Panduan resmi Google untuk Veo intinya ada tujuh elemen, dan semua contoh di halaman ini memakainya: subjek, aksi, konteks, gaya, posisi serta pergerakan kamera, ambiance, dan audio. Tulis seperti brief pengambilan gambar: “Cinematic aerial drone shot (kamera) dari ombak turquoise menghantam tebing kapur (subjek, konteks), perlahan bergerak maju menyusuri garis pantai (pergerakan), kabut golden hour (ambiance)”. Kosakata kamera adalah pengungkit terbesar — dolly in, tracking shot, aerial, low-angle, close-up, rack focus — karena satu frasa kamera saja bisa mengubah seluruh nuansa klip.
Audio diatur lewat teks yang sama: deskripsikan suara ambient dan efek dengan kalimat biasa, lalu taruh dialog dalam tanda kutip — Veo 3.1 bisa melakukan lip-sync untuk baris pendek dengan cukup meyakinkan. Di Veo, audio bersifat opsional dan dihargai terpisah; di Gemini Omni Flash suara selalu aktif dan kamu sendiri yang menentukan durasi klip, dari 3 sampai 10 detik dengan harga $0.10 per detik. Klip Veo 3.1 tanpa suara mulai dari $0.10 di tier Lite; tiap contoh di bawah diberi label model yang dipakai dan biaya generate yang sebenarnya.