Veo 3.1: o que o modelo de vídeo do Google faz com som

O que é o Veo 3.1

Veo 3.1 é o modelo de vídeo do Google DeepMind que cria o clipe já com som. O Google apresentou o modelo em 15 de outubro de 2025 como atualização do Veo 3. Ele segue o prompt com mais precisão, segura o personagem com mais fidelidade entre cenas e trabalha o som com mais riqueza, de diálogos a efeitos sincronizados.

A família tem três modelos. Veo 3.1 é a qualidade máxima e chega a 4K. Veo 3.1 Fast é mais rápido e mais barato. Veo 3.1 Lite é o mais acessível e saiu em 31 de março de 2026. Em janeiro de 2026 o Google acrescentou o formato vertical 9:16 ao modo com referências e o upscale para 1080p e 4K.

Veo 3.1 não é o modelo de vídeo mais recente do Google. Em maio de 2026 saiu o Gemini Omni, e na documentação da Gemini API o Google o indica como modelo padrão. Veo 3.1 continua sendo a escolha para estender cenas, para o modo com último quadro e para 4K.

O que o Veo 3.1 faz

Som junto com o vídeo. Veo 3.1 gera fala, efeitos e ruído de fundo ao mesmo tempo que a imagem. Não coloca o áudio depois. Uma fala entre aspas vira a voz do personagem.

Animar uma foto. Envie uma imagem como primeiro quadro e descreva o movimento. O modelo conserva o rosto, a roupa e a luz do original.

Referências. Até três imagens de um personagem, objeto ou cena. O modelo mantém a aparência no clipe inteiro. É assim que se faz uma série com o mesmo personagem ou o mesmo produto.

Primeiro e último quadro. Você define duas imagens e o modelo constrói a transição entre elas, com som. Serve para transformações: sala vazia que vira mobiliada, esboço que vira produto pronto.

Extensão. Na Gemini API você pode alongar o clipe em 7 segundos até 20 vezes, 148 segundos no total. O modelo continua a ação a partir do último segundo do clipe anterior.

Para que o Veo 3.1 serve

• Publicidade e produto. Close do produto com som: o café é servido, a embalagem abre, o frasco gira.
• Clipes curtos para redes. Vertical 9:16 sem corte, fala e música num arquivo só.
• Animar fotografias. Um retrato, um produto ou um interior vira um clipe de 8 segundos.
• Storyboard e pré-visualização. Uma cena com movimento de câmera, luz e som antes da filmagem real.
• Planos de atmosfera. Natureza, clima e vistas de cidade com som ambiente.

Veo 3.1 e modelos parecidos

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
Desenvolvedor	Google DeepMind	Google DeepMind	ByteDance Seed
Lançamento	15 de outubro de 2025	27 de agosto de 2026	2026
Duração por geração	4, 6, 8 s	3–10 s	até 30 s
Extensão	até 148 s (API, 720p)	até 40 s	2 extensões
Resolução máxima	4K	4K (upscale)	n/d
Som	sim	sim	sim
Referências	até 3 imagens	imagens e até 3 vídeos	texto, imagens, vídeo, áudio
No AI2Face	sim	sim	sim

Veo 3.1 ganha em qualidade de imagem e de som num clipe curto, e no modo com último quadro. Gemini Omni Flash é mais flexível nas entradas e na API custa o mesmo que o Veo 3.1 Fast, menos que o Veo 3.1 completo. O Seedance 2.5 faz os clipes mais longos numa geração só, e também está no AI2Face.

Como escrever prompts para o Veo 3.1

O Google propõe uma fórmula de cinco partes: câmera + sujeito + ação + ambiente + estilo e atmosfera. O som se descreve à parte:

• Fala — entre aspas: A mulher diz: «Está na hora de irmos.»
• Efeitos — depois da marca SFX:: SFX: um trovão ruge ao longe.
• Fundo — Ambient noise: ou «som de fundo»: zumbido baixo de um café.
• Movimento de câmera — termos de operador: aproximação (dolly in), travelling (tracking shot), grua, voo de drone, POV.
• Vários planos num clipe — timecodes: [00:00–00:02] plano médio…, [00:02–00:04] contraplano….
• Exclusões — por descrição, não por negação: «paisagem deserta sem casas nem estradas» em vez de «sem construções».

Voo de drone em direção a um farol branco num penhasco na tempestade ao anoitecer,
ondas enormes quebram nas pedras e levantam borrifos, o feixe do farol atravessa
uma chuva forte. SFX: rugido das ondas, uivo do vento, trovões distantes.
Cinematográfico, tons de azul escuro

Você pode escrever o prompt no seu idioma, mas termos de câmera em inglês deixam menos ambiguidade para o modelo. O Google não publica a lista de idiomas em que o Veo 3.1 fala. Teste uma fala no seu idioma num clipe curto.

Veo 3.1, Fast e Lite: as diferenças

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
Para quê	qualidade final	iterações rápidas	rascunhos e clipes em série
Resolução	720p, 1080p, 4K	720p, 1080p, 4K	720p, 1080p
Referências	até 3	até 3	não
Primeiro e último quadro	sim	sim	sim
Extensão na API	sim	sim	não
Preço	base	mais baixo	segundo o Google, menos de 50% do Fast

No gerador do AI2Face o 4K só existe no Veo 3.1 completo. Fast e Lite vão até 1080p. Comece no Lite ou no Fast para achar um prompt que funcione e faça a versão final no Veo 3.1 completo.

Como usar o Veo 3.1 no AI2Face

1. Abra o gerador, escolha vídeo e o modelo: Veo 3.1, Fast ou Lite.
2. Escolha o modo: por texto, por foto, por referências ou por primeiro e último quadro.
3. Defina o formato (16:9 ou 9:16), a duração (4, 6 ou 8 segundos) e a resolução.
4. Ligue o som se precisar e comece. O custo em créditos aparece antes do início.

Uma imagem pronta do gerador pode virar na hora o quadro inicial do clipe. Um retrato do Nano Banana 2, um modelo da família Nano Banana, vira vídeo. O Veo 3.1 está no gerador do AI2Face, e o custo aparece antes de você gerar.

Limites

• 1080p e 4K só em clipes de 8 segundos. Clipes mais curtos são gerados em 720p.
• Referências só funcionam com duração de 8 segundos.
• A extensão do clipe está disponível no AI2Face. Na Gemini API, o Google só estende o clipe em 720p.
• Pessoas no quadro. Na UE, no Reino Unido, na Suíça e nos países do MENA, o Google só permite gerar adultos. O modelo não cria pessoas reconhecíveis, celebridades nem marcas.
• Transições entre dois quadros nem sempre são lisas. O quadro final coincide, mas no meio os detalhes podem «andar».
• Armazenamento na API: 2 dias. Clipes gerados pela Gemini API são apagados do servidor do Google depois de dois dias. No AI2Face o clipe fica no seu histórico.
• Marcação. Todos os clipes levam uma marca d’água invisível SynthID.

Conclusões

Veo 3.1 é a escolha mais forte quando você precisa de um clipe curto com som de qualidade: anúncio, produto, atmosfera, animar uma foto. Fala e efeitos do prompt dispensam a etapa de locução. Para clipes longos numa geração só, veja o Seedance 2.5. Para edição flexível e entradas mistas, veja o Gemini Omni Flash. Um jeito prático de gastar menos: ajuste o prompt no Lite ou no Fast em 720p e faça o final no Veo 3.1 em 1080p ou 4K. As três versões estão no gerador do AI2Face, e o custo aparece antes de você gerar. As imagens prontas do gerador viram o primeiro quadro do clipe.