คำแนะนำของ Google สำหรับ Veo สรุปได้เป็นเจ็ดองค์ประกอบ และตัวอย่างในหน้านี้ใช้ทั้งหมด: หัวข้อ, การกระทำ, บริบท, สไตล์, ตำแหน่งและการเคลื่อนไหวของกล้อง, บรรยากาศ และเสียง เขียนเหมือนบทสรุปการถ่ายทำ: “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)” คำศัพท์เกี่ยวกับกล้องคือตัวแปรที่สำคัญที่สุด — dolly in, tracking shot, aerial, low-angle, close-up, rack focus — เพราะวลีเกี่ยวกับกล้องเพียงวลีเดียวสามารถเปลี่ยนคลิปทั้งหมดได้
เสียงจะถูกพรอมต์ในข้อความเดียวกัน: อธิบายเสียงและเอฟเฟกต์รอบข้างด้วยคำง่ายๆ และใส่บทสนทนาในเครื่องหมายคำพูด — Veo 3.1 สามารถซิงค์ริมฝีปากกับประโยคสั้นๆ ได้อย่างน่าเชื่อถือ ใน Veo เสียงเป็นทางเลือกและมีราคาแยกต่างหาก; ใน Gemini Omni Flash เสียงจะเปิดอยู่เสมอและคุณสามารถกำหนดความยาวคลิปได้เอง ตั้งแต่ 3 ถึง 10 วินาทีในราคา $0.10 ต่อวินาที คลิป Veo 3.1 แบบไม่มีเสียงเริ่มต้นที่ $0.10 ในระดับ Lite; ทุกตัวอย่างด้านล่างจะระบุรุ่นและค่าใช้จ่ายในการสร้างที่แน่นอน