Google: Veo 3.1

Google: Veo 3.1はGoogleの動画生成モデルです。api14の動画カテゴリに掲載されており、プロバイダーのリリース日は2026-03-23です。Googleはこれを最先端の動画生成モデルと説明しており、最終的なプロダクションカットで最大限の視覚的忠実度を実現するために作られています。

このモデルはテキストと画像を入力として受け取り、出力として動画のみを生成します。解像度は720p、1080p、4Kに対応し、アスペクト比は16:9と9:16、クリップの長さは4秒、6秒、8秒です。ネイティブの同期オーディオを生成でき、フレーム画像をfirst_frameおよびlast_frameとして受け取るため、クリップの開始と終了を固定できます。このモデルにはコンテキスト長の記載がないため、プロンプトは長い文書として推論させるものではなく、クリエイティブブリーフとして扱ってください。

これらの機能は、かなり特定の用途を指し示しています。テキストから動画は、シーンを説明して完成したショットを得る短い広告スポット、ソーシャルクリップ、コンセプトの可視化に適しています。画像から動画は、first_frameとlast_frameと組み合わせることで、ショット間の連続性の作業、スチルのアニメーション化、編集における2つのキーフレームの橋渡しに適しています。9:16の比率はモバイルフィード向けの縦型フォーマットをカバーし、16:9と4Kはワイドスクリーンの配信に適しています。ネイティブのオーディオ生成により、セリフ、環境音、効果音を別の工程で追加するのではなく、映像と一緒に得られるため、ドラフトカットのパイプラインを短縮できます。

api14のOpenAI互換APIを通じて、モデルID「google/veo-3.1」を使って呼び出します。そのため、既存のOpenAI形式のクライアントコードは、ベースURLとモデル名を変更するだけで動作します。サポートされるリクエストパラメータはmax_tokens、response_format、seed、temperature、top_pです。seedはリトライ間で再現可能な生成を行いたい場合に便利で、temperatureとtop_pは実行間のばらつきの度合いを制御できます。response_formatは結果をどのように返してほしいかを宣言するために使用します。

考慮すべき点の1つは、これがチャットや推論モデルではなく生成モデルであることです。コンテキスト長の記載はなく、入力としてオーディオや動画を受け取らず、出力は動画のみであるため、文字起こし、既存映像の動画編集、テキスト分析といったタスクは別のモデルが適しています。動画ではなくテキストやコードを扱う作業であれば、api14の別のモデルの方がより適しています。