Googles eigene Anleitung für Veo läuft auf sieben Elemente hinaus, und die Beispiele auf dieser Seite nutzen alle: Motiv, Handlung, Kontext, Stil, Kameraposition und -bewegung, Atmosphäre und Ton. Schreib es wie ein Shot-Briefing: „Cinematic aerial drone shot (Kamera) of turquoise waves breaking against limestone cliffs (Motiv, Kontext), slowly pushing forward along the coastline (Bewegung), golden hour haze (Atmosphäre)“. Das Kameravokabular ist der größte Hebel – Dolly-in, Tracking Shot, Luftaufnahme, Untersicht, Nahaufnahme, Schärfeverlagerung –, denn eine einzige Kameraangabe verändert den ganzen Clip.
Der Ton wird im selben Text gepromptet: Beschreib Umgebungsgeräusche und Effekte in einfachen Worten und setz Dialog in Anführungszeichen – Veo 3.1 synchronisiert kurze Sätze überzeugend mit den Lippen. Bei Veo ist Ton optional und wird separat berechnet; bei Gemini Omni Flash ist Ton immer an, und die Cliplänge legst du selbst fest, von 3 bis 10 Sekunden für $0.10 pro Sekunde. Stumme Clips mit Veo 3.1 gibt es ab $0.10 in der Lite-Stufe; jedes Beispiel unten ist mit dem Modell und den Kosten genau dieser Generierung beschriftet.