Google Veo 3.1 で動画を作成

Google Veo 3.1 とは

Veo 3.1 は Google DeepMind の動画生成モデルで、Veo 3 の後継として 2025年10月15日 に発表されました。Google の発表記事はそれを一言でこう説明しています：より豊かな音声、より高いナラティブ制御、実物の質感を捉える強化されたリアリズム。画像を動画に変換する際のプロンプト追従性が強化され、音響映像品質も向上しています。

発表記事は能力の変化を直接列挙しています。既存機能に初めて音声対応が届き、Ingredients to Video、Frames to Video、Extend のすべてが音声を生成するようになりました。シーン拡張（scene extension）は独立したセクションを持ち、記事はクリップ内の要素の挿入・削除・変更を含む、よりきめ細かい編集制御にも言及しています。

2026年1月13日 の2本目の公式記事はこの路線を継続しています：短いプロンプトでも Ingredients to Video によるより豊かなセリフとストーリーテリング、シーンを跨いでキャラクターの見た目を保つ同一性の維持（identity consistency）、縦型フォーマット向けのネイティブ縦画面出力、そして 1080p・4K への最先端のアップスケーリングです。この更新は Gemini app、YouTube、Flow、Google Vids、Gemini API、Vertex AI 全体に展開されました。

Google が公開する3つのバリアント

Google の Vertex AI モデルカード（最終更新 2026年10月10日）は、個別のモデル ID と能力セットを持つ3つの Veo 3.1 バリアントを記載しています。下表の各行はそのモデルカードからの引用です。

カード上のすべてのバリアントはコンテンツクレデンシャル（C2PA）を備えており、API 経由で生成されたクリップには来歴メタデータが付与されます。カードはまた、各バリアントの提供リージョンを us-central1、プロンプト言語を英語と記しています。

モデルカードが定める仕様

以下は同じ Vertex AI カードに記載された共通の技術仕様であり、記載のまま引用しています。

2つの行を素直に読み解く価値があります。4K 出力の行は Generate バリアントのみに属し、英語限定の行は、クリップ内で話させたい言語が何であれ、プロンプトテキストは英語で書くべきことを意味します。

Google が公開する2つのベンチマーク

DeepMind のモデルページは Veo 3.1 について2つの選好ベンチマークを公開しており、いずれも Meta が公開したデータセット MovieGenBench 上で実施されています。チャートは下のギャラリーに転載しています。

どちらも Google による自社モデルの自己評価であり、モデルのマーケティングページに公開されています。それらは第一者数値であって独立監査ではなく、本ページもその性質のままに転記しています。

Google がこのモデル向けに公開しているプロンプト

以下の各プロンプトは Google の Gemini API ドキュメントの Veo セクションで公開されているもので、一言一句そのまま転載しています。各サンプルの横のコードブロックはモデルを veo-3.1-generate-preview と明記しており、これらの文字列は Google 自身のドキュメントによって 3.1 系に紐づいています。

開発者ドキュメントは、専用の動画と併せてもう1つの注目すべき文字列を公開しています。既存クリップを継続するための短いプロンプト（蝶が庭へ飛んでいき、オレンジ色の折り紙の花に止まるのを追いかける）で、extend 機能はまさにこうデモンストレーションされています。本ページのデモクリップは異なります：Google の発表動画にはクリップごとのプロンプトが公開されていないため、カード上にも何も表示していません。

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.

このワークスペースが公開しているもの

ここで何を送れるかの最終的な権威はピッカーであり、モデルカードより狭くなっています。下表の各行は、当サイト自身のモデル設定と公開製品カタログから読み取ったものです。

ルートの行は重要でありながら見落とされやすい：ここで生成されるクリップは Fast バリアントから来るため、ピッカーの 4K オプションはリクエストパラメータであって、特定のクリップがフルの Generate モデルでレンダリングされた証拠ではありません。音声の行も同じ理屈です。生成音声はサービス側でデフォルト適用され、このピッカーにはそのためのスイッチがありません。

このワークスペースが公開していないもの

モデルカードには、このピッカーに対応する操作項目がない能力が記載されています。探さずに済むよう、ここに列挙します。

• 最初と最後のフレームモード：カードは Generate と Fast について記載していますが、ここでは提供していません。
• Extend：ドキュメントに記載のある既存クリップの継続方法は、ここでは提供していません。
• 1枚を超える参照画像による生成：Google の開発者ドキュメントは最大 3 枚の参照画像に言及しています。このワークスペースは画像から動画で1枚のみ受け付けます。
• バリアントの選択：Generate、Fast、Lite を切り替える選択肢はありません。ルートは Fast に固定されています。
• バッチ生成：カードはプロンプトあたり最大 4 出力を認めています。このワークスペースは一度に1タスクのみ送信します。
• 音声スイッチ：生成音声はサービス側でデフォルトオンであり、リクエストには切り替え項目がありません。

ここで生成する手順

4つのステップを、ワークスペースが求める順序で。

1. モードを選ぶ：テキストから動画。静止画にショットを担わせたい場合は画像から動画。
2. プロンプトを英語で書くか、上のリストから1つ開いてコピーします。
3. 4〜8 秒の間で長さ、解像度、アスペクト比を設定し、静止画を動かす場合は参照画像を1枚添付します。
4. 見積もりを読み、ワークスペースが求めたらサインインし、送信します。タスクが失敗した場合は、重複送信を避けるため、再試行の前にステータスを確認してください。

他のサイトと数字が異なる理由

このモデルで上位表示されているページは、互換性のない単位で価格や能力を記載しています。そのどれも、ここで送信するタスクに適用される数字ではありません。

以下の価格は 2026年10月 に競合ページそのものから読み取りました。それらはサードパーティサービスに関するサードパーティの数値であり、変動し、単位同士をきれいに換算することもできません。

本ページのタスクを拘束する唯一の数字は、送信の直前にワークスペースが表示する見積もりであり、それはライブカタログからサーバー側で解決されます。

• convly.ai（モデルディレクトリページ）：動画1秒あたり 0.05 米ドルからの価格設定を記載。
• YeLin AI（API 販売代理店）：独自の OpenAI-compatible インターフェースで、8 モデルバリアントを対象に1生成あたり 0.15 米ドルからの価格設定を記載。
• veo3ai.io（ツールサイト）：サインアップ特典付きで 8 秒クリップ 10 クレジットと中国語で記載。
• Fastlane（マーケティングブログ）：48 kHz ネイティブ音声とプロダクトショット向けの Ingredients to Video を記載。自らは生成サービスを販売していません。

このページが約束しないこと

モデルページは自分の主張の限界を示すべきです。以下が本ページの限界です。

• 無料枠は約束しません。クレジットがあればそれはアカウント内に表示されるものであり、ここには表示されません。
• ギャラリーの4本のクリップは Google DeepMind の公式ローンチデモです。いずれも当サイトでは生成されていません。
• 2つのベンチマーク数値は Google による自社モデルの自己評価です。本ページは独自の比較を行っていません。
• ローンチ時の主張（より豊かな音声、強化されたプロンプト追従性、同一性の維持、アップスケーリング）は Google の自社製品に対する説明であり、その性質のままに転記しています。
• 公式ローンチ動画には公開されたプロンプトがないため、ギャラリーカードには捏造したプロンプトではなく何も表示していません。
• サードパーティの価格は、それらの事業者が 2026年10月 に自社サービス向けに公開した数字です。ここで送信するタスクの見積もりではありません。
• レイテンシ、キューの挙動、最終的な課金は、送信したその時点のサービス次第であり、ここに記載した内容によるものではありません。

サンプルと数字の出所

本ページのすべての数値とすべてのクリップは、以下のいずれかの出所に遡れます。メディアのライセンスはギャラリーカードに記載しています。