Hướng dẫn chính thức của Google cho Veo gói gọn trong bảy yếu tố, và các ví dụ trên trang này dùng đủ cả bảy: chủ thể, hành động, bối cảnh, phong cách, vị trí và chuyển động máy quay, không khí và âm thanh. Hãy viết như một bản brief cảnh quay: “Cảnh flycam điện ảnh (máy quay) của những con sóng ngọc lam vỗ vào vách đá vôi (chủ thể, bối cảnh), từ từ tiến dọc bờ biển (chuyển động), sương mù giờ vàng (không khí)”. Từ vựng máy quay là đòn bẩy lớn nhất — dolly in, tracking shot, aerial, low-angle, close-up, rack focus — vì chỉ một cụm từ máy quay cũng đủ thay đổi toàn bộ clip.
Âm thanh được mô tả ngay trong cùng đoạn prompt: diễn tả âm thanh nền và hiệu ứng bằng lời thường, còn lời thoại thì đặt trong dấu ngoặc kép — Veo 3.1 khớp môi (lip-sync) khá thuyết phục cho những câu ngắn. Với Veo, âm thanh là tùy chọn và tính phí riêng; với Gemini Omni Flash âm thanh luôn bật sẵn và bạn tự chọn độ dài clip, từ 3 đến 10 giây với giá $0.10/giây. Clip Veo 3.1 không âm thanh khởi điểm $0.10 ở gói Lite; mỗi ví dụ dưới đây đều ghi rõ model và chi phí thực của lần tạo đó.