Veo est le modèle de génération vidéo de DeepMind, et la promesse de Veo 3.1 tient en quatre mots : la vidéo rencontre le son. Il vise les cinéastes et les conteurs, met en avant un son natif, un contrôle plus serré et de la cohérence, et parvient aux utilisateurs par plusieurs portes — l'application Gemini, Google Flow, Google Vids, Google AI Studio et l'API Gemini.

Le son naît avec l'image

L'audio natif est le point sur lequel la liste des capacités revient sans cesse. Effets, ambiance et même répliques sortent de la même génération au lieu d'être posés après coup. La consigne d'exemple montre ce que cela donne : d'abord la description du plan, puis celle du son — bruit de ville, conversations au loin, un beat de rap grave, une réplique prononcée par un personnage — le tout dans une seule consigne. La génération précédente inscrit une refonte pour plus de réalisme parmi ses changements, et la raison donnée est que la physique du monde réel et l'audio sont désormais modélisés ensemble.

Sortie et contrôle de caméra

Pour la résolution, la page annonce 1080p et 4K. Le 1080p donne une image plus nette et plus propre pour le montage ; le 4K conserve plus de texture et de détail pour les productions haut de gamme.

Pour le contrôle, la liste est concrète. Le contrôle caméra fixe à la fois le cadrage et le mouvement, avec le recul, le zoom avant, la montée et le déplacement vers la droite comme exemples. L'extension hors cadre remplit au-delà du cadre un contenu neuf qui s'accorde et paraît crédible, pour que le clip s'adapte à différentes formes d'écran. Ajouter un objet tient compte de l'échelle, des interactions et des ombres ; le retirer préserve la composition, les interactions et les ombres déjà présentes. Ensemble, ces points répondent à une question pratique : combien de reprises suit la génération.

Cohérence, prolongement, première et dernière image

Trois capacités portent la continuité entre les plans. La cohérence de personnage passe par une image de référence : la page montre le même personnage avançant vers la caméra, nageant sous l'eau et entrant dans un monde de bonbons, avec la même apparence. Le prolongement de scène repart de la dernière seconde d'un plan et continue l'histoire, étirant un clip plus loin tout en tenant image et son ensemble — un exemple de danse sur la page prolonge une scène sur quatre consignes successives. La première et la dernière image produisent une transition douce entre deux images données, que la page décrit comme fluide, inventive et épique.

Piloter un personnage par le corps, le visage et la voix

Un groupe plus avancé place l'interprète dans la chaîne. Le contrôle de personnage pilote un personnage généré par le mouvement du corps, l'expression du visage et la voix, tandis que le contrôle de mouvement sélectionne un objet dans la vidéo puis définit sa trajectoire. Les deux font passer la consigne de la description d'un plan à son interprétation, ce qui compte quand un personnage fixe doit revenir plusieurs fois.

Les affirmations d'évaluation

Les points forts sont regroupés en quatre types de tâches : texte-vers-vidéo, image-vers-vidéo, texte-vers-vidéo avec son, et physique du réel. La partie benchmark indique que des évaluateurs ont regardé 1,003 consignes et leurs clips issus d'un jeu de données public de génération de films, où Veo 3.1 arrive en tête sur la préférence globale, l'alignement au texte et la qualité visuelle. L'image-vers-vidéo a utilisé 355 paires image-texte d'un benchmark public ; le texte-vers-vidéo avec son, 527 consignes, dont les évaluateurs ont jugé la synchronisation meilleure ; sur le sous-ensemble physique, ils ont trouvé le comportement plus réaliste. Quatre capacités nommées — des éléments à la vidéo, prolongement de scène, première et dernière image, insertion d'objet — sont dites en tête dans des comparaisons humaines internes. Chacune de ces conclusions porte la date d'octobre 2025.

Flow : modèle, outils et crédits

Dans Flow, Veo 3.1 est le modèle vidéo principal. Flow est présenté comme un studio créatif bâti sur des modèles de génération avancés, et à côté de Veo 3.1 il s'appuie sur Gemini Omni pour le texte, l'image et la vidéo avec édition conversationnelle, et sur Nano Banana pour le travail d'image. Un agent compte parmi ses particularités : il lit le contexte du projet et fait évoluer les idées avec le créateur.

La couche d'outils est faite pour être étendue à la main. La page cite l'incrustation de texte, l'ajustement d'image, un éditeur d'images, un atelier de storyboard, des effets de shader et des ébauches visuelles, et permet de construire ses propres outils en langage naturel, de les partager et de les remixer. Une résidence pour artistes se pose par-dessus.

Offre gratuite et formules payantes

Selon la page tarifaire, l'offre gratuite donne 50 crédits Flow par jour, avec Gemini Omni Flash, Nano Banana Pro et Veo 3.1 derrière — de quoi faire du texte-vers-vidéo, de l'image-vers-vidéo, du matériau-vers-vidéo, du prolongement, du montage vidéo-vers-vidéo, de la création de scène, de l'agrandissement 2K et des avatars avec les outils fournis. Trois paliers payants se placent au-dessus. AI Plus coûte 4.99 dollars par mois et ajoute 200 crédits mensuels aux 50 quotidiens, plus l'agrandissement 1080p et les outils personnels. AI Pro coûte 19.99 dollars par mois pour 1,000 crédits mensuels et autorise les achats supplémentaires. AI Ultra coûte 99.99 dollars par mois pour 10,000 crédits mensuels avec l'agrandissement 4K en image et en vidéo. Les prix varient selon le marché, les fonctions selon le palier, la plateforme et la région, et il faut avoir 18 ans.

Filigrane, sécurité et points encore rugueux

Les vidéos générées portent un filigrane SynthID, une technique pour marquer et détecter les contenus d'IA ; les résultats passent aussi une évaluation de sécurité et un contrôle de contenu mémorisé, les demandes et sorties nuisibles étant bloquées. La même page nomme ce qui s'améliore encore : une parole naturelle et cohérente, surtout sur les segments courts, où l'équipe travaille la synchronisation et la continuité vocale.

Déjà en production

Les cas cités couvrent un studio qui l'utilise pour le storyboard et la prévisualisation dans sa propre plateforme, un jeu de rôle par IA qui génère des cinématiques fixes et des éléments évoluant avec la progression du joueur, et un agent de montage qui s'en sert pour du motion design et des vidéos promotionnelles destinées aux petits commerçants. Un fil plus ancien est une collaboration avec le studio d'un réalisateur, explorant comment combiner prises de vues réelles et images générées ; trois courts métrages de jeunes réalisateurs en sont sortis.

Limites

La résolution, le son et les fonctions de contrôle varient selon la formule et selon la porte d'entrée, il faut donc vérifier la page vivante avant d'acheter. Les chiffres de benchmark sont des évaluations humaines et des comparaisons internes citées par l'éditeur, relevées en octobre 2025, et les définitions de tâches comme les modèles comparés peuvent changer. Les crédits Flow ne correspondent pas un pour un à des clips finis, le coût s'estime donc à partir de son propre usage. L'usage commercial doit respecter les conditions de service et la politique sur l'IA générative, les droits sur des personnes réelles et des contenus protégés se vérifiant à part.

En résumé, l'intérêt de cette vague est que le son rejoint la même génération, et que la sortie 1080p et 4K, le prolongement de scène, la première et la dernière image, les mouvements de caméra, l'extension hors cadre et l'édition d'objets rendent le contrôle au créateur. Flow rassemble ensuite modèle, outils et facturation en crédits dans un seul établi.