Supposons que vous téléversiez une tasse blanche, un bar à café et des grains de café, mais que la vidéo montre une autre tasse dans une pièce générique. Pour bien utiliser Gemini Omni 1.2 Flash multiple reference images, choisissez Reference-to-Video, attribuez à chaque image une tâche distincte et décrivez ces tâches dans l'ordre de téléversement. Commencez par un plan court, puis examinez le début, le milieu, la fin et le mouvement entre eux. Une référence oriente une génération ; elle ne garantit pas une copie pixel par pixel.
Le protocole de test utilise deux fois le même plan de tasse : d'abord avec uniquement l'image de la tasse, puis avec la tasse, le café et les grains. Un deuxième exemple utilise des photos extérieures et intérieures du Panthéon pour tester un point de vue en mouvement. La comparaison sépare ce que le prompt demande de ce que la sortie montre réellement, afin que vous puissiez déterminer si une référence supplémentaire a aidé ou créé un conflit.
Points clés
- Choisissez Reference-to-Video lorsque les images doivent guider le contenu sans dicter l'image d'ouverture.
- Attribuez à chaque image téléversée un rôle et nommez-la selon l'ordre de téléversement dans le prompt.
- Comparez une base courte de 1 image avec une exécution à 3 images avant d'augmenter la complexité.
- Vérifiez l'identité, le décor, les accessoires et le mouvement sur l'ensemble du clip, pas seulement sur la première image.
Ce que contrôlent plusieurs images de référence dans Gemini Omni 1.2 Flash
Un ensemble de références multi-images peut décrire plusieurs parties d'un même plan. Une photo peut identifier un produit, une autre peut fournir un lieu, et une troisième peut identifier un accessoire. Vous pouvez aussi utiliser des images pour un personnage ou un style visuel. Ces rôles ne sont utiles que lorsque le prompt précise quelles caractéristiques visibles appartiennent à quelle image. « Utilise toutes les images » laisse le modèle décider si la deuxième tasse dans une photo de café est un second produit ou un élément de fond encombrant.
Pour le test de la tasse, l'image 1 définit la tasse en céramique blanche et son anse. L'image 2 fournit le comptoir du bar à espresso et l'ambiance chaleureuse intérieure. L'image 3 fournit les grains visibles près de la tasse. Nous ne demandons pas au modèle de reporter le fond blanc de la photo des grains ni chaque objet sur le comptoir du café. Cette exclusion compte : une photo de référence contient souvent plus d'informations visuelles que la tâche que vous voulez lui confier.
L'ensemble de références ne peut pas éliminer toute ambiguïté. Une main peut cacher l'anse. Le mouvement de caméra peut révéler un côté de la tasse que la photo source ne montre jamais. L'éclairage et les angles de caméra peuvent entrer en conflit entre les trois photos sources. Traitez le prompt comme une hiérarchie de priorités, la forme de la tasse primant sur une correspondance exacte avec le mobilier d'arrière-plan. Dans son annonce de novembre 2026, Google décrit un meilleur suivi des références dans Gemini Omni 1.2 Flash tout en notant que les actions rapides et la physique complexe restent des points à améliorer.
Avant de téléverser, écrivez une phrase pour chaque source : « Cette image définit X ; ignore Y. » Si vous ne pouvez pas le faire sans attribuer la même tâche à deux images, simplifiez l'ensemble. Choisissez ensuite le mode d'entrée qui correspond à votre objectif.
Reference-to-Video ou First-and-Last Frame ?
Reference-to-Video est le bon mode lorsque vos images doivent influencer un nouveau plan en mouvement. Si vous avez besoin d'une image d'ouverture exacte, utilisez plutôt un flux de travail First-frame ou Image-to-Video. Si vous avez besoin de deux points de départ et d'arrivée précis, utilisez un flux de travail first-and-last-frame lorsqu'il est disponible. La même photo téléversée peut jouer un rôle très différent selon le mode sélectionné, et une phrase du prompt ne peut pas toujours outrepasser le contrat d'entrée du mode.
| Mode | Ce que contrôle l'entrée | Ouverture attendue | Meilleure utilisation |
|---|---|---|---|
| Reference-to-Video | Indices de sujet, scène, accessoire ou style | Une vue générée guidée par les références | Combiner une tasse, un café et des grains en un seul plan |
| Image-to-Video / first frame | L'état visuel de départ | Étroitement lié à la première image fournie | Animer un still particulier |
| First-and-last frame | Les états visuels de départ et d'arrivée | Commence à partir de la première image spécifiée | Planifier une transition entre des points fixes |
La documentation de Google Cloud sur les images de référence, consultée en novembre 2026, décrit les images de référence comme des indications supplémentaires pour la génération. La distinction est pratique : si la première photo téléversée apparaît presque inchangée comme image 1 et que vous vouliez une ouverture nouvellement composée, vérifiez le mode et l'emplacement de l'image avant de réécrire le prompt créatif.
Une tasse blanche sur un fond source uni peut raisonnablement devenir une tasse sur un comptoir de café en Reference-to-Video. C'est l'expérience ici. Pour le Panthéon, les photos extérieure et du dôme guideront deux scènes, mais elles ne sont pas des première et dernière images prescrites. Leur rôle est de rendre les éléments architecturaux reconnaissables pendant un mouvement continu.
Construire un ensemble de références que le modèle peut lire
Choisissez une référence principale claire avant de rassembler les images de soutien. La tasse doit être suffisamment grande pour juger son rebord, son corps et son anse. Dans la photo source validée, la tasse est petite et semble crème pâle malgré le titre du fichier qui la dit blanche. Cela fait de cette entrée un test de résistance utile, mais toute perte de détail de l'anse peut commencer dès la source. Une minuscule tasse dans une photo chargée de café est une référence produit faible car le modèle dispose de peu d'informations de forme précises à retenir. L'image de café de soutien a une tâche différente : elle doit rendre l'environnement lisible, en particulier le comptoir et l'équipement espresso. L'image des grains doit identifier un accessoire, et non fournir une composition concurrente.
Maintenez l'ordre de téléversement stable. Le prompt ci-dessous dit « première », « deuxième » et « troisième » ; ces mots n'aident que si l'ordre des fichiers correspond. Si vous remplacez une source lors d'un nouvel essai, vérifiez à nouveau l'interface avant d'exécuter. Lorsque plusieurs photos montrent des tasses similaires, supprimez ou excluez explicitement la tasse en trop. Sinon, le modèle peut mélanger les anses, les proportions ou les couleurs des deux. Pour un produit à l'emballage complexe, plusieurs vues du même objet peuvent être plus précieuses qu'une référence de style distincte.
| Téléversement | Détail cible | À ne pas hériter |
|---|---|---|
| 1 : tasse blanche | Corps, rebord et anse de la tasse | L'arrière-plan de la photo source |
| 2 : bar à café de Rome | Comptoir, équipement, atmosphère intérieure | Autres tasses ou personnes comme références produit |
| 3 : grains de café | Grains reconnaissables à côté de la tasse | Le fond blanc de la photo des grains |
Les trois photographies proviennent de Wikimedia Commons : les photos de la tasse en céramique blanche et du bar à café de Rome sont marquées CC0, et la photographie des grains de café est marquée dans le domaine public. Leur statut de réutilisation déclaré rend la démonstration plus facile à tracer ; il ne transforme pas la sortie générée en photo vérifiée d'un produit réel.
Les trois photos sources séparent le produit, le décor et l'accessoire avant toute génération de vidéo.
Flux de travail prêt à copier : 1 tasse, 3 références, 1 plan en mouvement
Téléchargez les photos sources en pleine résolution et notez chaque page de fichier Commons. Dans le playground Reference-to-Video de Gemini Omni 1.2 Flash, sélectionnez le modèle Reference-to-Video, et non une variante Image-to-Video. Téléversez la tasse seule pour l'exécution A1. Réglez 8 secondes, 16:9, 1080p et le thinking par défaut. Vérifiez que le fichier téléversé apparaît dans le champ reference-images. Collez ce prompt exactement :
plaintext1Create an eight-second product video featuring the white ceramic cup in the first reference image. Preserve its recognizable cup shape and handle. Begin with the cup resting still on a counter. The camera itself physically travels in a smooth semicircular arc around the stationary cup, so the counter and café background shift with clear parallax while the cup keeps the same orientation relative to the counter. Do not spin or rotate the cup, and do not place it on a turntable. After the camera arc, raise the camera to a slightly elevated viewpoint as a hand briefly lifts the cup and sets it back down without twisting it. Natural café ambience, no dialogue, no logos or added text. Use the uploaded image as a product reference, not as a literal opening frame.
Exécutez A1 et regardez toute la sortie. Le premier téléversement est la base, alors notez la forme de la tasse et si l'orbite et la vue surélevée se produisent bien toutes les deux. Ne pénalisez pas A1 pour avoir omis un café ou des grains spécifiques : ni l'un ni l'autre n'a été fourni comme référence. Enregistrez ce résultat séparément avant de modifier le formulaire.
Pour l'exécution A2, utilisez le même modèle et les mêmes réglages. Téléversez la tasse, le bar à café et les grains dans cet ordre. Confirmez que les trois vignettes apparaissent dans le champ reference-images, puis collez :
plaintext1Create an eight-second product video. The first reference image defines the white ceramic cup: preserve its recognizable shape and handle. The second reference image defines the espresso bar counter and its warm indoor atmosphere, but do not copy any other cup from that image. The third reference image defines the coffee beans placed beside the cup, not the background. Begin with the cup and beans on the counter. Move the camera in a smooth semicircle around the cup, then change to a slightly elevated viewpoint as a hand lifts the cup and sets it down. Keep the same cup and counter through the whole shot. Natural café ambience, no dialogue, no logos or added text. Use all three images as references rather than literal opening frames.
Exécutez A2 et attendez sa sortie terminée. Examinez le fichier généré, pas seulement la vignette d'aperçu. Les deux clips terminés ci-dessous montrent quels détails ont survécu au mouvement de caméra et à l'action de la main.
Qu'est-ce qui change avec la deuxième et la troisième image ?
Comparez les clips à la même taille d'affichage. Lisez chacun du début à la fin, puis mettez en pause près de l'ouverture, du milieu et de la fin. Pour l'identité de la tasse, inspectez le profil du rebord, le côté de l'anse et les proportions du corps, surtout après que la main l'a soulevée. Pour l'environnement, cherchez un comptoir et des indices de bar à espresso plutôt qu'une pièce brune générique. Pour les grains, vérifiez s'il s'agit d'accessoires distincts à côté de la tasse plutôt que d'une texture indistincte.
A1 conserve une tasse blanche et une anse visible tout au long du soulèvement par la main. Le décalage de caméra est modeste plutôt qu'une orbite semi-circulaire nette.
A2 ajoute des grains de café visibles et un décor de bar à espresso plus spécifique. La tasse paraît crème et moins régulière de forme que celle d'A1.
| Vérification | A1 : 1 image | A2 : 3 images | À rechercher |
|---|---|---|---|
| Forme de la tasse et anse | Corps blanc et anse restent visibles | L'anse reste visible ; le corps paraît crème et moins régulier | Même objet identifiable après les mouvements de caméra |
| Comptoir de café | Décor de café générique | Machine à espresso et comptoir nets | L'environnement ressemble à la source du comptoir |
| Grains de café | Non montrés | Visibles à côté de la tasse | Grains distincts à côté de la tasse |
| Mouvement | La main soulève la tasse ; décalage de caméra modeste | La main soulève la tasse ; le point de vue change modestement | Orbite, vue surélevée, soulèvement et repos |
Les références ajoutées rendent le comptoir et les grains plus faciles à identifier, mais la couleur et la forme de la tasse changent. Aucun clip n'accomplit clairement le mouvement de caméra semi-circulaire demandé. Ce sont des sorties uniques, donc des exemples diagnostiques plutôt qu'une statistique de performance. Si l'identité de la tasse importe le plus, le prochain test devrait renforcer la référence de la tasse ou simplifier l'action de la main tout en gardant les autres réglages fixes.
Un test d'architecture à deux images
Le test de la tasse demande si plusieurs types de détails coexistent dans un même plan produit. Deux photos du Panthéon posent une question différente : des références extérieure et intérieure peuvent-elles guider un point de vue en mouvement cohérent ? La première image Commons montre la façade extérieure ; la seconde montre le dôme intérieur et l'oculus. Les pages de fichier Wikimedia Commons pour les photographies de l'extérieur et du dôme les marquent toutes deux CC0.
Les photographies de l'extérieur et du dôme fournissent des indices de scène distincts pour un passage généré à l'intérieur du bâtiment.
Téléversez l'extérieur en premier, l'intérieur en second, dans le même modèle Reference-to-Video. Réglez 12 secondes, 16:9, 1080p et le thinking par défaut. Utilisez le prompt ci-dessous :
plaintext1Create a twelve-second architectural concept video guided by the two reference photographs of the Pantheon in Rome. The first image defines the exterior facade and entrance; the second defines the interior dome and oculus. Begin from a human-height viewpoint outside, move steadily toward and through the entrance, then tilt upward inside to reveal the dome and oculus. Use a continuous moving viewpoint with clear parallax and no sudden teleporting or isolated zoom. Keep the building recognizable while treating the result as a generated visualization, not documentary footage. Natural footsteps and room ambience, no dialogue, no titles or labels. Both images are scene references, not mandatory first and last frames.
Le passage généré se déplace de la façade à travers le portique et vers une vue du dôme et de l'oculus.
Jugez le clip par les caractéristiques visibles et la qualité de la transition, et non par la précision géographique. La façade, le portique et le dôme sont reconnaissables, et le point de vue avance vers l'entrée avant de lever les yeux à l'intérieur. Le résultat est une visualisation IA basée sur des photographies, et non des images documentaires ni un relevé architectural fiable. Une configuration first-and-last-frame répondrait à une autre question : comment relier deux images prescrites comme points d'arrivée.
Trois rôles de référence dans un seul plan de 15 secondes
La comparaison des tasses teste un produit, un lieu et un accessoire. Ce plan supplémentaire donne à trois références des rôles plus exigeants : un animal en mouvement, un environnement coloré et un groupe en mouvement qui entre plus tard. La question est de savoir si les trois restent lisibles pendant que la caméra suit l'action, au lieu d'apparaître uniquement dans des images isolées.
L'image 1 est une photographie de tortue verte de Wikimedia Commons pour la large carapace, la tête et les nageoires de la tortue. L'image 2 est une photographie de récif corallien de Wikimedia Commons pour les formes de corail rose et crème et l'eau claire. L'image 3 est une photographie de banc de poissons à queue jaune de Wikimedia Commons pour les corps des poissons et le mouvement du groupe. Chaque page de fichier marque sa photographie comme appartenant au domaine public. Les sources proviennent de lieux différents, donc la scène générée est un concept visuel, et non l'enregistrement d'un seul récif réel.
Les trois téléversements donnent au modèle un sujet, un décor et un groupe qui devrait entrer plus tard dans le plan.
Téléversez-les dans cet ordre en Reference-to-Video. Sélectionnez 15 secondes, 16:9, 1080p et le thinking par défaut. Utilisez ce prompt :
plaintext1Create a 15-second, single continuous underwater concept film using the three uploaded photographs as references in their exact upload order. The first image defines one green sea turtle: preserve its broad mottled oval shell, head, and four flippers, but ignore that photo's background. The second image defines the setting: vivid pink and cream branching corals, rounded coral heads, clear turquoise water, and rippling sunlight; it is not a mandatory first frame. The third image defines a dense school of slender silver fish with yellow tails; use the fish as moving animals, not as a background texture or a copy of their original seabed. In the opening five seconds, the turtle swims forward above the colorful reef with visible flipper strokes while the camera tracks alongside it. In the middle five seconds, the yellow-tailed fish school sweeps across the frame and curves around the turtle as the camera rises to a three-quarter overhead view. In the final five seconds, the camera widens and arcs to show the same turtle, reef, and fish school together in one coherent underwater space. Keep the turtle's shell pattern and the fish appearance consistent throughout. Show real subject movement, water particles, soft sunbeams, and clear parallax. Smooth camera movement, no cuts, no teleporting, no spinning turtle, no additional turtles, no text, logos, or narration. This is a generated visualization, not documentary footage.
Le clip généré de 15 secondes commence avec la tortue au-dessus du corail, puis fait entrer le banc à queue jaune dans la même scène en mouvement.
La carapace tachetée et les nageoires de la tortue restent reconnaissables du début à la fin. Le corail rose est plus net près de l'ouverture ; les poissons argentés à queue jaune entrent vers le milieu et partagent plus tard le cadre avec la tortue. La caméra suit et s'élargit, bien que le point de vue en surplomb demandé ne soit pas clairement établi. Cette sortie unique montre les trois rôles de référence fonctionnant ensemble tout en montrant aussi où l'instruction de caméra du prompt n'a été que partiellement suivie.
Corriger la dérive des références sans tout reprendre
Lorsqu'une tasse change de forme, identifiez l'image exacte où cela se produit. Si l'anse disparaît uniquement pendant qu'une main la couvre, cela peut être une occlusion. Si elle réapparaît du mauvais côté ou si le rebord change de profil après que la tasse a été reposée, l'identité du produit a dérivé. Rendez la tasse plus grande et plus claire dans la référence, simplifiez le soulèvement, ou précisez un point de vue qui laisse l'anse visible. Conservez la sortie précédente pour pouvoir dire si le changement a aidé.
Si le décor saute entre plusieurs cafés, inspectez l'ensemble source pour des pièces, éclairages ou objets similaires en conflit. Remplacez l'image de scène faible ou supprimez une référence qui fournit du mobilier indésirable. Dans le prompt, indiquez quelle image possède le comptoir et quels éléments visuels ignorer. Une liste plus longue d'instructions négatives peut créer plus d'ambiguïté ; une seule déclaration de rôle précise est généralement plus facile à tester.
Si les dernières secondes perdent des détails, raccourcissez l'action plutôt que d'ajouter plus de noms. Demandez une seule orbite continue et un petit soulèvement avant de tenter une séquence plus longue avec plusieurs transitions. La note de lancement de Google indique que le modèle prend en charge l'édition de suivi, mais ne supposez pas qu'une édition conservera chaque détail non touché. Inspectez une édition avec les mêmes vérifications de début, milieu et fin.
Changez une variable par nouvel essai : sélection des références, formulation du prompt, durée ou tâche de caméra. Tenez un journal des fichiers et réglages exacts. Cela transforme une sortie décevante en un diagnostic exploitable et évite qu'une image chanceuse soit prise pour un contrôle constant.
Limites, coût et où l'essayer
Google a annoncé Gemini Omni 1.2 Flash le 5 novembre 2026, avec des clips natifs allant jusqu'à 15 secondes. La page du modèle Reference-to-Video d'Atlas Cloud liste actuellement 1 à 10 images de référence, des choix de durée de 3 à 15 secondes, des ratios d'aspect 16:9 ou 9:16, et des options de sortie 360p, 720p, 1080p et 4K. Les choix 1080p et 4K sont suréchantillonnés à partir d'images générées nativement. Les limites d'entrée peuvent différer selon la voie d'accès, alors vérifiez le champ dans l'interface que vous utilisez. Ce guide ne nécessite que 1, 2 ou 3 images.
Pour les exemples exacts, utilisez la page du modèle liée dans le flux de travail et vérifiez son devis actuel avant chaque exécution. Le catalogue public des modèles Atlas Cloud offre un second endroit pour vérifier la disponibilité et les tarifs actuels. Un tarif indicatif à la seconde peut ne pas décrire chaque résolution ou condition de compte, alors budgétez à partir des contrôles réellement sélectionnés plutôt que de copier un prix de lancement dans un plan de production.
La prochaine étape pratique pour Gemini Omni 1.2 Flash multiple reference images est d'exécuter d'abord la base de la tasse. Enregistrez son prompt exact et sa sortie. Ajoutez le café et les grains seulement après avoir pu identifier quel détail manque à la base, puis jugez le clip de mouvement complet selon les quatre vérifications ci-dessus.
Questions fréquentes
Puis-je combiner des références d'images avec un clip de référence de mouvement ?
Google décrit la prise en charge de courtes références de mouvement, mais il s'agit d'un mélange d'entrées différent des tests sur photos statiques présentés ici. Vérifiez les limites et les règles de durée du point d'entrée spécifique avant de les combiner. Gardez les rôles des images explicites même lorsque le mouvement est fourni séparément.
Le modèle copiera-t-il exactement mes photos de référence ?
Non. Les références guident l'identité, le décor, les accessoires ou le style. Une image générée peut changer l'angle de caméra, l'éclairage, les surfaces cachées ou de petits détails. Si vous avez besoin d'une image de départ exacte, choisissez un flux de travail first-frame et inspectez tout de même le reste du clip.
Puis-je utiliser les photos de quelqu'un d'autre ou des éléments de marque ?
Utilisez du contenu que vous avez la permission d'utiliser et vérifiez sa licence pour votre publication prévue. Les pages de fichier Wikimedia Commons des photos sources indiquent leurs conditions de réutilisation. Vérifiez chaque licence applicable avant publication. Ce statut de source n'accorde pas de droits sur des logos, des personnes ou des éléments non liés que vous pourriez ajouter plus tard.
