Veo 3.1: apa yang bisa dilakukan model video Google dengan suara

Apa itu Veo 3.1

Veo 3.1 adalah model video Google DeepMind yang membuat klip sekaligus dengan suara. Google memperkenalkannya pada 15 Oktober 2025 sebagai pembaruan Veo 3. Model ini mengikuti prompt lebih tepat, menahan karakter lebih akurat antaradegan, dan mengolah suara lebih kaya, dari percakapan sampai efek yang sinkron dengan gambar.

Keluarganya punya tiga model. Veo 3.1 adalah kualitas tertinggi dan sampai 4K. Veo 3.1 Fast lebih cepat dan lebih murah. Veo 3.1 Lite paling terjangkau dan keluar pada 31 Maret 2026. Pada Januari 2026 Google menambahkan format vertikal 9:16 untuk mode referensi dan upscale ke 1080p serta 4K.

Veo 3.1 bukan model video terbaru Google. Pada Mei 2026 Gemini Omni keluar, dan di dokumentasi Gemini API Google menyarankannya sebagai model bawaan. Veo 3.1 tetap pilihan untuk memperpanjang adegan, mode frame terakhir, dan 4K.

Apa yang bisa dilakukan Veo 3.1

Suara bersama video. Veo 3.1 menghasilkan ucapan, efek, dan derau latar bersamaan dengan gambar. Suara tidak ditambahkan belakangan. Dialog dalam tanda kutip menjadi ucapan karakter.

Menghidupkan foto. Unggah gambar sebagai frame pertama dan jelaskan gerakannya. Model mempertahankan wajah, pakaian, dan cahaya sumber.

Referensi. Hingga tiga gambar karakter, objek, atau adegan. Model menahan tampilannya sepanjang klip. Begitulah seri dengan satu karakter atau satu produk dibuat.

Frame awal dan akhir. Tentukan dua gambar, model membangun transisi di antaranya, dengan suara. Cocok untuk perubahan: ruangan kosong menjadi berperabot, sketsa menjadi produk jadi.

Perpanjangan. Di Gemini API klip bisa diperpanjang 7 detik hingga 20 kali, total 148 detik. Model melanjutkan aksi dari detik terakhir klip sebelumnya.

Untuk tugas apa Veo 3.1 cocok

• Iklan dan produk. Close-up produk dengan suara: kopi dituang, kemasan dibuka, botol berputar.
• Klip pendek untuk media sosial. Vertikal 9:16 tanpa potong, ucapan dan musik dalam satu file.
• Menghidupkan foto. Potret, produk, atau interior menjadi klip 8 detik.
• Storyboard dan previz. Adegan dengan gerak kamera, cahaya, dan suara sebelum syuting sungguhan.
• Shot atmosfer. Alam, cuaca, dan pemandangan kota dengan suara ambien.

Veo 3.1 dan model sejenis

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
Pengembang	Google DeepMind	Google DeepMind	ByteDance Seed
Rilis	15 Oktober 2025	27 Agustus 2026	2026
Durasi per generasi	4, 6, 8 dtk	3–10 dtk	hingga 30 dtk
Perpanjangan	hingga 148 dtk (API, 720p)	hingga 40 dtk	2 perpanjangan
Resolusi maksimum	4K	4K (upscale)	tidak diumumkan
Suara	ya	ya	ya
Referensi	hingga 3 gambar	gambar dan hingga 3 video	teks, gambar, video, audio
Di AI2Face	ya	ya	ya

Veo 3.1 unggul pada kualitas gambar dan suara di klip pendek, serta pada mode frame terakhir. Gemini Omni Flash lebih fleksibel pada masukan, dan di API harganya sama dengan Veo 3.1 Fast, lebih murah daripada Veo 3.1 penuh. Seedance 2.5 membuat klip terpanjang dalam satu generasi, dan juga tersedia di AI2Face.

Cara menulis prompt untuk Veo 3.1

Google mengusulkan rumus lima bagian: kamera + subjek + aksi + lingkungan + gaya dan suasana. Suara dijelaskan terpisah:

• Dialog — dalam tanda kutip: Perempuan itu berkata: "Sudah waktunya kita pergi."
• Efek — setelah label SFX:: SFX: guntur bergemuruh di kejauhan.
• Latar — Ambient noise: atau “suara latar”: dengung pelan kafe.
• Gerak kamera — istilah operator: dolly in, tracking shot, crane, terbang drone, POV.
• Beberapa shot dalam satu klip — kode waktu: [00:00–00:02] medium shot…, [00:02–00:04] sudut balik….
• Pengecualian — lewat deskripsi, bukan penegasian: “bentang kosong tanpa rumah dan jalan” alih-alih “tanpa bangunan”.

Drone terbang menuju mercusuar putih di tebing saat badai senja, ombak besar
menghantam batu dan menerbangkan percikan, sorot mercusuar menembus hujan deras.
SFX: deru ombak, lolongan angin, guntur jauh. Sinematik, nada biru gelap

Prompt bisa ditulis dalam bahasa sendiri, tetapi istilah kamera dalam bahasa Inggris memberi model lebih sedikit ambiguitas. Google tidak memublikasikan daftar bahasa yang bisa diucapkan Veo 3.1. Uji satu kalimat dalam bahasa sendiri pada klip pendek.

Veo 3.1, Fast, dan Lite: perbedaannya

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
Untuk apa	kualitas akhir	iterasi cepat	draf dan klip massal
Resolusi	720p, 1080p, 4K	720p, 1080p, 4K	720p, 1080p
Referensi	hingga 3	hingga 3	tidak ada
Frame awal dan akhir	ya	ya	ya
Perpanjangan di API	ya	ya	tidak
Harga	dasar	lebih rendah	menurut Google, di bawah 50% dari Fast

Di generator AI2Face, 4K hanya ada di Veo 3.1 penuh. Fast dan Lite sampai 1080p. Mulai dari Lite atau Fast untuk menemukan prompt yang pas, lalu buat versi akhir di Veo 3.1 penuh.

Cara memakai Veo 3.1 di AI2Face

1. Buka generator, pilih video, lalu pilih model: Veo 3.1, Fast, atau Lite.
2. Pilih mode: dari teks, dari foto, dari referensi, atau dari frame awal dan akhir.
3. Atur format (16:9 atau 9:16), durasi (4, 6, atau 8 detik), dan resolusi.
4. Nyalakan suara jika perlu, lalu mulai. Biaya dalam kredit terlihat sebelum mulai.

Gambar jadi dari generator bisa langsung menjadi frame pembuka klip. Potret dari Nano Banana 2, model dalam keluarga Nano Banana, bisa menjadi video. Veo 3.1 tersedia di generator AI2Face, dan biayanya terlihat sebelum mulai membuat.

Batasan

• 1080p dan 4K hanya untuk klip 8 detik. Klip yang lebih pendek dihasilkan di 720p.
• Referensi hanya bekerja pada durasi 8 detik.
• Perpanjangan klip tersedia di AI2Face. Di Gemini API, Google hanya memperpanjang klip di 720p.
• Orang dalam frame. Di UE, Inggris, Swiss, dan negara MENA, Google hanya mengizinkan generasi orang dewasa. Model tidak membuat orang yang dikenali, selebritas, atau merek.
• Transisi dua frame tidak selalu mulus. Frame akhir cocok, tetapi detail di tengah bisa “bergerak”.
• Penyimpanan di API: 2 hari. Klip yang dibuat lewat Gemini API dihapus dari server Google setelah dua hari. Di AI2Face klip tetap ada di riwayat.
• Penandaan. Setiap klip memuat tanda air tak terlihat SynthID.

Kesimpulan

Veo 3.1 adalah pilihan terkuat saat dibutuhkan klip pendek dengan suara yang solid: iklan, produk, atmosfer, menghidupkan foto. Ucapan dan efek dari prompt melewatkan tahap sulih suara terpisah. Untuk klip panjang dalam satu generasi, lihat Seedance 2.5. Untuk penyuntingan yang fleksibel dan masukan campuran, lihat Gemini Omni Flash. Cara hemat: rapikan prompt di Lite atau Fast pada 720p, lalu buat hasil akhir di Veo 3.1 pada 1080p atau 4K. Ketiga versi tersedia di generator AI2Face, dan biayanya terlihat sebelum mulai membuat. Gambar jadi dari generator langsung menjadi frame pertama klip.