Veo के लिए Google की खुद की गाइडलाइन सात एलिमेंट्स में सिमट जाती है, और इस पेज के उदाहरण इन सभी का इस्तेमाल करते हैं: subject (विषय), action (क्रिया), context (संदर्भ), style (स्टाइल), camera position और motion (कैमरा पोज़िशन और मोशन), ambiance (माहौल), और audio (ऑडियो)। इसे शॉट ब्रीफ की तरह लिखें: "Cinematic aerial drone shot (camera) of turquoise waves breaking against limestone cliffs (subject, context), slowly pushing forward along the coastline (motion), golden hour haze (ambiance)"। कैमरा वोकैबुलरी सबसे बड़ा लीवर है — dolly in, tracking shot, aerial, low-angle, close-up, rack focus — क्योंकि एक कैमरा फ्रेज़ पूरी क्लिप बदल देता है।
ऑडियो भी उसी टेक्स्ट में प्रॉम्प्ट किया जाता है: एम्बिएंट साउंड और इफेक्ट्स को सीधे शब्दों में बताएं, और डायलॉग को कोट्स में डालें — Veo 3.1 छोटी लाइनों को अच्छे से लिप-सिंक करता है। Veo में ऑडियो ऑप्शनल है और अलग से चार्ज होता है; Gemini Omni Flash में साउंड हमेशा ऑन रहता है और क्लिप की लंबाई आप खुद तय करते हैं, 3 से 10 सेकंड तक, $0.10 प्रति सेकंड की दर से। बिना ऑडियो वाली Veo 3.1 क्लिप्स Lite टियर पर $0.10 से शुरू होती हैं; नीचे हर उदाहरण के साथ मॉडल और उस जनरेशन की असली कॉस्ट लिखी है।