.
- Sora 2 a battu Veo 3.1 Fast sur les visages et les mouvements de lèvres, surtout en gros plans serrés. Si votre cas d'usage implique une personne parlant directement à la caméra, l'écart est réel.
- Veo 3.1 Standard a comblé environ la moitié de l'écart visage/lèvres pour 2,7× le coût. Je le laisse comme option sur le plan Pro, pas par défaut.
Dans la boucle de l'API, le tableau des coûts était :
- Clip de 8 secondes sur Veo 3.1 Fast : 1,20 $
- Clip de 8 secondes sur Veo 3.1 Standard : 3,20 $
- Clip de 8 secondes sur Sora 2 : Je ne peux honnêtement pas vous le dire. J'ai généré 30 clips ce mois-là et payé 200 $ forfaitaires.
Pourquoi le prix à la seconde est plus important que vous ne le pensez
Voici l'argument pour les entreprises indépendantes en faveur d'une tarification transparente par appel, en deux paragraphes.
Si je veux proposer un plan « Pro » à 19 $/mois avec un plafond de 100 clips vidéo, je dois connaître mon économie unitaire sur chaque clip. Avec Veo 3.1 Fast à 0,15 $/sec et une sortie moyenne de 6 secondes, mon coût par clip est d'environ 0,90 $. Un utilisateur Pro intensif qui atteint le plafond me coûte 90 $, me laissant 71 $ de marge pour tout le reste, ce qui est viable. Les chiffres sont ennuyeux et ils sont juste là, sur la page de tarification.
Si j'essayais de faire tourner la même entreprise avec Sora, le coût d'entrée serait une fonction échelon qui dépendrait de savoir si je suis en dessous ou au-dessus du quota caché d'OpenAI ce mois-ci. Je serais à un changement de quota d'une inversion d'économie unitaire. Je ne peux pas garantir cela. Aucun indépendant ne le peut.
Ce n'est pas une critique de la qualité de Sora. C'est une critique du modèle économique. OpenAI vend Sora aux consommateurs via un abonnement forfaitaire à ChatGPT. Google vend Veo aux développeurs via une API mesurée. Le premier modèle est excellent pour les utilisateurs de ChatGPT et inutilisable pour les créateurs en aval. Le second est l'inverse.
La question audio est bien réelle
Je veux consacrer une section à l'audio synchronisé de Veo 3.1 car je l'avais sous-estimé.
Quand vous générez « une personne marche sur un plancher en bois, lumière matinale, vue de côté » sur Veo 3.1, vous obtenez l'image et les pas de pas en un seul passage du modèle. Synchronisés en phase. Stéréo. Avec la bonne réverbération de pièce pour l'espace visible. Je pensais que ce serait un gadget — « effets sonores IA » — et que ce serait évidemment faux la moitié du temps.
Ce n'est pas évidemment faux. C'est tellement proche de la perfection que j'oublie constamment que c'est généré. Les pas tombent sur les mêmes images que les impacts de pied visibles. La réverbération de la pièce s'adapte à la taille apparente de la pièce. Le son ambiant correspond à la scène (murmure de café pour des images de café, vent pour des images en extérieur).
Pour les vidéos indépendantes sur les réseaux sociaux, cela supprime complètement l'étape audio de post-production. Vous n'avez pas besoin de chercher une bibliothèque audio libre de droits. Vous ne payez pas un designer sonore pour du B-roll. Vous ne lancez pas une passe de synchronisation séparée. Le modèle l'a fait, et c'est assez bon pour être publié.
Chaque outil « vidéo IA » qui n'a pas d'audio synchronisé est maintenant en concurrence avec un qui en a, pour le même prix. Ceux qui n'en ont pas ont un problème.
Ce que j'ai construit par-dessus
La route par défaut dans /tools/text-to-video est maintenant Veo 3.1 Fast. Le plan Pro a une option pour Veo 3.1 Standard si un utilisateur a besoin de la fidélité supplémentaire sur les visages en gros plan. J'ai ajouté un petit plafond côté serveur pour les générations du niveau Gratuit (5 par mois, 720p, avec filigrane) car à 0,15 $/sec, l'équation ne fonctionne que si les utilisateurs Gratuits se convertissent à un taux raisonnable.
Quelques choix d'implémentation tranchés, au cas où vous construiriez quelque chose de similaire :
- Je conserve le prompt de l'utilisateur et la réponse améliorée avec le nom du modèle stampé sur le serveur pendant 30 jours pour les comptes Pro et je les supprime immédiatement pour les comptes Gratuits. Stocker les prompts est risqué pour la vie privée et ne vaut pas les économies.
- J'affiche le nom du modèle sous chaque clip généré — littéralement un petit badge « Veo 3.1 Fast ». Les gens méritent de savoir ce pour quoi ils ont payé.
- Je ne renouvelle pas automatiquement les crédits. Si vous avez acheté un pack de 400 crédits et ne l'avez pas utilisé en 12 mois, il expire. Je préfère perdre une vente de 29 $ plutôt que d'être l'entreprise qui vide discrètement votre portefeuille.
Ce que je vais surveiller à l'I/O
Deux choses à garder à l'œil lors du Google I/O 2026 la semaine prochaine, qui changeraient toutes deux mes réglages par défaut :
Gemini Omni. Un nouveau modèle vidéo a fuité via l'interface utilisateur de l'application Gemini — des chaînes de caractères comme « Créez avec Gemini Omni : découvrez notre nouveau modèle vidéo, remixez vos vidéos, modifiez directement dans le chat » sont apparues le 5 mai. Si Google lance un modèle vidéo de classe Omni avec la même économie d'API que Veo, les paramètres par défaut des indépendants changent à nouveau. J'écrirai à ce sujet le jour où cela arrivera.
API Sora 2. OpenAI a laissé entendre qu'une API Sora mesurée arriverait. Si elle est lancée à un prix transparent à la seconde inférieur à 0,30 $, l'écart de qualité des visages gagnera probablement. Si elle est lancée derrière des ventes aux entreprises ou des mystères de quotas, les créateurs indépendants devraient l'ignorer. Je croirai à l'API mesurée quand je verrai la page de tarification.
À lire ensuite
- Image vers vidéo sur Veo 3.1 — images de référence pour la cohérence des personnages
- Texte vers vidéo IA — options par défaut et Pro actuelles
- Tarification de GeminiOmni — comment j'ai choisi 19 $ / 79 $
— Lena
