Google自身のVeoに関するガイダンスは7つの要素に集約され、このページの例はすべてそれらを使用しています:被写体、アクション、コンテキスト、スタイル、カメラの位置と動き、雰囲気、そしてオーディオ。ショットの概要のように記述します:「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)」。カメラの語彙は最大のレバーです — dolly in, tracking shot, aerial, low-angle, close-up, rack focus — なぜなら、1つのカメラフレーズがクリップ全体を変えるからです。
オーディオは同じテキストでプロンプトされます:周囲の音と効果を平易な言葉で記述し、対話は引用符で囲みます — Veo 3.1は短いセリフを説得力のある形でリップシンクします。Veoでは、オーディオはオプションで別料金です。Gemini Omni Flashでは、サウンドは常にオンで、クリップの長さを3秒から10秒まで自分で設定でき、1秒あたり$0.10です。サイレントのVeo 3.1クリップはLiteティアで$0.10から始まります。以下のすべての例には、モデルとその正確な生成コストが記載されています。