Veo 3.1: was Googles Videomodell mit Ton kann

Was Veo 3.1 ist

Veo 3.1 ist das Videomodell von Google DeepMind, das den Clip gleich mit Ton erzeugt. Google stellte es am 15. Oktober 2025 als Update von Veo 3 vor. Das Modell folgt dem Prompt genauer, hält eine Figur zwischen Szenen zuverlässiger und arbeitet reicher mit Ton, von Gesprächen bis zu synchronen Effekten.

Die Familie hat drei Modelle. Veo 3.1 ist die höchste Qualität und geht bis 4K. Veo 3.1 Fast ist schneller und günstiger. Veo 3.1 Lite ist am zugänglichsten und erschien am 31. März 2026. Im Januar 2026 ergänzte Google das Hochformat 9:16 für den Referenzmodus und Upscale auf 1080p und 4K.

Veo 3.1 ist nicht Googles neuestes Videomodell. Im Mai 2026 erschien Gemini Omni, und in der Gemini-API-Dokumentation empfiehlt Google es als Standardmodell. Veo 3.1 bleibt die Wahl für Szenenverlängerung, den Modus mit letztem Bild und 4K.

Was Veo 3.1 kann

Ton zusammen mit dem Video. Veo 3.1 erzeugt Sprache, Effekte und Hintergrundgeräusch gleichzeitig mit dem Bild. Es legt sie nicht nachträglich darüber. Eine Replik in Anführungszeichen wird zur Sprache der Figur.

Foto beleben. Lade ein Bild als erstes Frame hoch und beschreibe die Bewegung. Das Modell behält Gesicht, Kleidung und Licht der Vorlage.

Referenzen. Bis zu drei Bilder einer Figur, eines Objekts oder einer Szene. Das Modell hält ihr Aussehen über den ganzen Clip. So entsteht eine Serie mit derselben Figur oder demselben Produkt.

Erstes und letztes Bild. Du gibst zwei Bilder vor, das Modell baut den Übergang dazwischen, mit Ton. Praktisch für Verwandlungen: leeres Zimmer zu eingerichtet, Skizze zu fertigem Produkt.

Verlängerung. In der Gemini API kannst du einen Clip um 7 Sekunden bis zu 20-mal verlängern, insgesamt bis 148 Sekunden. Das Modell setzt die Handlung ab der letzten Sekunde des vorherigen Clips fort.

Wofür sich Veo 3.1 eignet

• Werbung und Produkt. Nahaufnahmen mit Ton: Kaffee wird eingeschenkt, eine Verpackung geht auf, ein Flakon dreht sich.
• Kurze Clips für soziale Netzwerke. Hochformat 9:16 ohne Beschnitt, Sprache und Musik in einer Datei.
• Fotos beleben. Porträt, Produkt oder Innenraum wird ein 8-Sekunden-Clip.
• Storyboard und Previz. Eine Szene mit Kamerabewegung, Licht und Ton vor dem echten Dreh.
• Stimmungsbilder. Natur, Wetter und Stadtansichten mit Ambiente.

Veo 3.1 und ähnliche Modelle

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
Entwickler	Google DeepMind	Google DeepMind	ByteDance Seed
Erschienen	15. Oktober 2025	27. August 2026	2026
Länge pro Generierung	4, 6, 8 s	3–10 s	bis 30 s
Verlängerung	bis 148 s (API, 720p)	bis 40 s	2 Verlängerungen
Maximale Auflösung	4K	4K (Upscale)	k. A.
Ton	ja	ja	ja
Referenzen	bis zu 3 Bilder	Bilder und bis zu 3 Videos	Text, Bilder, Video, Audio
In AI2Face	ja	ja	ja

Veo 3.1 gewinnt bei Bild- und Tonqualität im kurzen Clip und beim Modus mit letztem Bild. Gemini Omni Flash ist bei den Eingaben flexibler und kostet in der API so viel wie Veo 3.1 Fast, also weniger als die volle Veo 3.1. Seedance 2.5 macht die längsten Clips in einer Generierung und ist in AI2Face ebenfalls verfügbar.

Prompts für Veo 3.1 schreiben

Google schlägt eine Formel aus fünf Teilen vor: Kamera + Subjekt + Aktion + Umgebung + Stil und Stimmung. Den Ton beschreibst du getrennt:

• Replik — in Anführungszeichen: Die Frau sagt: „Wir müssen los.“
• Effekte — nach der Markierung SFX:: SFX: in der Ferne grollt Donner.
• Hintergrund — Ambient noise: oder „Hintergrundgeräusch“: leises Café-Gemurmel.
• Kamerabewegung — Begriffe aus der Kameraarbeit: Heranfahrt (dolly in), Mitfahrt (tracking shot), Kran, Drohnenflug, POV.
• Mehrere Einstellungen in einem Clip — Timecodes: [00:00–00:02] Halbtotale…, [00:02–00:04] Gegenschuss….
• Ausschlüsse — durch Beschreibung, nicht durch Verneinung: „einsame Landschaft ohne Häuser und Straßen“ statt „keine Gebäude“.

Drohnenflug auf einen weißen Leuchtturm auf einer Klippe im Sturm in der Dämmerung,
riesige Wellen schlagen gegen die Felsen und spritzen auf, der Leuchtturmstrahl
schneidet durch starken Regen. SFX: tosende Wellen, heulender Wind, ferner Donner.
Filmisch, dunkle Blautöne

Den Prompt kannst du in deiner Sprache schreiben, aber Kamerabegriffe auf Englisch lassen dem Modell weniger Spielraum. Google veröffentlicht nicht, in welchen Sprachen Veo 3.1 spricht. Prüfe eine Replik in deiner Sprache an einem kurzen Clip.

Veo 3.1, Fast und Lite: die Unterschiede

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
Wofür	Endqualität	schnelle Iterationen	Entwürfe und viele Clips
Auflösung	720p, 1080p, 4K	720p, 1080p, 4K	720p, 1080p
Referenzen	bis zu 3	bis zu 3	keine
Erstes und letztes Bild	ja	ja	ja
Verlängerung in der API	ja	ja	nein
Preis	Basis	niedriger	laut Google unter 50 % von Fast

Im AI2Face-Generator gibt es 4K nur bei der vollen Veo 3.1. Fast und Lite gehen bis 1080p. Starte mit Lite oder Fast, bis der Prompt sitzt, und mach die finale Version auf der vollen Veo 3.1.

Veo 3.1 in AI2Face nutzen

1. Öffne den Generator, wähle Video und das Modell: Veo 3.1, Fast oder Lite.
2. Wähle den Modus: aus Text, aus einem Foto, aus Referenzen oder aus erstem und letztem Bild.
3. Setze Format (16:9 oder 9:16), Dauer (4, 6 oder 8 Sekunden) und Auflösung.
4. Schalte den Ton ein, wenn du ihn brauchst, und starte. Die Kreditkosten siehst du vor dem Start.

Ein fertiges Bild aus dem Generator kann sofort das erste Frame des Clips werden. Ein Porträt aus Nano Banana 2, einem Modell der Familie Nano Banana, wird zum Video. Veo 3.1 ist im Generator von AI2Face verfügbar, und die Kosten siehst du vor der Generierung.

Grenzen

• 1080p und 4K nur für Clips von 8 Sekunden. Kürzere Clips entstehen in 720p.
• Referenzen funktionieren nur bei 8 Sekunden.
• Die Clip-Verlängerung ist in AI2Face verfügbar. In der Gemini API verlängert Google einen Clip nur in 720p.
• Menschen im Bild. In der EU, im Vereinigten Königreich, in der Schweiz und in MENA-Ländern erlaubt Google nur die Generierung von Erwachsenen. Erkennbare Personen, Prominente und Marken erzeugt das Modell nicht.
• Übergänge aus zwei Bildern sind nicht immer gleichmäßig. Das letzte Frame stimmt, aber in der Mitte können Details „schwimmen“.
• Speicherung in der API: 2 Tage. Clips über die Gemini API löscht Google nach zwei Tagen vom Server. In AI2Face bleibt der Clip in deinem Verlauf.
• Kennzeichnung. Jeder Clip trägt ein unsichtbares SynthID-Wasserzeichen.

Fazit

Veo 3.1 ist die stärkste Wahl, wenn du einen kurzen Clip mit gutem Ton brauchst: Werbung, Produkt, Stimmung, Foto beleben. Sprache und Effekte aus dem Prompt sparen den Vertonungsschritt. Für lange Clips in einer Generierung schau auf Seedance 2.5. Für flexibles Bearbeiten und gemischte Eingaben auf Gemini Omni Flash. So sparst du Credits: Prompt auf Lite oder Fast in 720p finden, das Finale auf Veo 3.1 in 1080p oder 4K machen. Alle drei Versionen sind im Generator von AI2Face verfügbar, und die Kosten siehst du vor der Generierung. Fertige Bilder aus dem Generator werden direkt das erste Frame.