Veo 3.1: qué hace el modelo de vídeo de Google con sonido

Qué es Veo 3.1

Veo 3.1 es el modelo de vídeo de Google DeepMind que crea el clip ya con sonido. Google lo presentó el 15 de octubre de 2025 como actualización de Veo 3. Sigue el prompt con más precisión, mantiene mejor al personaje entre escenas y trabaja el sonido con más detalle, de los diálogos a los efectos sincronizados.

La familia tiene tres modelos. Veo 3.1 es la máxima calidad y llega a 4K. Veo 3.1 Fast es más rápido y más barato. Veo 3.1 Lite es la más accesible y salió el 31 de marzo de 2026. En enero de 2026 Google añadió el formato vertical 9:16 al modo con referencias y el escalado a 1080p y 4K.

Veo 3.1 no es el último modelo de vídeo de Google. En mayo de 2026 salió Gemini Omni, y en la documentación de Gemini API Google lo recomienda como modelo por defecto. Veo 3.1 sigue siendo la opción para extender escenas, para el modo con último fotograma y para 4K.

Qué hace Veo 3.1

Sonido junto con el vídeo. Veo 3.1 genera voz, efectos y ruido de fondo al mismo tiempo que la imagen. No los superpone después. Una réplica entre comillas se convierte en la voz del personaje.

Animar una foto. Sube una imagen como primer fotograma y describe el movimiento. El modelo conserva la cara, la ropa y la luz del original.

Referencias. Hasta tres imágenes de un personaje, un objeto o una escena. El modelo mantiene su aspecto en todo el clip. Así se hace una serie con el mismo personaje o el mismo producto.

Primer y último fotograma. Fijas dos imágenes y el modelo construye la transición entre ellas, con sonido. Sirve para transformaciones: habitación vacía a amueblada, boceto a producto terminado.

Extensión. En Gemini API puedes alargar el clip 7 segundos hasta 20 veces, 148 segundos en total. El modelo continúa la acción desde el último segundo del clip anterior.

Para qué sirve Veo 3.1

• Publicidad y producto. Planos cortos del producto con sonido: el café se sirve, el envase se abre, el frasco gira.
• Clips cortos para redes. Vertical 9:16 sin recorte, voz y música en un solo archivo.
• Animar fotografías. Un retrato, un producto o un interior se convierte en un clip de 8 segundos.
• Storyboard y previsualización. Una escena con movimiento de cámara, luz y sonido antes del rodaje real.
• Planos de ambiente. Naturaleza, clima y vistas de ciudad con ambiente sonoro.

Veo 3.1 y modelos parecidos

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
Desarrollador	Google DeepMind	Google DeepMind	ByteDance Seed
Salió	15 de octubre de 2025	27 de agosto de 2026	2026
Duración por generación	4, 6, 8 s	3–10 s	hasta 30 s
Extensión	hasta 148 s (API, 720p)	hasta 40 s	2 extensiones
Resolución máxima	4K	4K (escalado)	n. d.
Sonido	sí	sí	sí
Referencias	hasta 3 imágenes	imágenes y hasta 3 vídeos	texto, imágenes, vídeo, audio
En AI2Face	sí	sí	sí

Veo 3.1 gana en calidad de imagen y de sonido en un clip corto, y en el modo con último fotograma. Gemini Omni Flash es más flexible con las entradas, y en la API cuesta lo mismo que Veo 3.1 Fast, menos que la Veo 3.1 completa. Seedance 2.5 hace los clips más largos en una sola generación, y también está en AI2Face.

Cómo escribir prompts para Veo 3.1

Google propone una fórmula de cinco partes: cámara + sujeto + acción + entorno + estilo y atmósfera. El sonido se describe aparte:

• Réplica — entre comillas: La mujer dice: «Tenemos que irnos».
• Efectos — después de la marca SFX:: SFX: truena a lo lejos.
• Fondo — Ambient noise: o «sonido de fondo»: murmullo bajo de un café.
• Movimiento de cámara — términos de operador: acercamiento (dolly in), travelling (tracking shot), grúa, vuelo de dron, POV.
• Varios planos en un clip — códigos de tiempo: [00:00–00:02] plano medio…, [00:02–00:04] contrapiano….
• Exclusiones — por descripción, no por negación: «paisaje desierto sin casas ni carreteras» en lugar de «sin edificios».

Vuelo de dron hacia un faro blanco sobre un acantilado en una tormenta al anochecer,
olas enormes rompen contra las rocas y levantan espuma, el haz del faro atraviesa
una lluvia intensa. SFX: rugido de las olas, aullido del viento, truenos lejanos.
Cinematográfico, tonos azul oscuro

Puedes escribir el prompt en tu idioma, pero los términos de operador en inglés le dejan menos ambigüedad al modelo. Google no publica la lista de idiomas en los que Veo 3.1 pone voz. Prueba una réplica en tu idioma en un clip corto.

Veo 3.1, Fast y Lite: en qué se diferencian

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
Para qué	calidad final	iteraciones rápidas	borradores y clips en serie
Resolución	720p, 1080p, 4K	720p, 1080p, 4K	720p, 1080p
Referencias	hasta 3	hasta 3	no
Primer y último fotograma	sí	sí	sí
Extensión en la API	sí	sí	no
Precio	base	más bajo	según Google, menos del 50 % de Fast

En el generador de AI2Face el 4K solo está en Veo 3.1 completa. Fast y Lite llegan hasta 1080p. Empieza con Lite o Fast para encontrar un prompt que funcione y haz la versión final en Veo 3.1 completa.

Cómo usar Veo 3.1 en AI2Face

1. Abre el generador, elige vídeo y el modelo: Veo 3.1, Fast o Lite.
2. Elige el modo: por texto, por foto, por referencias o por primer y último fotograma.
3. Fija el formato (16:9 o 9:16), la duración (4, 6 u 8 segundos) y la resolución.
4. Activa el sonido si lo necesitas y lanza la generación. El coste en créditos se ve antes de empezar.

Una imagen ya lista del generador puede ser el fotograma inicial del clip al momento. Un retrato de Nano Banana 2, un modelo de la familia Nano Banana, se convierte en vídeo. Veo 3.1 está en el generador de AI2Face, y el coste se ve antes de generar.

Límites

• 1080p y 4K solo en clips de 8 segundos. Los clips más cortos se generan en 720p.
• Las referencias solo funcionan con una duración de 8 segundos.
• La extensión del clip está disponible en AI2Face. En Gemini API, Google solo extiende el clip en 720p.
• Personas en el plano. En la UE, el Reino Unido, Suiza y los países de MENA, Google solo permite generar adultos. El modelo no crea personas reconocibles, famosos ni marcas.
• Las transiciones entre dos fotogramas no siempre son fluidas. El fotograma final coincide, pero en el medio los detalles pueden «moverse».
• Almacenamiento en la API: 2 días. Los clips generados por Gemini API se borran del servidor de Google a los dos días. En AI2Face el clip se queda en tu historial.
• Marcado. Todos los clips llevan una marca de agua invisible SynthID.

Conclusiones

Veo 3.1 es la mejor opción cuando necesitas un clip corto con buen sonido: publicidad, producto, planos de ambiente, animar una foto. La voz y los efectos del prompt te ahorran el paso de la locución. Para clips largos en una sola generación, mira Seedance 2.5. Para edición flexible y entradas mixtas, mira Gemini Omni Flash. Una forma práctica de ahorrar: afina el prompt en Lite o Fast a 720p y haz el final en Veo 3.1 a 1080p o 4K. Las tres versiones están en el generador de AI2Face, y el coste se ve antes de generar. Las imágenes listas del generador pasan a ser el primer fotograma del clip.