Veo 3.1: capacità, audio nativo, limiti e costi per la produzione

Veo 3.1 è il modello video di Google che genera immagini in movimento e audio nativo. Supporta text-to-video, image-to-video e controlli basati su frame e reference. Il punto operativo è scegliere come guidare lo shot, non soltanto descriverlo. (ai.google.dev)

Va però distinto dal prodotto che lo ospita. Nella documentazione Gemini API, Google oggi indica Gemini Omni Flash come scelta predefinita per la generazione video e riserva Veo 3.1 a esigenze specifiche: estensione delle scene, controllo dell’ultimo frame e integrazione con pipeline esistenti. Questa scheda riguarda quindi uno strumento con impieghi precisi, non una scelta universale. (ai.google.dev)

Capacità e formati

La scheda Google Cloud di Veo 3.1 Standard documenta clip da 4, 6 o 8 secondi, aspect ratio 16:9 e 9:16, output MP4 a 24 fps e risoluzioni 720p, 1080p e 4K. La generazione con reference richiede 8 secondi. (cloud.google.com)

• Text-to-video: costruisce lo shot dal prompt.
• Image-to-video: anima un’immagine iniziale.
• First e last frame: usa due immagini per vincolare partenza e arrivo.
• Reference: nella Gemini API accetta fino a tre immagini di riferimento.
• Extension: prosegue un video generato precedentemente da Veo; nella Gemini API lavora a 720p. (cloud.google.com)

Non estendere automaticamente queste specifiche a ogni variante. Nella Gemini API, Standard e Fast supportano reference ed extension; Lite non le supporta. Inoltre, gli identificativi Gemini API restano denominati preview, mentre Google Cloud documenta Standard e Fast anche come modelli GA. Registra sempre servizio, model ID e parametri nel report di produzione. (ai.google.dev)

Audio nativo: utile, non automaticamente definitivo

Veo può generare dialoghi, effetti e ambiente insieme al video. DeepMind segnala però limiti nel parlato naturale e coerente, soprattutto nei segmenti brevi, e indica sincronizzazione e intelligibilità tra le aree ancora in sviluppo. (deepmind.google)

Come metodo di lavoro, separa nel brief battute, ambience ed effetti. Ascolta poi la take senza guardare il video: controlla parole, pronuncia e rumori estranei. Se il testo deve coincidere con uno script approvato, prevedi speakeraggio o doppiaggio separati. È una scelta prudenziale di workflow, non una funzione aggiuntiva del modello.

Limiti da mettere nel piano

Nella Gemini API l’inglese è pienamente supportato; le altre lingue non risultano valutate. Il seed non garantisce determinismo. I file generati vengono conservati sul server per due giorni: automatizza il download. Errori audio o filtri possono impedire la generazione; Google dichiara che una generazione bloccata non viene addebitata. (ai.google.dev)

Per l’approvazione interna, prepara una checklist: identità del soggetto, geometria del prodotto, continuità, contatti fisici, labiale e leggibilità delle scritte. Non usare una buona impressione generale come unico criterio di accettazione.

Prezzi pubblici

Il listino Gemini API pubblica queste tariffe in dollari per secondo generato, con audio incluso e senza free tier per Veo 3.1. Sono prezzi API, non il costo degli abbonamenti alle applicazioni. (ai.google.dev)

• Standard: 0,40 USD/s a 720p o 1080p; 0,60 USD/s in 4K.
• Fast: 0,10 USD/s a 720p; 0,12 USD/s a 1080p; 0,30 USD/s in 4K.
• Lite: 0,05 USD/s a 720p; 0,08 USD/s a 1080p; niente 4K. (ai.google.dev)

Una clip Standard da 8 secondi a 1080p costa quindi 3,20 USD; dieci tentativi completati costano 32 USD. È un calcolo sul listino, non una stima del costo dello shot approvato. Nel preventivo separa generazioni, selezione e postproduzione. (ai.google.dev)

Quando usarlo

La nostra indicazione operativa: valuta Veo 3.1 quando il primo e ultimo frame o l’estensione sono requisiti dello shot. Per una pipeline già integrata, confronta Fast e Standard sullo stesso brief prima di fissare il budget. Questi impieghi corrispondono alle capacità specifiche che Google mantiene nella propria guida di scelta. (ai.google.dev)

Non affidargli senza test una battuta italiana contrattualmente vincolata. In quel caso, separa la valutazione visiva da quella vocale e pianifica un’alternativa audio.

Trasparenza e pubblicazione

I video Veo includono il watermark SynthID. Sul piano normativo, l’articolo 50 dell’AI Act richiede ai deployer di dichiarare l’origine artificiale dei contenuti che costituiscono deepfake. Per opere evidentemente artistiche, creative o di fantasia prevede modalità di comunicazione che non ne ostacolino fruizione e qualità. Non confondere il watermark tecnico con la comunicazione al pubblico. (deepmind.google)

Attenzione: questo articolo non è un parere legale. Fai verificare obblighi e modalità di disclosure sul contenuto e sul contesto di distribuzione. Ultimo aggiornamento delle fonti consultate: 18 ottobre 2026.

In pratica

Parti da uno shot campione. Fissa reference, formato e criterio di accettazione. Conserva prompt, model ID, output e costo dei tentativi. Approva immagine e audio separatamente. Solo dopo estendi il metodo alla sequenza.