Le indicazioni ufficiali di Google per Veo si riducono a sette elementi, e gli esempi di questa pagina li usano tutti: soggetto, azione, contesto, stile, posizione e movimento della camera, atmosfera e audio. Scrivilo come la descrizione di un'inquadratura: “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)”. Il lessico della camera è la leva più potente (dolly in, tracking shot, ripresa aerea, dal basso, primo piano, rack focus), perché una sola espressione di camera cambia l'intera clip.
L'audio si chiede nello stesso testo: descrivi suoni ambientali ed effetti a parole semplici e metti i dialoghi tra virgolette, perché Veo 3.1 sincronizza in modo convincente il labiale delle battute brevi. Su Veo l'audio è opzionale e ha un prezzo a parte; su Gemini Omni Flash il suono è sempre attivo e la durata della clip la scegli tu, da 3 a 10 secondi a $0.10 al secondo. Le clip Veo 3.1 senza audio partono da $0.10 con il livello Lite; ogni esempio qui sotto riporta il modello e quanto è costata esattamente quella generazione.