Veo 3.1 и создание видео: что умеет и каковы ограничения?

Короткий ответ: Veo 3.1 - модель Google DeepMind, которая создает короткое видео по тексту или по фотографии; вместе с картинкой она сама генерирует диалоги, звуковые эффекты и звуки окружения. Согласно документации Google, за один раз модель делает клипы длительностью 4, 6 или 8 секунд и выдает результат в 720p, 1080p или 4K. В этой статье мы рассказываем, что умеет модель, каковы ее официальные ограничения и как строится хороший промпт для видео.

Что такое Veo 3.1 и кто ее разработал?

Veo - семейство моделей для создания видео от Google DeepMind. Veo 3.1 была представлена 15 октября 2025 года вместе с более быстрой и дешевой версией Veo 3.1 Fast. Google в этом выпуске обещала более богатое встроенное звучание, лучшее понимание кинематографических стилей и более точное соответствие промпту при создании видео из фото. Стабильная версия для Google Cloud вышла 17 ноября 2025 года. В январе 2026 года была усилена генерация с референсными изображениями, а в марте 2026 года добавлена более легкая версия Lite.

Модель доступна в приложении Gemini, в инструменте для кинопроизводства Flow от Google, в Google Vids, для разработчиков - через Gemini API и Google AI Studio, а для компаний - через Google Cloud. Важное уточнение: на момент написания этой статьи, в октябре 2026 года, предварительные версии Veo 3.1 в Gemini API были отключены 22 октября 2026 года; Google перенаправляет разработчиков на более новую модель Gemini Omni Flash или на стабильные версии Veo 3.1 в Google Cloud. Значит, через какой канал вы используете Veo 3.1, определяет, какие возможности вам доступны.

Что умеет Veo 3.1?

Текст в видео

Модель создает короткое видео по описанию сцены. Google подчеркивает реалистичность, физику и соответствие промпту. В примерах документации есть сцены с диалогами, кинематографические съемки и анимационные стили.

Видео из фотографии

Когда вы загружаете изображение, Veo использует его как первый кадр видео и оживляет согласно промпту. Совет документации прост: в качестве первой сцены выбирайте изображение, которое максимально похоже на то, что вы задумали.

Видео по референсным изображениям

В функции, которую Google называет «Ingredients to Video», можно передать до трех референсных изображений. По документации Gemini API, это должны быть изображения одного человека, персонажа или товара; Veo старается сохранить внешний вид объекта в результате. Обновление января 2026 года сделало так, что персонажи выглядят одинаково даже при смене сцены, улучшило согласованность фона и предметов, а в этом режиме впервые поддержано вертикальное видео 9:16.

Первый и последний кадр

Вы передаете начальное и конечное изображение, а Veo создает переход между ними вместе со звуком. Такой режим удобен для сцен вида «от А к Б», например, когда товар достают из коробки или когда день переходит в ночь.

Продление сцены

Видео, созданное ранее с помощью Veo, можно продлить. По словам Google, каждая новая часть создается на основе последней секунды предыдущего клипа, поэтому визуальная непрерывность сохраняется.

Встроенный звук

Veo 3.1 создает звук видео не отдельным этапом, а вместе с картинкой: речь, эффекты и звуки окружения. По документации Gemini API, звук всегда включен; это не опция, которую можно отключить.

Длительность, разрешение и соотношение сторон: официальные ограничения

Следующая таблица составлена на основе технических характеристик, опубликованных на странице модели Veo 3.1 в Google Cloud и в документации Gemini API:

Характеристика	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
Длительность клипа	4, 6 или 8 секунд	4, 6 или 8 секунд	4, 6 или 8 секунд
Соотношение сторон	16:9 и 9:16	16:9 и 9:16	16:9 и 9:16
Разрешение вывода	720p, 1080p, 4K	720p, 1080p	720p, 1080p
Частота кадров	24 fps	24 fps	24 fps
Референсные изображения	Есть (только 8 секунд)	Есть (только 8 секунд)	Нет
Звук	Есть	Есть	Есть

В документации Gemini API есть и несколько дополнительных правил. Разрешения 1080p и 4K выбираются только для видео длительностью 8 секунд; при использовании референсного изображения длительность тоже должна быть 8 секунд. Продление сцены добавляет каждый раз по 7 секунд и может выполняться не более 20 раз; продлеваемое видео может быть длиной до 141 секунды, а результат - до 148 секунд, и продление работает только в 720p. Текст промпта ограничен 1 024 токенами.

Как написать промпт для Veo 3.1?

Руководство по промптам Veo 3.1 от Google Cloud предлагает формулу из пяти частей: кинематография + субъект + действие + контекст + стиль и атмосфера. То есть сначала опишите, что делает камера, затем кого мы видим, что он делает, где мы находимся и какое настроение у сцены.

Документация поддерживает английский как язык промпта, а о других языках пишет, что они не оценивались, могут работать, но результаты могут отличаться. Поэтому примеры мы приводим на английском и добавляем перевод на русский:

Slow dolly shot. A potter shapes a clay bowl on a spinning wheel in a small sunlit workshop. Dust floats in the warm afternoon light; shallow depth of field, calm documentary style.

Перевод на русский: Медленная съемка с наездом. Гончар формует глиняную чашу на вращающемся круге в маленькой мастерской, залитой солнцем. В теплом свете послеполуденного солнца плавает пыль; малая глубина резкости, спокойный документальный стиль.

Язык камеры

Руководство советует для движения камеры использовать термины dolly (наезд), tracking (проводка), crane (кран), вид с воздуха, медленную панораму и съемку от первого лица (POV); для кадрирования - общий план, крупный план, очень крупный план, съемку снизу и двухшотовый кадр; для объектива - малую глубину резкости, широкоугольность и макро. Такие термины дают гораздо более точный результат, чем фраза «красивый кадр».

Промпт для звука

Veo можно дать три типа подсказок по звуку:

• Диалог: пишите реплику в кавычках. Пример: A woman says, “We have to leave now.”
• Эффект: явно опишите звук. Пример: SFX: thunder cracks in the distance.
• Звуки окружения: опишите звуковой фон. Пример: Ambient noise: the quiet hum of a starship bridge.

Промпт с временными метками и несколькими планами

Интересное предложение руководства - управлять несколькими планами в одной генерации с помощью временных меток:

[00:00-00:02] Medium shot of a cyclist stopping at the top of a hill at sunrise. [00:02-00:04] Close-up of her smiling face, breathing hard. SFX: wind and distant birds. [00:04-00:08] Wide aerial shot revealing the valley and the winding road below.

Перевод на русский: В первые две секунды покажите велосипедистку в среднем плане, которая останавливается на вершине холма на рассвете; в следующие две секунды - крупный план ее улыбающегося лица с тяжелым дыханием; в последние четыре секунды - широкий план сверху, на котором видны долина и извилистая дорога внизу; пусть слышны ветер и далекие птицы.

Опишите, что нужно, а не то, чего не нужно

Руководство предлагает описывать сцену в утвердительной форме: вместо «без построек» лучше написать «пустынная местность без зданий и дорог».

На что обращать внимание при работе с видео из фото и референсами?

1. Думайте о фото как о первом кадре: Veo использует изображение как начальный кадр, поэтому кадрирование, свет и соотношение сторон должны быть правильными с самого начала. Нужно вертикальное видео - начинайте с вертикального изображения.
2. В промпте описывайте движение, а не повторяйте картинку: вместо перечисления того, что уже видно на фото, напишите, что будет двигаться и что сделает камера.
3. В референсах сосредоточьтесь на одном субъекте: документация советует, чтобы все три изображения относились к одному человеку, персонажу или товару. Четкие снимки с разных ракурсов дают лучший результат.
4. Опишите переход и звук между первым и последним кадром: руководство советует в этом режиме описывать в промпте, как будет проходить переход и какой звук нужен.
5. При продлении сохраняйте непрерывность: если в промпте новой части вы называете те же слова для персонажа, места и света, разрыв становится меньше.

Каковы ограничения Veo 3.1?

• Язык: английский поддерживается полностью; другие языки не оценивались, результаты могут отличаться.
• Время ожидания: по документации Gemini API, один запрос занимает минимум 11 секунд, а в часы пик может длиться до 6 минут.
• Короткие реплики: Google DeepMind указывает, что естественный и согласованный звук, особенно в коротких репликах, все еще находится в стадии развития.
• Опора на несколько видео: рассуждения, опирающиеся на несколько референсных видео одновременно, сейчас не поддерживаются.
• Блокировки из-за звука: Veo 3.1 иногда останавливает генерацию из-за фильтров безопасности или проблем со звуковой обработкой; по документации, в таком случае плата не взимается.
• Хранение: видео, созданные через Gemini API, хранятся на сервере 2 дня; для постоянной копии нужно скачать их в этот срок.
• Региональные правила: в ЕС, Великобритании, Швейцарии и регионе Ближнего Востока и Северной Африки настройки генерации людей более ограничены.
• Фильтры безопасности: промпты, нарушающие правила, блокируются; кроме того, видео проходят проверку на риски для конфиденциальности, авторских прав и предвзятости.

Как помечаются видео Veo? SynthID и учетные данные содержимого

Видео, созданные с помощью Veo, содержат невидимый водяной знак Google SynthID. По документации, такие видео можно проверить на платформе проверки SynthID; по объявлению Google от января 2026 года, вы также можете загрузить видео в приложение Gemini и спросить, создано ли оно с помощью ИИ Google. На странице Veo 3.1 в Google Cloud указано, что модель поддерживает C2PA «Учетные данные содержимого» (Content Credentials). Тем не менее самый честный путь - явно указать, что в опубликованном видео использован ИИ.

Типичные ошибки

• Пытаться вместить фильм в восемь секунд: выберите одно основное действие для одного клипа; длинные истории собирайте из нескольких клипов.
• Не описывать камеру: если движение камеры не указано, модель выберет его сама; для нужного настроения укажите тип съемки.
• Забывать про звук: звук создается всегда, и если вы его не опишете, модель будет полагаться на собственное предположение. Опишите звуки окружения и реплики, если они есть.
• Писать длинные диалоги: в клипе из нескольких секунд длинные фразы звучат торопливо; выбирайте короткие и четкие реплики.
• Начинать с неправильного соотношения сторон: для вертикального контента выбирайте 9:16, для горизонтального - 16:9, и подготавливайте фото под него.
• Забывать скачать видео: срок хранения ограничен; сохраняйте понравившийся результат сразу.

Итоги

• Veo 3.1 - модель Google DeepMind, которая создает видео со звуком по тексту и фотографиям; есть также версии Fast и Lite.
• Клипы длятся 4, 6 или 8 секунд; соотношения сторон 16:9 и 9:16; вывод 720p, 1080p и 4K (1080p и 4K только для 8-секундных видео).
• Референсные изображения, первый и последний кадр и продление сцены помогают создавать более длинные и согласованные сцены.
• Хороший промпт состоит из кинематографии, субъекта, действия, контекста и стиля; звук и диалоги описывайте отдельно.
• Для промпта рекомендуется английский язык; короткие реплики и время ожидания - известные ограничения.
• Все видео содержат водяной знак SynthID и могут быть проверены.