Veo 3.1 : ce que fait le modèle vidéo de Google avec le son

Qu’est-ce que Veo 3.1

Veo 3.1 est le modèle vidéo de Google DeepMind qui crée le clip déjà avec le son. Google l’a présenté le 15 octobre 2025 comme une mise à jour de Veo 3. Le modèle suit le prompt de plus près, tient le personnage plus précisément d’une scène à l’autre et travaille le son de façon plus riche, des dialogues aux effets synchrones.

La famille compte trois modèles. Veo 3.1 est la qualité maximale et monte jusqu’en 4K. Veo 3.1 Fast est plus rapide et moins cher. Veo 3.1 Lite est le plus accessible et est sorti le 31 mars 2026. En janvier 2026, Google a ajouté le format vertical 9:16 au mode références et l’upscale vers 1080p et 4K.

Veo 3.1 n’est pas le dernier modèle vidéo de Google. En mai 2026 est sorti Gemini Omni, et dans la documentation Gemini API Google le recommande comme modèle par défaut. Veo 3.1 reste le choix pour prolonger une scène, pour le mode avec dernière image et pour le 4K.

Ce que fait Veo 3.1

Le son avec la vidéo. Veo 3.1 génère la parole, les effets et le bruit de fond en même temps que l’image. Il ne les ajoute pas après. Une réplique entre guillemets devient la voix du personnage.

Animer une photo. Téléversez une image comme première image et décrivez le mouvement. Le modèle conserve le visage, les vêtements et la lumière de la source.

Références. Jusqu’à trois images d’un personnage, d’un objet ou d’une scène. Le modèle en garde l’aspect sur tout le clip. C’est ainsi que l’on fait une série avec le même personnage ou le même produit.

Première et dernière image. Vous donnez deux images, le modèle construit la transition entre elles, avec le son. Utile pour les transformations : pièce vide vers pièce meublée, esquisse vers produit fini.

Prolongation. Dans Gemini API, vous pouvez prolonger un clip de 7 secondes jusqu’à 20 fois, 148 secondes au total. Le modèle poursuit l’action à partir de la dernière seconde du clip précédent.

À quoi sert Veo 3.1

• Publicité et produit. Gros plans du produit avec le son : le café se verse, l’emballage s’ouvre, le flacon tourne.
• Courts clips pour les réseaux. Vertical 9:16 sans recadrage, parole et musique dans un seul fichier.
• Animer des photos. Un portrait, un produit ou un intérieur devient un clip de 8 secondes.
• Storyboard et préviz. Une scène avec mouvement de caméra, lumière et son avant le tournage réel.
• Plans d’ambiance. Nature, météo et vues de ville avec un fond sonore.

Veo 3.1 et les modèles proches

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
Développeur	Google DeepMind	Google DeepMind	ByteDance Seed
Sortie	15 octobre 2025	27 août 2026	2026
Durée par génération	4, 6, 8 s	3–10 s	jusqu’à 30 s
Prolongation	jusqu’à 148 s (API, 720p)	jusqu’à 40 s	2 prolongations
Résolution maximale	4K	4K (upscale)	n.d.
Son	oui	oui	oui
Références	jusqu’à 3 images	images et jusqu’à 3 vidéos	texte, images, vidéo, audio
Dans AI2Face	oui	oui	oui

Veo 3.1 l’emporte sur la qualité d’image et de son dans un clip court, et sur le mode avec dernière image. Gemini Omni Flash est plus souple sur les entrées, et dans l’API il coûte comme Veo 3.1 Fast, donc moins que la Veo 3.1 complète. Seedance 2.5 fait les clips les plus longs en une génération, et il est aussi disponible dans AI2Face.

Comment écrire des prompts pour Veo 3.1

Google propose une formule en cinq parties : caméra + sujet + action + décor + style et atmosphère. Le son se décrit à part :

• Réplique — entre guillemets : La femme dit : « Il est temps de partir. »
• Effets — après la marque SFX: : SFX : le tonnerre gronde au loin.
• Fond — Ambient noise: ou « bruit de fond » : bourdonnement discret d'un café.
• Mouvement de caméra — termes de cadreur : avancée (dolly in), travelling (tracking shot), grue, survol de drone, POV.
• Plusieurs plans dans un clip — timecodes : [00:00–00:02] plan moyen…, [00:02–00:04] contrechamp….
• Exclusions — par la description, pas par la négation : « paysage désert sans maisons ni routes » plutôt que « sans bâtiments ».

Survol de drone vers un phare blanc sur une falaise dans la tempête au crépuscule,
d'énormes vagues se brisent sur les rochers et projettent des embruns, le faisceau
du phare traverse une pluie forte. SFX : rugissement des vagues, hurlement du vent,
tonnerre lointain. Cinématographique, tons bleu sombre

Vous pouvez écrire le prompt dans votre langue, mais les termes de cadreur en anglais laissent moins d’ambiguïté au modèle. Google ne publie pas la liste des langues dans lesquelles Veo 3.1 fait parler. Testez une réplique dans votre langue sur un clip court.

Veo 3.1, Fast et Lite : les différences

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
Pour quoi	qualité finale	itérations rapides	brouillons et clips en série
Résolution	720p, 1080p, 4K	720p, 1080p, 4K	720p, 1080p
Références	jusqu’à 3	jusqu’à 3	non
Première et dernière image	oui	oui	oui
Prolongation dans l’API	oui	oui	non
Prix	de base	plus bas	selon Google, moins de 50 % de Fast

Dans le générateur AI2Face, le 4K n’est disponible que sur la Veo 3.1 complète. Fast et Lite montent jusqu’en 1080p. Commencez par Lite ou Fast pour trouver un prompt qui tient, puis faites la version finale sur la Veo 3.1 complète.

Utiliser Veo 3.1 dans AI2Face

1. Ouvrez le générateur, choisissez la vidéo et le modèle : Veo 3.1, Fast ou Lite.
2. Choisissez le mode : à partir d’un texte, d’une photo, de références, ou d’une première et d’une dernière image.
3. Réglez le format (16:9 ou 9:16), la durée (4, 6 ou 8 secondes) et la résolution.
4. Activez le son s’il vous faut, puis lancez. Le coût en crédits s’affiche avant le départ.

Une image déjà prête du générateur peut devenir tout de suite la première image du clip. Un portrait de Nano Banana 2, un modèle de la famille Nano Banana, se transforme en vidéo. Veo 3.1 est disponible dans le générateur d’AI2Face, et le coût s’affiche avant la génération.

Limites

• Le 1080p et le 4K ne concernent que les clips de 8 secondes. Les clips plus courts sont générés en 720p.
• Les références ne fonctionnent qu’avec une durée de 8 secondes.
• La prolongation du clip est disponible dans AI2Face. Dans Gemini API, Google ne prolonge un clip qu’en 720p.
• Des personnes dans le cadre. Dans l’UE, au Royaume-Uni, en Suisse et dans les pays MENA, Google n’autorise que la génération d’adultes. Le modèle ne crée pas de personnes reconnaissables, de célébrités ni de marques.
• Les transitions sur deux images ne sont pas toujours régulières. L’image finale correspond, mais au milieu les détails peuvent « flotter ».
• Conservation dans l’API : 2 jours. Les clips générés via Gemini API sont effacés du serveur de Google au bout de deux jours. Dans AI2Face, le clip reste dans votre historique.
• Marquage. Tous les clips portent un filigrane invisible SynthID.

Conclusion

Veo 3.1 est le choix le plus solide quand il vous faut un clip court avec un bon son : publicité, produit, ambiance, animation d’une photo. La parole et les effets du prompt évitent une étape de voix off. Pour de longs clips en une génération, regardez Seedance 2.5. Pour une édition souple et des entrées mixtes, regardez Gemini Omni Flash. Pour dépenser moins : réglez le prompt sur Lite ou Fast en 720p, puis faites la version finale sur Veo 3.1 en 1080p ou 4K. Les trois versions sont disponibles dans le générateur d’AI2Face, et le coût s’affiche avant la génération. Les images prêtes du générateur deviennent la première image du clip.