Google: Veo 3.1

Google: Veo 3.1 to model generowania wideo od Google. Jest wymieniony na api14 w kategorii wideo, a data premiery u dostawcy to 2026-03-23. Google opisuje go jako swój najnowocześniejszy model generowania wideo, stworzony dla maksymalnej wierności wizualnej w finalnych wersjach produkcyjnych.

Model przyjmuje dane wejściowe w postaci tekstu i obrazu, a jako jedyne dane wyjściowe generuje wideo. Obsługuje rozdzielczości 720p, 1080p i 4K, proporcje obrazu 16:9 i 9:16 oraz długości klipów 4, 6 lub 8 sekund. Potrafi generować natywne zsynchronizowane audio i przyjmuje obrazy klatek jako first_frame i last_frame, dzięki czemu możesz zakotwiczyć początek i koniec klipu. Dla tego modelu nie podano wartości długości kontekstu, więc traktuj prompt jako brief kreatywny, a nie długi dokument do analizowania.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Tekst na wideo pasuje do krótkich spotów reklamowych, klipów społecznościowych i wizualizacji koncepcji, gdzie opisujesz scenę i otrzymujesz gotowe ujęcie. Obraz na wideo, w połączeniu z first_frame i last_frame, pasuje do pracy nad ciągłością ujęć, animowania nieruchomego obrazu lub łączenia dwóch klatek kluczowych w montażu. Proporcja 9:16 obejmuje formaty pionowe dla kanałów mobilnych, natomiast 16:9 i 4K pasują do dostarczania szerokoekranowego. Natywne generowanie audio oznacza, że dialogi, atmosfera lub efekty mogą pojawić się razem z obrazem, zamiast być dodawane w osobnym przebiegu, co skraca proces dla wersji roboczych.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "google/veo-3.1", więc istniejący kod klienta w stylu OpenAI działa po zmianie bazowego adresu URL i nazwy modelu. Obsługiwane parametry żądania to max_tokens, response_format, seed, temperature i top_p. Seed jest przydatny, gdy chcesz uzyskać powtarzalne generacje przy ponownych próbach, a temperature i top_p dają kontrolę nad tym, ile zmienności otrzymujesz między uruchomieniami. Użyj response_format, aby zadeklarować, jak chcesz otrzymać wynik.

Jedna rzecz, którą warto uwzględnić w planowaniu, to fakt, że jest to model generowania, a nie model czatu ani rozumowania. Nie ma podanej długości kontekstu, nie przyjmuje audio ani wideo jako danych wejściowych, a jego dane wyjściowe to wyłącznie wideo, więc zadania takie jak transkrypcja, edycja istniejącego materiału wideo czy analiza tekstu należą do innego modelu. Jeśli twoja praca dotyczy tekstu lub kodu, a nie ruchomych obrazów, lepiej pasować będzie inny model na api14.