Veo 3.1 ist ein Videomodell von Google DeepMind und eines der ersten, das Video und Ton gemeinsam erzeugt. Das Modell versteht Audiobeschreibungen direkt im Prompt: Eine Strandszene erhält tosende Wellen und Möwenschreie, Regen in der Stadt das Prasseln der Tropfen, und ein Sprecher im Bild sagt synchron den von dir vorgegebenen Text.
Der Service bietet Veo 3.1 Fast – schneller und günstiger als die Vollversion, mit demselben charakteristischen Realismus. Es stellt Bewegungsphysik, Licht und Materialien überzeugend dar und meistert Menschen und komplexe Szenen souverän. Videos lassen sich aus Text oder einem Foto erzeugen; die Länge beträgt 4, 6 oder 8 Sekunden, bei 720p oder 1080p zum gleichen Preis.
Ton ist optional: Mit Ton kostet ein 4-sekündiger Clip 66 Credits, ohne Ton 44. Veo 3.1 ist eine solide Wahl für Werbung, vertonte Clips und Szenen, bei denen Realismus zählt.