Video erstellen mit Google Veo 3.1

Was Google Veo 3.1 ist

Veo 3.1 ist das Videogenerierungsmodell von Google DeepMind, angekündigt am 15. Oktober 2025 als Nachfolger von Veo 3. Der Launch-Beitrag von Google beschreibt es in einem Satz: reichhaltigerer Ton, mehr erzählerische Kontrolle und verbesserter Realismus, der lebensechte Texturen einfängt, mit stärkerer Prompt-Befolgung und verbesserter audiovisueller Qualität beim Umwandeln von Bildern in Videos.

Der Launch-Beitrag benennt die Fähigkeitsänderungen direkt. Audio-Unterstützung erreichte erstmals bestehende Funktionen, sodass Ingredients to Video, Frames to Video und Extend alle Ton erzeugen. Die Szenenerweiterung bekam ihren eigenen Abschnitt, und der Beitrag beschreibt granularere Kontrolle beim Bearbeiten, einschließlich Einfügen, Entfernen oder Ändern von Elementen eines Clips.

Ein zweiter offizieller Beitrag vom 13. Januar 2026 führte die Linie fort: reichhaltigere Dialoge und Erzählungen aus Ingredients to Video selbst mit kurzen Prompts, Identitätskonsistenz, die eine Figur über Szenen hinweg gleich aussehen lässt, native vertikale Ausgaben für Hochformate und State-of-the-art-Hochskalierung auf 1080p und 4K. Dieses Update wurde über die Gemini app, YouTube, Flow, Google Vids, die Gemini API und Vertex AI ausgerollt.

Die drei Varianten, die Google veröffentlicht

Die Vertex-AI-Modellkarte von Google, zuletzt aktualisiert am 10. Oktober 2026, dokumentiert drei Veo-3.1-Varianten mit separaten Modell-IDs und Fähigkeitssätzen. Die folgenden Zeilen zitieren diese Karte.

Jede Variante auf der Karte trägt Content Credentials (C2PA), sodass Clips aus der API mit Provenienz-Metadaten ausgeliefert werden. Die Karte vermerkt auch die Serving-Region jeder Variante als us-central1 und die Prompt-Sprache als Englisch.

Was die Modellkarte festlegt

Dies sind die gemeinsamen technischen Spezifikationen derselben Vertex-AI-Karte, wörtlich zitiert.

Zwei Zeilen verdienen eine klare Lesart. Die 4K-Ausgabezeile gehört allein zur Generate-Variante, und die Nur-Englisch-Zeile bedeutet, dass der Prompt-Text auf Englisch geschrieben werden sollte, unabhängig von der Sprache, die im Clip gesprochen werden soll.

Die beiden Benchmarks, die Google veröffentlicht

Die DeepMind-Modellseite veröffentlicht zwei Präferenz-Benchmarks für Veo 3.1, beide auf MovieGenBench ausgeführt, einem von Meta veröffentlichten Datensatz. Die Diagramme werden in der Galerie unten reproduziert.

Beide sind Googles eigene Bewertungen seines eigenen Modells, veröffentlicht auf der Marketingseite des Modells. Es sind Zahlen aus erster Hand, keine unabhängigen Audits, und diese Seite wiederholt sie genau als solche.

Prompts, die Google für dieses Modell veröffentlicht

Jeder folgende Prompt ist im Veo-Abschnitt der Gemini-API-Dokumentation von Google veröffentlicht und Wort für Wort reproduziert. Der Codeblock neben jedem Beispiel nennt das Modell veo-3.1-generate-preview, diese Zeichenketten sind also durch Googles eigene Dokumentation an die 3.1-Linie gebunden.

Die Entwicklerdokumentation veröffentlicht eine weitere Zeichenkette, die neben ihrem eigenen Video erwähnenswert ist: einen kurzen Prompt zum Fortsetzen eines bestehenden Clips (folge dem Schmetterling in den Garten, während er auf einer orangefarbenen Origami-Blume landet), so wird die Extend-Funktion demonstriert. Die Demo-Clips auf dieser Seite sind anders: Googles Launch-Videos haben keine veröffentlichten Prompts pro Clip, daher wird auf ihren Karten keiner gezeigt.

A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it. That's the secret code.' The woman looks at him and whispering excitedly, 'What did you find?'

Drone shot following a classic red convertible driven by a man along a winding coastal road at sunset, waves crashing against the rocks below. The convertible accelerates fast and the engine roars loudly.

A whimsical stop-motion animation of a tiny robot tending to a garden of glowing mushrooms on a miniature planet.

The video opens with a medium, eye-level shot of a beautiful woman with dark hair and warm brown eyes. She wears a magnificent, high-fashion flamingo dress with layers of pink and fuchsia feathers, complemented by whimsical pink, heart-shaped sunglasses. She walks with serene confidence through the crystal-clear, shallow turquoise water of a sun-drenched lagoon. The camera slowly pulls back to a medium-wide shot, revealing the breathtaking scene as the dress's long train glides and floats gracefully on the water's surface behind her. The cinematic, dreamlike atmosphere is enhanced by the vibrant colors of the dress against the serene, minimalist landscape, capturing a moment of pure elegance and high-fashion fantasy.

Was dieser Workspace anbietet

Die Auswahl ist die Autorität dafür, was du hier einreichen kannst, und sie ist enger als die Modellkarte. Die folgenden Zeilen stammen aus der eigenen Modellkonfiguration dieser Website und dem öffentlichen Produktkatalog.

Die Route-Zeile ist wichtig und leicht zu übersehen: Clips, die hier generiert werden, stammen von der Fast-Variante, daher ist die 4K-Option in der Auswahl ein Anfrageparameter, kein Beleg dafür, dass ein bestimmter Clip vom vollständigen Generate-Modell gerendert wurde. Die Audio-Zeile verhält sich genauso; generiertes Audio wird serverseitig standardmäßig angewendet, und diese Auswahl bietet keinen Schalter dafür.

Was dieser Workspace nicht anbietet

Die Modellkarte dokumentiert Fähigkeiten, für die diese Auswahl keine Steuerung hat. Sie werden aufgelistet, damit du nicht danach suchst.

• Erstes und letztes Frame: auf der Karte für Generate und Fast dokumentiert, hier nicht angeboten.
• Extend: die dokumentierte Möglichkeit, einen bestehenden Clip fortzusetzen, wird hier nicht angeboten.
• Referenzbild-Generierung über ein Bild hinaus: Die Entwicklerdokumentation von Google beschreibt bis zu 3 Referenzbilder; dieser Workspace akzeptiert eines bei Bild zu Video.
• Variantenwahl: Es gibt keine Auswahl zwischen Generate, Fast und Lite. Die Route ist auf Fast festgelegt.
• Stapelgenerierung: Die Karte erlaubt bis zu 4 Ausgaben pro Prompt; dieser Workspace reicht jeweils eine Aufgabe ein.
• Ein Audio-Schalter: Generiertes Audio ist serverseitig standardmäßig aktiviert, ohne Umschaltoption in der Anfrage.

Wie man hier generiert

Vier Schritte, in der Reihenfolge, in der der Workspace sie verlangt.

1. Wähle den Modus: Text zu Video oder Bild zu Video, wenn ein Standbild die Einstellung bestimmen soll.
2. Schreibe den Prompt auf Englisch oder öffne einen aus der Liste oben und kopiere ihn.
3. Stelle die Dauer zwischen 4 und 8 Sekunden, Auflösung und Seitenverhältnis ein und hänge ein Referenzbild an, wenn du ein Standbild animierst.
4. Lies das Angebot, melde dich an, wenn der Workspace dazu auffordert, und sende ab. Wenn eine Aufgabe fehlschlägt, lies ihren Status, bevor du es erneut versuchst, damit du kein Duplikat einreichst.

Warum andere Seiten andere Zahlen nennen

Seiten, die für dieses Modell ranken, nennen Preise und Fähigkeiten in unvereinbaren Einheiten. Keine davon ist die Zahl, die für eine hier eingereichte Aufgabe gilt.

Die folgenden Preise wurden im Oktober 2026 direkt von den Wettbewerbsseiten abgelesen. Es sind Drittzahlen für Drittanbieterdienste, sie ändern sich, und ihre Einheiten lassen sich nicht sauber ineinander umrechnen.

Die einzige Zahl, die eine Aufgabe auf dieser Seite bindet, ist das Angebot, das der Workspace unmittelbar vor dem Absenden druckt und das serverseitig aus dem Live-Katalog ermittelt wird.

• convly.ai, eine Modellverzeichnisseite, nennt Preise ab 0,05 US-Dollar pro Videosekunde.
• YeLin AI, ein API-Reseller, nennt Preise ab 0,15 US-Dollar pro Generierung über 8 Modellvarianten, in seiner eigenen OpenAI-compatible-Schnittstelle.
• veo3ai.io, eine Tool-Seite, nennt 10 Credits pro 8-Sekunden-Clip mit einem Anmeldekontingent, auf Chinesisch.
• Fastlane, ein Marketing-Blog, beschreibt 48-kHz-natives Audio und Ingredients to Video für Produktaufnahmen; es verkauft selbst keine Generierung.

Was diese Seite nicht verspricht

Eine Modellseite sollte sagen, wo ihre eigenen Behauptungen enden. Dies sind die Grenzen dieser Seite.

• Es wird kein kostenloses Kontingent versprochen. Welche Credits es gibt, wird in deinem Konto angezeigt, nicht hier.
• Die vier Clips in der Galerie sind die offiziellen Launch-Demonstrationen von Google DeepMind. Keiner wurde auf dieser Website generiert.
• Die beiden Benchmark-Zahlen sind Googles eigene Bewertungen seines eigenen Modells. Diese Seite hat keinen eigenen Vergleich durchgeführt.
• Die Launch-Behauptungen (reichhaltigerer Ton, stärkere Prompt-Befolgung, Identitätskonsistenz, Hochskalierung) sind Googles Beschreibungen seines eigenen Produkts, als solche wiederholt.
• Die offiziellen Launch-Videos tragen keine veröffentlichten Prompts, daher zeigen ihre Galerie-Karten keinen Prompt statt eines erfundenen.
• Drittanbieter-Preise sind die Zahlen, die diese Unternehmen im Oktober 2026 für ihre eigenen Dienste veröffentlicht haben; es sind keine Angebote für hier eingereichte Aufgaben.
• Latenz, Warteschlangenverhalten und endgültige Abrechnung hängen vom Dienst im Moment des Absendens ab, nicht von irgendetwas, das hier steht.

Woher die Beispiele und Zahlen stammen

Jede Zahl und jeder Clip auf dieser Seite lässt sich auf eine der folgenden Quellen zurückführen. Die Medienlizenzierung ist bei den Galerie-Karten angegeben.