Veo کے لیے Google کی اپنی ہدایات سات عناصر پر مبنی ہیں، اور اس صفحے کی مثالیں ان سب کو استعمال کرتی ہیں: موضوع، عمل، پس منظر، انداز، کیمرے کی پوزیشن اور حرکت، ماحول اور آڈیو۔ اسے شاٹ بریف کی طرح لکھیں: "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)"۔ کیمرے کی اصطلاحات سب سے اہم ہتھیار ہیں — dolly in، tracking shot، aerial، low-angle، close-up، rack focus — کیونکہ کیمرے کا ایک جملہ پوری کلپ بدل دیتا ہے۔
آڈیو بھی اسی متن میں شامل کیا جاتا ہے: ماحولیاتی آواز اور اثرات کو سادہ الفاظ میں بیان کریں، اور مکالمہ کوٹیشن میں لکھیں — Veo 3.1 مختصر جملوں کو قائل کن انداز میں لپ سنک کرتا ہے۔ Veo پر آڈیو اختیاری ہے اور الگ سے چارج ہوتا ہے؛ Gemini Omni Flash میں آواز ہمیشہ شامل ہوتی ہے اور کلپ کی لمبائی آپ خود 3 سے 10 سیکنڈ تک $0.10 فی سیکنڈ کے حساب سے طے کرتے ہیں۔ خاموش Veo 3.1 کلپس Lite ٹیئر پر $0.10 سے شروع ہوتی ہیں؛ نیچے ہر مثال کے ساتھ ماڈل اور اس مخصوص جنریشن کی اصل قیمت درج ہے۔