Veo 3.1 ist das Text-zu-Video-Modell von Google DeepMind. Ein Prompt erzeugt einen 8-Sekunden-Clip mit synchronem 48-kHz-Audio. Scene Extension hängt weitere 7-8-Sekunden-Segmente an und liefert filmische Sequenzen bis zu 148 Sekunden.
Googles Text-zu-Video-Modell mit nativem Audio und Scene Extension
Veo 3.1 ist das Videogenerierungsmodell von Google DeepMind, offiziell veröffentlicht am 13.01.2026. Ein einzelner Veo 3.1 Render erzeugt einen 8-Sekunden-Clip mit synchronem 48-kHz-Audio — Umgebungston, Effekte und Dialog werden gemeinsam mit den Bildern berechnet. Veo 3.1 hat zwei kreative Funktionen eingeführt: Scene Extension verkettet 7-8-Sekunden-Segmente zu längeren Erzählungen bis zu 148 Sekunden, und Ingredients to Video erlaubt bis zu 3 Referenzbilder, um Identität, Kleidung oder Umgebung einer Figur über den Clip hinweg festzuhalten.
Veo 3.1 rendert Ambient, SFX und Dialog mit 48 kHz im selben Durchlauf — kein separater Tonpass.
Verkette 7-8-Sekunden-Segmente. Eine Veo 3.1 Sequenz läuft bis zu 148 Sekunden mit konsistenten Figuren und Farbgrading.
Lade bis zu 3 Referenzbilder hoch, und Veo 3.1 fixiert Subjekt, Garderobe und Umgebung über den Clip hinweg.
Veo 3.1 enthält 4K-Upscaling mit Detailrekonstruktion — rendere in 1080p, liefere in Druckqualität.
Setze 9:16 im Prompt, und Veo 3.1 rendert für Shorts, TikTok und Reels — ohne Recrop, ohne Letterbox.
Dolly, Crane, Whip-Pan, Orbit — Veo 3.1 versteht das Vokabular einer Shotlist, und ein Veo 3.1 Render trifft die inszenierte Einstellung.
Veo 3.1 — Text rein, Bilder + 48-kHz-Audio raus, kein Schnittplatz dazwischen.
Du schreibst die Szene; Veo 3.1 liest sie und rendert einen 8-Sekunden-Clip mit synchronem Audio. Produkt-Teaser, Markenpromos, Social-Opener — Veo 3.1 erledigt eine Einstellung in einem Durchlauf.
Verkette 7-8-Sekunden-Segmente — Veo 3.1 hält Figur, Grading und Kamera über den Schnitt hinweg.
Ein 8-Sekunden-Basisclip reicht selten für einen vollständigen Opener. Veo 3.1 Scene Extension fügt pro Durchgang 7-8 Sekunden hinzu und bewahrt Figurenidentität und Farbgrading, sodass du eine komplette filmische Sequenz bis zu 148 Sekunden ohne manuelles Neuverknüpfen aufbauen kannst.
Übergib bis zu 3 Referenzen — Veo 3.1 fixiert Subjekt, Garderobe und Setting über den Clip.
Lege ein Porträt hinzu, um eine Figur zu fixieren, ein Garderobenfoto, um das Outfit zu halten, und ein Locationbild, um die Umgebung zu setzen. Veo 3.1 liest alle drei zusammen mit dem Prompt — ideal für Markentalente, Heroprodukte und durchgängige Storyboard-Szenen.
Ambient, Musik und Dialog kommen aus demselben Veo 3.1 Durchlauf — kein Foley nötig.
Frühere Text-zu-Video-Tools lieferten stumme Clips; du hast in der Post vertont und gemischt. Veo 3.1 rendert Umgebungston, Musikbetten und lippensynchronen Dialog mit 48 kHz parallel zu den Bildern — den Clip kannst du direkt auf TikTok oder YouTube veröffentlichen.
Veo 3.1 versteht Shotlist-Vokabular — Dolly, Crane, Objektiv, Licht, Farbgrading.
Briefe den Clip wie einen Kameramann. Nenne das Objektiv, die Bewegung, Key- und Rim-Light, die Stimmung. Veo 3.1 trifft die inszenierte Einstellung näher als Trial-and-Error — nützlich für Hero-Cuts, Markenpromos und Opener.
Acht Clips — jede Bildunterschrift ist ein wiederverwendbarer Veo 3.1 Prompt
Verifizierte Spezifikationen von der offiziellen Seite jedes Anbieters — keine Drittquellen.
| Funktion | Veo 3.1 | Seedance 2.0 | Sora 2 | Kling 3.0 |
|---|---|---|---|---|
| Maximale Cliplänge | 8 s Basis; bis 148 s per Scene Extension | 15 Sekunden (Multi-Shot) | Bis 12 s (Sora 2 API) | Bis 15 s (bis zu 6 Shots) |
| Audio im Render | Ja, nativ 48 kHz | Ja, zweikanalig | Ja, synchroner Ton | Ja, mehrsprachig nativ |
| Referenz-Assets | Bis zu 3 Referenzbilder (Ingredients to Video) | 9 Bilder + 3 Videos + 3 Audios | Einzelnes Referenzbild | Multimodaler Input unterstützt |
| Multi-Shot-Output | Scene Extension verkettet 8-s-Clips | Einzel-Render, Multi-Shot | Einzelner Clip | Bis zu 6 Shots in einem Render |
| Multimodaler Input | Text, Bild | Text, Bild, Audio, Video | Text, Bild | Text, Bild, Audio, Video |
| Veröffentlichung | 13.01.2026 (Google DeepMind) | 12.02.2026 (ByteDance Seed) | 2025 (OpenAI) | 04.02.2026 (Kuaishou) |
Vier Gewohnheiten, die brauchbares Material von Reroll-Rauschen trennen
Nenne Subjekt, Kamerabewegung, Objektiv, Licht, Stimmung und Ton in einem Veo 3.1 Prompt. Ein Veo 3.1 Render spiegelt wider, was du ihm gibst.
16:9 für YouTube, 9:16 für Shorts, 1:1 für Feeds. Setze beides, bevor du an Veo 3.1 sendest — Veo 3.1 fixiert sie im Clip.
Lege ein Referenzfoto bei, wenn eine Figur oder ein Produkt über mehrere Shots gleich aussehen muss. Veo 3.1 liest bis zu 3 Bilder pro Generierung.
Sage, was du hören willst — 'Regen im Hintergrund', 'fröhlicher Lo-Fi', 'zwei Freunde lachen'. Veo 3.1 liefert 48-kHz-Audio im selben Render.
Jedes Videomodell hat eigene Stärken — Realismus, Geschwindigkeit, Stil, Kosten
Was Nutzer vor ihrem ersten Veo 3.1 Render wirklich fragen
Kostenlos. Keine Kreditkarte. 8-Sekunden-Clips mit 48-kHz-Audio. Veo 3.1 oben auf ZorqAI testen.
