Veo 3.1: cosa fa il modello video di Google con l'audio

Che cos’è Veo 3.1

Veo 3.1 è il modello video di Google DeepMind che crea il clip già con l’audio. Google lo ha presentato il 15 ottobre 2025 come aggiornamento di Veo 3. Il modello segue il prompt con più precisione, tiene il personaggio in modo più fedele tra una scena e l’altra e lavora l’audio in modo più ricco, dai dialoghi agli effetti sincronizzati.

La famiglia ha tre modelli. Veo 3.1 è la qualità massima e arriva a 4K. Veo 3.1 Fast è più veloce e più economico. Veo 3.1 Lite è il più accessibile ed è uscito il 31 marzo 2026. A gennaio 2026 Google ha aggiunto il formato verticale 9:16 alla modalità con riferimenti e l’upscale a 1080p e 4K.

Veo 3.1 non è l’ultimo modello video di Google. A maggio 2026 è uscito Gemini Omni, e nella documentazione di Gemini API Google lo consiglia come modello predefinito. Veo 3.1 resta la scelta per estendere le scene, per la modalità con ultimo fotogramma e per il 4K.

Cosa sa fare Veo 3.1

Audio insieme al video. Veo 3.1 genera voce, effetti e rumore di fondo insieme all’immagine. Non li sovrappone dopo. Una battuta tra virgolette diventa la voce del personaggio.

Animare una foto. Carica un’immagine come primo fotogramma e descrivi il movimento. Il modello conserva volto, vestiti e luce dell’originale.

Riferimenti. Fino a tre immagini di un personaggio, un oggetto o una scena. Il modello ne tiene l’aspetto per tutto il clip. Così si fa una serie con lo stesso personaggio o lo stesso prodotto.

Primo e ultimo fotogramma. Imposti due immagini e il modello costruisce il passaggio tra le due, con l’audio. Utile per le trasformazioni: stanza vuota che diventa arredata, schizzo che diventa prodotto finito.

Estensione. In Gemini API puoi allungare un clip di 7 secondi fino a 20 volte, 148 secondi in totale. Il modello continua l’azione dall’ultimo secondo del clip precedente.

A cosa serve Veo 3.1

• Pubblicità e prodotto. Primi piani del prodotto con audio: il caffè si versa, la confezione si apre, il flacone gira.
• Clip brevi per i social. Verticale 9:16 senza ritaglio, voce e musica in un solo file.
• Animare fotografie. Un ritratto, un prodotto o un interno diventa un clip di 8 secondi.
• Storyboard e previz. Una scena con movimento di camera, luce e audio prima delle riprese vere.
• Piani d’atmosfera. Natura, meteo e viste di città con un sottofondo.

Veo 3.1 e modelli simili

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
Sviluppatore	Google DeepMind	Google DeepMind	ByteDance Seed
Uscita	15 ottobre 2025	27 agosto 2026	2026
Durata per generazione	4, 6, 8 s	3–10 s	fino a 30 s
Estensione	fino a 148 s (API, 720p)	fino a 40 s	2 estensioni
Risoluzione massima	4K	4K (upscale)	n.d.
Audio	sì	sì	sì
Riferimenti	fino a 3 immagini	immagini e fino a 3 video	testo, immagini, video, audio
In AI2Face	sì	sì	sì

Veo 3.1 vince sulla qualità di immagine e di audio in un clip breve, e sulla modalità con ultimo fotogramma. Gemini Omni Flash è più flessibile sugli input e nell’API costa come Veo 3.1 Fast, quindi meno della Veo 3.1 completa. Seedance 2.5 fa i clip più lunghi in una sola generazione, ed è disponibile anche in AI2Face.

Come scrivere i prompt per Veo 3.1

Google propone una formula in cinque parti: camera + soggetto + azione + ambiente + stile e atmosfera. L’audio si descrive a parte:

• Battuta — tra virgolette: La donna dice: «Dobbiamo andare.»
• Effetti — dopo il segno SFX:: SFX: in lontananza romba un tuono.
• Sottofondo — Ambient noise: o «suono di sottofondo»: brusio basso di un caffè.
• Movimento di camera — termini da operatore: carrellata in avanti (dolly in), carrellata laterale (tracking shot), gru, volo di drone, POV.
• Più inquadrature in un clip — timecode: [00:00–00:02] piano medio…, [00:02–00:04] controcampo….
• Esclusioni — con una descrizione, non con una negazione: «paesaggio deserto senza case né strade» invece di «senza edifici».

Volo di drone verso un faro bianco su una scogliera nella tempesta al crepuscolo,
onde enormi si infrangono sugli scogli e alzano spruzzi, il fascio del faro attraversa
una pioggia forte. SFX: boato delle onde, ululato del vento, tuoni lontani.
Cinematografico, toni blu scuro

Puoi scrivere il prompt nella tua lingua, ma i termini da operatore in inglese lasciano meno ambiguità al modello. Google non pubblica l’elenco delle lingue in cui Veo 3.1 dà la voce. Prova una battuta nella tua lingua su un clip breve.

Veo 3.1, Fast e Lite: le differenze

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
A cosa serve	qualità finale	iterazioni rapide	bozze e clip in serie
Risoluzione	720p, 1080p, 4K	720p, 1080p, 4K	720p, 1080p
Riferimenti	fino a 3	fino a 3	no
Primo e ultimo fotogramma	sì	sì	sì
Estensione nell’API	sì	sì	no
Prezzo	base	più basso	secondo Google, meno del 50% di Fast

Nel generatore di AI2Face il 4K è disponibile solo sulla Veo 3.1 completa. Fast e Lite arrivano a 1080p. Parti da Lite o Fast per trovare un prompt che funziona, poi fai la versione finale sulla Veo 3.1 completa.

Come usare Veo 3.1 in AI2Face

1. Apri il generatore, scegli il video e il modello: Veo 3.1, Fast o Lite.
2. Scegli la modalità: da testo, da foto, da riferimenti o da primo e ultimo fotogramma.
3. Imposta il formato (16:9 o 9:16), la durata (4, 6 o 8 secondi) e la risoluzione.
4. Attiva l’audio se ti serve e avvia. Il costo in crediti si vede prima di partire.

Un’immagine già pronta del generatore può diventare subito il fotogramma iniziale del clip. Un ritratto di Nano Banana 2, un modello della famiglia Nano Banana, diventa un video. Veo 3.1 è nel generatore di AI2Face, e il costo si vede prima di generare.

Limiti

• 1080p e 4K solo per clip di 8 secondi. I clip più corti vengono generati in 720p.
• I riferimenti funzionano solo con una durata di 8 secondi.
• L’estensione del clip è disponibile in AI2Face. In Gemini API, Google estende un clip solo in 720p.
• Persone nell’inquadratura. Nell’UE, nel Regno Unito, in Svizzera e nei paesi MENA, Google consente solo la generazione di adulti. Il modello non crea persone riconoscibili, celebrità o marchi.
• Le transizioni su due fotogrammi non sono sempre fluide. Il fotogramma finale coincide, ma a metà i dettagli possono «muoversi».
• Conservazione nell’API: 2 giorni. I clip generati tramite Gemini API vengono cancellati dal server di Google dopo due giorni. In AI2Face il clip resta nella tua cronologia.
• Marcatura. Tutti i clip portano una filigrana invisibile SynthID.

Conclusioni

Veo 3.1 è la scelta più solida quando ti serve un clip breve con un buon audio: pubblicità, prodotto, atmosfera, animare una foto. Voce ed effetti dal prompt saltano il passaggio del doppiaggio. Per clip lunghi in una sola generazione, guarda Seedance 2.5. Per un montaggio flessibile e input misti, guarda Gemini Omni Flash. Per spendere meno: metti a punto il prompt su Lite o Fast a 720p, poi fai il finale su Veo 3.1 a 1080p o 4K. Tutte e tre le versioni sono nel generatore di AI2Face, e il costo si vede prima di generare. Le immagini pronte del generatore diventano il primo fotogramma del clip.