Veo 3.1：音付きのGoogle動画モデルでできること

Veo 3.1とは

Veo 3.1は、クリップを最初から音つきで作るGoogle DeepMindの動画モデルです。Googleは2025年10月15日に、Veo 3の更新として公開しました。プロンプトへの追従がより正確になり、シーンをまたいでも人物がより安定し、会話から映像に同期した効果音まで、音の扱いが豊かになっています。

系列は3モデルです。Veo 3.1は最高品質で4Kまで出ます。Veo 3.1 Fastはより速く、より安くなります。Veo 3.1 Liteは最も手頃で、2026年3月31日に出ました。2026年1月、Googleは参照モードに縦型9:16を加え、1080pと4Kへのアップスケールも入れました。

Veo 3.1はGoogleの最新動画モデルではありません。2026年5月にGemini Omniが出て、Gemini APIのドキュメントではこちらを既定のモデルとして勧めています。シーンの延長、最後のフレーム、4Kが必要なときはVeo 3.1を選びます。

Veo 3.1でできること

映像と同時の音声。 Veo 3.1はセリフ、効果音、背景ノイズを絵と同時に生成します。あとから重ねるのではありません。引用符のセリフは人物の声になります。

写真を動かす。 画像を最初のフレームとしてアップロードし、動きを書きます。モデルは元の顔、服、光を保ちます。

参照。 人物、物体、シーンの画像を最大3枚。モデルはクリップ全体でその見た目を保ちます。同じ人物や同じ商品のシリーズはこう作ります。

最初と最後のフレーム。 2枚の絵を指定すると、モデルはそのあいだを音つきでつなぎます。変化に向いています。空の部屋が家具入りになる、スケッチが完成品になる、といった場合です。

延長。 Gemini APIでは、クリップを7秒ずつ最大20回、合計148秒まで延ばせます。モデルは前のクリップの最後の1秒から動作を続けます。

Veo 3.1が向く作業

• 広告と商品。 音つきの商品クローズアップ。コーヒーを注ぐ、包装を開ける、瓶を回す。
• SNS向けの短いクリップ。 縦型9:16を切らずに使い、セリフと音楽を1ファイルに入れる。
• 写真を動かす。 ポートレート、商品、室内が8秒のクリップになる。
• 絵コンテとプリビズ。 本番の前に、カメラの動き、光、音のあるシーンを見る。
• 雰囲気のカット。 自然、天候、街の景色にアンビエントを足す。

Veo 3.1と近いモデル

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
開発元	Google DeepMind	Google DeepMind	ByteDance Seed
公開	2025年10月15日	2026年8月27日	2026
1回の長さ	4、6、8秒	3〜10秒	最大30秒
延長	最大148秒（API、720p）	最大40秒	2回の延長
最大解像度	4K	4K（アップスケール）	非公開
音声	あり	あり	あり
参照	画像最大3枚	画像と動画最大3本	テキスト、画像、動画、音声
AI2Face	あり	あり	あり

短いクリップの画と音、そして最後のフレームではVeo 3.1が有利です。Gemini Omni Flashは入力がより柔軟で、APIの価格はVeo 3.1 Fastと同じ、フルのVeo 3.1より安くなります。Seedance 2.5は1回の生成で最も長いクリップを作り、AI2Faceでも使えます。

Veo 3.1のプロンプトの書き方

Googleは5つの部分からなる式を示しています。カメラ + 主体 + 動作 + 環境 + スタイルと雰囲気です。音は別に書きます。

• セリフは引用符に入れます。女性が言う。「もう行かなくては。」
• 効果音は SFX: のあとに書きます。SFX: 遠くで雷が鳴る。
• 背景は Ambient noise: または「背景音」です。カフェの低いざわめき。
• カメラの動きは撮影用語です。寄り（dolly in）、追跡（tracking shot）、クレーン、ドローンの飛行、POV。
• 1本に複数カットはタイムコードです。[00:00–00:02] ミディアムショット…、[00:02–00:04] 逆アングル…。
• 除外は否定ではなく描写で書きます。「建物も道もない荒れた風景」とし、「建物なし」とは書きません。

夕暮れの嵐、崖の白い灯台へドローンが飛ぶ。大きな波が岩に砕けてしぶきが上がり、
灯台の光が強い雨を貫く。SFX: 波の轟き、風の唸り、遠い雷。シネマティック、暗い青

プロンプトは自分の言語で書けます。ただし撮影用語は英語のほうがモデルの解釈がぶれにくいです。Veo 3.1がどの言語で話せるか、Googleは公開していません。必要な言語のセリフは短いクリップで確認します。

Veo 3.1、Fast、Liteの違い

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
用途	最終品質	速い試行	下書きと大量のクリップ
解像度	720p、1080p、4K	720p、1080p、4K	720p、1080p
参照	最大3	最大3	なし
最初と最後のフレーム	あり	あり	あり
APIでの延長	あり	あり	なし
価格	基準	より低い	GoogleによればFastの50%未満

AI2Faceのジェネレーターで4Kが使えるのはフルのVeo 3.1だけです。FastとLiteは1080pまでです。まずLiteかFastでプロンプトを決め、最終版をフルのVeo 3.1で作ります。

AI2FaceでVeo 3.1を使う

1. ジェネレーターを開き、動画を選び、モデルはVeo 3.1、Fast、Liteから選んでください。
2. モードを選んでください。テキスト、写真、参照、または最初と最後のフレームです。
3. 画面比（16:9または9:16）、長さ（4、6、8秒）、解像度を指定します。
4. 音が必要なら入れてから開始します。クレジットの費用は開始前に表示されます。

ジェネレーターで出来た画像は、そのままクリップの最初のフレームにできます。Nano Banana系列のNano Banana 2で作ったポートレートを動画にすることもできます。Veo 3.1はAI2Faceのジェネレーターで使え、料金は生成前に表示されます。

制限

• 1080pと4Kは8秒のクリップだけです。 それより短いクリップは720pで生成されます。
• 参照は8秒のときだけ使えます。
• クリップの延長はAI2Faceで使えます。 Gemini APIでは、Googleは720pでしか延長しません。
• 画面の人物。 EU、英国、スイス、MENA諸国では、Googleは成人の生成だけを認めています。モデルは、見分けのつく人物、有名人、ブランドを作りません。
• 2枚のフレームのつなぎは、いつも滑らかとは限りません。最後のフレームは合いますが、途中の細部が「流れる」ことがあります。
• APIでの保存は2日です。 Gemini APIで作ったクリップは、2日後にGoogleのサーバーから削除されます。AI2Faceでは履歴に残ります。
• 表示。 すべてのクリップに、見えないSynthIDの透かしが入ります。

まとめ

短いクリップにしっかりした音が必要なとき、Veo 3.1が最も向いています。広告、商品、雰囲気、写真を動かす、といった用途です。プロンプトのセリフと効果音で、別のアフレコを省けます。1回で長いクリップが必要ならSeedance 2.5を見てください。柔軟な編集と混在した入力にはGemini Omni Flashです。クレジットを抑えるには、LiteかFastの720pでプロンプトを整え、仕上げをVeo 3.1の1080pか4Kにします。3バージョンともAI2Faceのジェネレーターで使え、料金は生成前に表示されます。出来た画像はそのまま最初のフレームになります。