Veo ist das Videomodell von DeepMind, und der Anspruch von Veo 3.1 passt in vier Worte: Video trifft Ton. Es richtet sich an Filmemacher und Erzähler, wirbt mit nativem Ton, strafferer Kontrolle und Konsistenz und erreicht Nutzer über mehrere Türen — die Gemini-App, Google Flow, Google Vids, Google AI Studio und die Gemini-API.

Der Ton entsteht mit dem Bild

Nativer Ton ist der Punkt, zu dem die Fähigkeitsliste immer wieder zurückkehrt. Effekte, Atmosphäre und sogar gesprochener Dialog kommen aus derselben Generierung statt hinterher aufgelegt zu werden. Der Beispiel-Prompt zeigt, wie das praktisch klingt: erst die Beschreibung der Einstellung, dann die des Tons — Stadtlärm, Gespräche in der Ferne, ein tiefer Rap-Beat, eine Zeile einer Figur — alles in einem Prompt. Die vorige Generation nennt einen Umbau auf mehr Realismus unter ihren Änderungen, und der Grund dafür ist, dass Physik der realen Welt und Ton nun gemeinsam modelliert werden.

Ausgabe und Kamerakontrolle

Zur Auflösung nennt die Seite 1080p und 4K. 1080p liefert ein schärferes, saubereres Bild für den Schnitt; 4K bewahrt mehr Textur und Detail für aufwendigere Produktionen.

Zur Kontrolle ist die Liste konkret. Die Kamerakontrolle legt Bildausschnitt und Bewegung fest, mit Zurückfahren, Hineinzoomen, Hochfahren und Rechtsfahren als Beispielen. Outpainting füllt neuen Inhalt jenseits des Rahmens, der passt und glaubwürdig aussieht, damit ein fertiger Clip auf verschiedene Bildschirmformen passt. Ein Objekt hinzuzufügen berücksichtigt Größe, Interaktion und Schatten; es zu entfernen bewahrt Komposition, Interaktionen und vorhandene Schatten. Zusammen beantworten sie eine praktische Frage: Wie viel Nacharbeit folgt der Generierung.

Konsistenz, Verlängerung, erstes und letztes Bild

Drei Fähigkeiten tragen den Zusammenhang über Einstellungen hinweg. Figurenkonsistenz läuft über ein Referenzbild: Die Seite zeigt dieselbe Figur, die auf die Kamera zugeht, unter Wasser schwimmt und in eine Bonbonwelt tritt, und dabei gleich aussieht. Die Szenenverlängerung setzt an der letzten Sekunde einer Einstellung an und erzählt weiter, streckt einen Clip in die Länge und hält Bild und Ton zusammen — ein Tanzbeispiel auf der Seite verlängert eine Szene über vier aufeinanderfolgende Prompts. Erstes und letztes Bild erzeugen einen weichen Übergang zwischen zwei vorgegebenen Bildern, den die Seite als weich, einfallsreich und episch beschreibt.

Figuren über Körper, Gesicht und Stimme steuern

Eine fortgeschrittenere Gruppe holt die Darstellung in die Kette. Die Figurensteuerung treibt eine erzeugte Figur über Körperbewegung, Mimik und Stimme, während die Bewegungskontrolle ein Objekt im Video auswählt und dann seinen Weg festlegt. Beides schiebt den Prompt vom Beschreiben einer Einstellung zum Spielen derselben, was zählt, wenn eine feste Figur wiederholt auftreten soll.

Die Bewertungsaussagen

Die Stärken sind in vier Aufgabentypen gruppiert: Text-zu-Video, Bild-zu-Video, Text-zu-Tonvideo und reale Physik. Der Benchmark-Abschnitt sagt, Bewertende hätten 1,003 Prompts und ihre Clips aus einem veröffentlichten Film-Datensatz gesehen, wobei Veo 3.1 bei Gesamtpräferenz, Texttreue und Bildqualität vorn lag. Für Bild-zu-Video wurden 355 Bild-Text-Paare aus einem öffentlichen Benchmark genutzt; für Text-zu-Video mit Ton 527 Prompts, deren Synchronisation die Bewertenden besser fanden; im Physik-Teilsatz hielten sie das Verhalten für realistischer. Vier benannte Fähigkeiten — Material zu Video, Szenenverlängerung, erstes und letztes Bild, Objekteinfügung — führen laut Seite in internen menschlichen Vergleichen. Alle diese Aussagen tragen das Datum Oktober 2025.

Flow: Modell, Werkzeuge und Guthaben

In Flow ist Veo 3.1 das Hauptvideomodell. Flow wird als KI-Kreativstudio auf fortgeschrittenen Generierungsmodellen beschrieben und zieht neben Veo 3.1 Gemini Omni für Text, Bild und Video mit dialogischer Bearbeitung heran sowie Nano Banana für Bildarbeit. Ein Agent gehört zu den Besonderheiten: Er liest den Projektkontext und entwickelt Ideen mit dem Nutzer weiter.

Die Werkzeugebene ist zum Selbsterweitern gedacht. Die Seite nennt Texteinblendung, Bildanpassung, einen Bildeditor, ein Storyboard-Studio, Shader-Effekte und visuelle Entwürfe und erlaubt, eigene Werkzeuge in natürlicher Sprache zu bauen, zu teilen und umzubauen. Ein Residenzprogramm für Künstler liegt darüber.

Kostenlose Stufe und Tarife

Der Preisliste zufolge bekommt der kostenlose Tarif 50 Flow-Guthaben pro Tag, dahinter Gemini Omni Flash, Nano Banana Pro und Veo 3.1 — genug für Text-zu-Video, Bild-zu-Video, Material-zu-Video, Verlängerung, Video-zu-Video-Schnitt, Szenenerstellung, 2K-Hochskalierung und Avatare mit fertigen Werkzeugen. Darüber liegen drei bezahlte Stufen. AI Plus kostet 4.99 Dollar im Monat und legt 200 Guthaben monatlich auf die täglichen 50, dazu 1080p-Hochskalierung und eigene Werkzeuge. AI Pro kostet 19.99 Dollar im Monat für 1,000 Guthaben monatlich und erlaubt Zukäufe. AI Ultra kostet 99.99 Dollar im Monat für 10,000 Guthaben monatlich mit 4K-Hochskalierung für Bild und Video. Preise unterscheiden sich nach Markt, Funktionen nach Stufe, Basis und Region, und Nutzer müssen 18 Jahre alt sein.

Wasserzeichen, Sicherheit und Baustellen

Erzeugte Videos tragen ein SynthID-Wasserzeichen, eine Technik zum Markieren und Erkennen von KI-Ausgaben; Ergebnisse durchlaufen außerdem eine Sicherheitsprüfung und einen Abgleich auf erinnertes Material, schädliche Anfragen und Ausgaben werden blockiert. Dieselbe Seite nennt, was noch verbessert wird: natürliche, konsistente Sprache, besonders in kurzen Abschnitten, wo das Team an Synchronisation und stimmlicher Kontinuität arbeitet.

Schon im Einsatz

Die Fallbeispiele umfassen ein Studio, das es für Storyboards und Previsualisierung in der eigenen Plattform nutzt, ein KI-Rollenspiel, das statische Zwischensequenzen und mit dem Spielfortschritt wechselnde Assets erzeugt, und einen Schnitt-Agenten, der es für Motion Graphics und Werbevideos für kleine Händler einsetzt. Eine frühere Linie ist die Zusammenarbeit mit dem Studio eines Regisseurs, das auslotet, wie Realfilmaterial und erzeugte Bilder zusammenkommen; drei Kurzfilme junger Regie stammen daraus.

Grenzen

Auflösung, Ton und Kontrollfunktionen hängen vom Tarif und vom Zugang ab, also vor dem Kauf die aktuelle Seite prüfen. Die Benchmarkzahlen sind menschliche Bewertungen und interne Vergleiche, die die Anbieterseite zitiert, erhoben im Oktober 2025, und Aufgabendefinitionen wie Vergleichsmodelle können sich ändern. Flow-Guthaben entsprechen nicht eins zu eins fertigen Clips, die Kosten sind also aus dem eigenen Verbrauch zu schätzen. Kommerzielle Nutzung muss den Nutzungsbedingungen und der Richtlinie für generative KI folgen, Rechte an realen Personen und geschütztem Material sind getrennt zu klären.

Zusammengefasst: Der Punkt dieser Runde ist, dass der Ton in dieselbe Generierung wandert und dass 1080p und 4K, Szenenverlängerung, erstes und letztes Bild, Kamerafahrten, Outpainting und Objektbearbeitung die Kontrolle zurückgeben. Flow bündelt Modell, Werkzeuge und Guthabenabrechnung in einer Werkbank.