As próprias diretrizes do Google para o Veo se resumem a sete elementos, e os exemplos nesta página usam todos eles: assunto, ação, contexto, estilo, posição e movimento da câmera, ambiente e áudio. Escreva como um breve roteiro de cena: “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)”. O vocabulário da câmera é a maior alavanca — dolly in, tracking shot, aerial, low-angle, close-up, rack focus — porque uma frase de câmera muda o clipe inteiro.
O áudio é solicitado no mesmo texto: descreva o som ambiente e os efeitos em palavras simples, e coloque os diálogos entre aspas — o Veo 3.1 sincroniza convincentemente frases curtas. No Veo, o áudio é opcional e tem preço separado; no Gemini Omni Flash, o som está sempre ativado e você define a duração do clipe, de 3 a 10 segundos a $0.10 por segundo. Clipes silenciosos do Veo 3.1 começam em $0.10 na camada Lite; cada exemplo abaixo é rotulado com o modelo e o custo exato da geração.