Veo 3.1 là mô hình video của Google DeepMind, một trong những mô hình đầu tiên tạo video kèm âm thanh cùng lúc. Mô hình hiểu được mô tả âm thanh ngay trong prompt: cảnh biển sẽ có tiếng sóng vỗ và tiếng chim hải âu kêu, cảnh mưa trong thành phố sẽ có tiếng mưa rơi lộp độp, còn người dẫn chương trình trong khung hình sẽ nói đúng câu bạn yêu cầu, đồng bộ với hình ảnh.
Dịch vụ cung cấp Veo 3.1 Fast — phiên bản nhanh hơn và rẻ hơn bản đầy đủ nhưng vẫn giữ độ chân thực đặc trưng. Mô hình thể hiện tốt vật lý chuyển động, ánh sáng và chất liệu, đồng thời xử lý con người và cảnh phức tạp một cách tự tin. Video có thể được tạo từ văn bản hoặc từ ảnh; thời lượng là 4, 6 hoặc 8 giây, với độ phân giải 720p hoặc 1080p cùng một mức giá.
Âm thanh là tùy chọn: nếu bật âm thanh, một đoạn video 4 giây có giá 66 credit, nếu tắt âm thanh thì chỉ còn 44 credit. Veo 3.1 là lựa chọn đáng tin cậy cho quảng cáo, video có lời thoại và những cảnh đòi hỏi độ chân thực cao.