Veo 3.1 AI動画生成

Veo 3.1は、Google DeepMindが2025年10月にリリースした動画モデルです。テキスト、画像、参照画像から、横長（16:9）または縦型（9:16）で4秒、6秒、8秒のクリップを作り、セリフ、効果音、環境音も映像と一緒に生成します。Veo 3.1、Veo 3.1 Fast、Veo 3.1 Liteの3つのグレードがあり、3つともDreamBenchで使えます。

方法は2つです。「動画」ページでは、Veo 3.1、Fast、Liteのいずれかを選び、プロンプトを貼り付け、16:9か9:16、長さ、解像度を選ぶと、DreamBenchがプロンプトを書いたとおりモデルに送ってクリップを1本作ります。Film Studioでは、代わりに動画全体を説明します。DreamBenchがシーン構成を書き、Veo 3.1ですべてのシーンを作ってつなげ、どのシーンもほかを残したまま作り直せます。

Veo 3.1の料金はクレジットで、動画1秒ごとの単価に、動画1本あたりの基本料金を加えたものです。単価はグレードと解像度によって決まり、Liteの720pがもっとも低く、フルモデルの4Kがもっとも高く、サウンドは常に含まれます。クレジットは有料のサブスクリプションに含まれ、GoogleのアカウントやAPIキーは不要です。現在の単価はこのページの表のとおりで、生成する前には必ず正確な料金が表示されます。

いずれもGoogleのVeo 3.1ファミリーに属する3つのグレードで、3つとも16:9または9:16でサウンド付きの動画を作れます。Googleはフルモデルを本番制作向けに、Fastを広告やすばやい検証向けに、Liteを大量制作向けに作りました。DreamBenchでは、フルモデルは1080pと4Kで作り、設定シートを受け取ります（720pはFastで動きます）。FastとLiteは720pと1080pで作り、DreamBenchがシーンごとに作る開始フレームを動かします。

Googleによると、Veo 3.1はVeo 3をベースに、より豊かなサウンド、よりリアルな質感、プロンプトへのより忠実な追従を実現し、画像から始めたときの結果も向上しています。キャラクター、物、場所の参照画像も使え、Googleはこれを「ingredients（素材）」と呼んでいます。また2026年1月からは、4Kとより鮮明な1080pに対応しています。Veo 3.1ではFastとLiteのグレードも加わりました。DreamBenchが動かしているのはVeo 3.1で、Veo 3ではありません。

Veo 3.1のクリップ1本は、3つのグレードすべてで4秒、6秒、8秒のいずれかです。DreamBenchの「動画」ページでは、そのクリップ1本が動画全体になります。Film Studioでは、動画は複数のクリップでできています。DreamBenchがシーンを構成し、それぞれをVeo 3.1で作ってつなげ、Starterで最大30秒、Plusで2分、UltraとStudioで5分です。Google自身のツールでは、クリップを延長することもできます。

Veo 3.1は720p、1080p、4Kを作れます。DreamBenchでは、720pはVeo 3.1 Fastで、1080pと4Kはフルモデルで動き、4Kを作れるのはフルモデルだけです。FastとLiteは720pと1080pを作れます。Googleによると、2026年1月に追加された4Kとより鮮明な1080pは高画質化の技術を用いて出力されるので、4Kはそのサイズまで高画質化した映像です。試作には720p、最終版には1080pか4Kを選んでください。

2種類です。横長の16:9と縦型の9:16で、3つのグレードすべてに対応しています。16:9はYouTube、予告編、プレゼンテーションに向き、9:16はTikTok、リール、YouTubeショート向けのフォーマットです。Veo 3.1は正方形やシネマサイズの横長フレームを作れないので、それらにはDreamBenchで別のモデルを選んでください。比率は作成画面で選ぶか、プロンプトの冒頭に「Vertical 9:16（縦型9:16）」または「Widescreen（横長）」と書けば、DreamBenchが設定します。

はい、常に生成します。3つのグレードすべてで、Veo 3.1のどのクリップも、セリフ、効果音、環境音といったサウンド付きで生成され、オフにはできません。見えるべきものだけでなく聞こえるべきものも、映像の描写のあとに別の文で書いてください。Googleによると、自然で一貫した話し声、特に短いセリフはまだ改善の途中なので、各セリフにはショットの中で十分な時間を与えてください。

セリフはそれぞれ名前のある話し手に割り当て、言葉を引用符で囲みます。例：駅員が呼びかける。「急いだほうがいいよ。」2人が話すなら、セリフを順番に、それぞれ話し手を添えて書きます。セリフは1秒に約2語のペースでクリップ内に言い切れる短さにし、8秒のショットなら12〜14語以内にしてください。セリフが途中で切れたり言い間違えられたりしたら、短くして再生成してください。

Googleによると、英語のプロンプトは正式にサポートされており、ほかの言語は評価していないものの、動作する場合はあるとのことです。もっとも確実な結果を得るには、プロンプトは英語で書いてください。キャラクターに別の言語を話させたい場合は、そう指定してセリフをその言語で書きます。ただし、話し方の確実性は下がります。DreamBench自身のページと作成画面は6言語に対応していますが、モデルの言語理解はGoogleによるものです。

Googleの順番で1ショットを描写します。ショットとカメラの動き、被写体、動作、場所、そして光とスタイル。次に、サウンドを独立した文で書きます。話し手を明記した引用符付きのセリフ、効果音、環境音です。平易で具体的な言葉を使い、1クリップの主な動作は1つにして、望まないものではなく望むものを書きます。たとえば「人がいない」ではなく「誰もいない通り」のようにです。

はい。GoogleのVeo 3.1は、渡した画像を最初のフレームにして動かします。DreamBenchでは、Film Studioで写真を参照画像としてアップロードしてください。Veo 3.1では設定シートとして各シーンを方向づけるので、人物、ペット、商品がシーンに登場します。FastとLiteでは、DreamBenchがその写真から開始フレームを作り、モデルがそれを動かします。「動画」ページはテキストだけで動きます。

Googleでは、Veo 3.1に人物、キャラクター、商品の参照画像を最大3枚渡して、その見た目をクリップの中で保てます。Googleはこの機能を「Ingredients to Video」と呼んでいます。DreamBenchでは、映像に最大8枚の参照画像を追加してそれぞれにタグを付けます。DreamBenchは各画像から設定シートを作り、Veo 3.1は各シーンでそのうち最大3枚を受け取ります。Googleは参照画像を8秒のクリップでしか受け付けないため、それらのシーンは8秒になります。

Googleのツールでは対応しています。Google自身のツールとAPIでは、Veo 3.1とそのFast・Liteの各グレードで、ある画像から始まり別の画像で終わるクリップを作れ、その間の動きはプロンプトから生成されます。DreamBenchの作成画面には終了フレームのスロットがありません。DreamBenchでは、FastとLiteは各シーンを参照画像から作ったフレームで始め、シーンの終わり方はそのプロンプトに書きます。

Googleは、Veoで作った動画にSynthIDを入れています。SynthIDは映像に埋め込まれた目に見えない電子透かしで、AI生成であることを識別でき、Googleはその有無を確認する方法も提供しています。目には見えず、動画の見た目も変わりません。DreamBenchでは、Starterの動画には目に見える小さなDreamBenchのウォーターマークも入り、Plus、Ultra、Studioでは入りません。

はい。DreamBenchの利用規約では、Veo 3.1で作ったものを、広告、商品動画、SNS投稿、クライアントワークを含め、個人でも商用でも利用できます。アップロードするもの（人物の写真、商品、ロゴなど）については権利が必要で、生成した動画はあなただけのものにならない場合や、著作権で保護されない場合があります。Starterの動画にはDreamBenchのウォーターマークが入り、Plus以上では入りません。

たいていは、クリップにやることが多すぎます。Veo 3.1は最大8秒なので、各クリップの主な動作は1つ、カメラの動きは1つ、セリフは短くしてください。誰が何をどこでするかを平易な言葉で書き、望まないものではなく望むものを描写します。それでもFilm Studioのシーンがうまくいかなければ、そのシーンに新しい指示か参照画像を渡して、そのシーンだけを再生成してください。ほかのシーンはそのまま残ります。

各キャラクターの参照画像をDreamBenchに渡してキャラクターのタグを付け、プロンプトでは@とラベルで呼び出します。DreamBenchは各画像から設定シートを作り、そのキャラクターが登場するすべてのシーンで使い回します。Veo 3.1では参照として、FastとLiteでは開始フレームの中で使います。指示文全体を通して、各キャラクターの描写は服装まで同じにしてください。

向いている仕事が違います。Veo 3.1は16:9または9:16で最大8秒のクリップを常にサウンド付きで作り、4Kにも対応します。Kling 3.0は最大15秒のテイクを作り、サウンドのオン・オフを選べ、5言語のリップシンクしたセリフに対応します。Seedance 2.5は1テイクで最大30秒まで作れ、サウンドのオン・オフを選べます。Kling 3.0とSeedance 2.5は、より多くのアスペクト比にも対応しています。それぞれの仕様は比較表に載っています。

Veo 3.1はPlus、Ultra、Studioで利用可能、Veo 3.1 Fast、Veo 3.1 Liteはすべてのプランで利用可能です。動画の長さはプランによって異なり、最大30秒（Starter）、2分（Plus）、5分（Ultra、Studio）です。

はい。このページの映像はすべて、Veo 3.1で作られた公開中のDreamBenchテンプレートで、作成に使われたプロンプトと一緒に掲載しています。ほかのモデルで作った映像や静止画は、このページには掲載していません。