"Veo: нейросеть Google для генерации видео"

Нейросеть Veo делает новое видео. На входе описание или картинка, на выходе файл, которого до запроса не было. Если кадра нет в архиве, его можно попросить собрать. Если кадр уже снят и его надо только подрезать, Veo тут лишний. Разницу генерации и монтажа мы отдельно разобрали в материале про нейросети для видео, а как модель вообще превращает шум в движущийся кадр, объясняет статья о том, как нейросеть делает видео.

Имя в поиске плавает. Люди пишут «veo 3», «veo 3.1», «google veo 3», «нейросеть google veo 3». На сайте DeepMind 1 ноября 2026 крупный заголовок уже Veo 3.1. Veo 3 там остаётся в блоке «что нового»: именно с третьей версии Google говорит про родной звук, физику и более точное следование запросу. Veo 3.1 DeepMind описывает как ведущую модель линейки для тех, кто собирает историю, а не только картинку.

Запрос к модели Google в облачной карточке принимает на английском. Русская фраза в чужом интерфейсе может пройти как есть, но опора документации — английский текст. В чате формулировку можно набрать по-русски: смысл тот же, имена предметов и действия лучше держать конкретными. Как собирать такой запрос без воды, есть в гайде как писать запросы.

Рядом с кнопками на странице DeepMind стоят приложение Gemini и Google Flow. Flow — отдельная мастерская Google для сцен, не второе имя модели. Модель одна, оболочек несколько. Что умеет само приложение, описано в статье что такое Gemini. Ниже про Flow отдельный раздел, потому что запрос «veo 3 flow» в поиске живёт сам по себе.

Облачная карточка veo-3.1-generate-001 обновлена 30 октября 2026. Стадия: общедоступная. Дата выпуска этой сборки: 17 ноября 2025. Поддержку в этой платформе Google готов снять 17 ноября 2026 или позже. Это горизонт платформы, не объявление, что модель уже исчезла.

На вход идут текст и картинка. Звук на вход карточка не принимает. На выход — видео, и звук в этом видео модель строит сама. Умения одной строкой: ролик по тексту, ролик по картинке, ролик по первому и последнему кадру, продление уже сделанного ролика, референс-картинки, генерация звука, метка содержания C2PA.

Длины жёсткие: 4, 6 или 8 секунд. Если в запрос положили референс-картинки, остаётся только 8 секунд. За один запрос можно попросить до 4 роликов. Картинка на вход не тяжелее 20 МБ. Пропорции две: 16:9, широкий кадр, и 9:16, вертикальный. Частота: 24 кадра в секунду. Контейнер: MP4.

Разрешение у обычного варианта: 720p, 1080p и 4K. Страница DeepMind говорит то же про «профессиональный» выход: 1080p для монтажа почище, 4K для фактуры. Это слова Google, не наш замер резкости.

Квота в таблице: 50 запросов в минуту на базовую модель. Регион, который карточка называет прямо: us-central1. Для человека в России это значит одно. Свой облачный проект Google и российский чат — разные двери. Условия входа в проект мы не пересказываем.

Звук внутри кадра

Главный сдвиг третьей версии, как его формулирует DeepMind: эффекты, фон и реплики рождаются вместе с картинкой. Чашка звенит, потому что её поставили. Дождь шумит, потому что он в кадре. Фраза звучит, потому что её вписали в запрос.

Проверять всё равно надо ухом. В блоке ограничений DeepMind прямо пишет: естественная и ровная речь, особенно на коротких кусках, ещё в работе. Синхронизация и бессвязная речь — то, что лаборатория продолжает чинить. Для заставки без слов это почти не мешает. Для ролика, где каждое слово должно совпасть с заказом, звук лучше считать черновиком.

Короткий пример запроса, не инструкция. «Крупный план: керамическая кружка на тёмном столе, в неё наливают чай, пар, один удар ложки о край. Тихий стук и шипение, без речи.» Смотреть надо три вещи. Кружка не меняет форму. Струя попадает в кружку, а не мимо. Звук удара сидит на том же кадре, где ложка касается края.

Второй пример, уже с репликой. «Мужчина за стойкой говорит одну фразу: заказ готов. Шум кафе тихий.» Здесь ломается чаще. Губы могут жить своей жизнью. Тембр скачет. Фраза приезжает обрезанной. Если текст юридически или рекламно точный, эту реплику лучше записать живым голосом и положить сверху. Генерация даёт сцену, не дикторскую дорожку.

Картинка, края кадра и референс

Картинка на входе задаёт предмет, которого словами не поймать: упаковку, лицо макета, тон иллюстрации. DeepMind отдельно показывает два приёма. Первый: отдать модели первый и последний кадр, чтобы она достроила движение между ними. Второй: отдать референсы сцены, персонажа или предмета. У Veo 3.1 эти референсы уже идут со звуком.

На облачной карточке обычного и быстрого вариантов референс-картинки поддержаны. У облегчённого в той же таблице стоит «не поддержаны». И ещё шероховатость, её лучше видеть сразу. У облегчённого в строке модальностей картинка помечена как непринятая, а в списке умений ниже всё же написано «картинка в видео» и «первый и последний кадр». Документ сам себе противоречит. Пока Google не выровняет страницу, на картинку в облегчённом варианте лучше не ставить задачу, где кадр нельзя потерять.

Число референсов облачная карточка 30 октября не называет. Старые пересказы про «до трёх» мы не повторяем. Если интерфейс просит несколько файлов, смотрите его лимит в день работы.

Стык двух готовых картинок полезен, когда продукт должен начать в закрытой коробке и кончить открытой. Середину модель придумает. Проверяют руки, если они есть, геометрию коробки и то, не родился ли лишний предмет. Как готовить исходные картинки до видео, разобрано в гайде про работу с картинками. Соседний разбор картиночной модели полезен, если референс надо сначала нарисовать, а уже потом отдать в ролик.

Продление, если восьми секунд мало

Отдельная страница облака описывает продление. На вход берут ролик от 1 до 30 секунд, файл MP4, 24 кадра в секунду, 720p, 1080p или 4K, пропорции 9:16 или 16:9. Добавка у Veo: 7 секунд за шаг. Потолок длины, который страница называет для Veo: 37 секунд. У Gemini Omni Flash на той же странице потолок 40 секунд. Это другая модель, её в этот обзор не мешаем.

Считаем вслух. Восемь секунд плюс три раза по семь дают 29 секунд. Четвёртая добавка упрётся в потолок 37, а не в ровные 36. Для истории на минуту одного продления мало. Минуту собирают склейкой нескольких кусков, и на стыке лицо, свет и тембр легко разъезжаются. Veo для черновика сцены сильна. Для цельного ролика на полминуты она уже просит монтаж.

Продление держит то, что уже есть в файле, и дописывает хвост. Новый герой в хвосте появляется хуже, чем продолжение того же жеста. Если в первых восьми секундах кружка стоит, в следующих семи она должна стоять там же. Просьба «теперь камера улетает в другой город» на продлении чаще ломает свет, чем строит новую локацию. Новую локацию проще собрать отдельным роликом и склеить.

Файл на входе продления тоже с условиями. Это MP4. Частота ровно 24 кадра в секунду. Разрешение из списка 720p, 1080p или 4K. Пропорция 9:16 или 16:9. Длина от 1 до 30 секунд. Ролик с другой частотой или с чёрными полями страница под эти правила не подписывает. Перед продлением имеет смысл привести файл к этому виду, а не надеяться, что модель угадает.

Подписи на схеме ниже повторяют ту же таблицу, без чужих цифр.

Источник: карточка Veo 3.1, Google Cloud, обновление 30 октября 2026

Линейка в одной карточке, и путать имена легко. Обычный veo-3.1-generate-001 — единственный, у кого в выходе прямо указан 4K. Быстрый veo-3.1-fast-generate-001 вышел в тот же день, 17 ноября 2025, тоже общедоступный, но список разрешений короче: 720p и 1080p. Референсы, края кадра, продление и звук у него на месте.

Облегчённый veo-3.1-lite-generate-001 моложе. Стадия предварительная, дата выпуска 2 апреля 2026. Разрешение как у быстрого, 4K нет. Референс-картинки страница запрещает. Звук и продление оставляет. Язык запроса помечен как предварительная возможность, и это всё ещё английский.

Практическое правило без цен. Нужна фактура для большого экрана: обычный вариант и 4K, если кнопка его реально отдаёт. Нужно понять, жива ли сцена: хватит 720p или 1080p, быстрый или облегчённый. Нужно удержать конкретный предмет по приложенным картинкам: облегчённый по этой таблице не берём.

В чате имена короче, чем коды облака. Ориентир на 1 ноября 2026: Veo 3.1, Veo 3.1 Lite, Veo 3.1 Fast HD и Veo 3.1 Fast 1080p. Точное соответствие кнопки и облачного кода интерфейс каждый день может подписать по-своему. Смотрите подпись разрешения рядом с кнопкой, а не только слово Fast.

На странице DeepMind рядом с «открыть в Gemini» стоит «открыть в Google Flow». Адрес, который висит на кнопке: лаборатория Google, путь flow. Flow — место, где из кадров собирают сцену: референсы, стиль, склейка. Veo внутри него работает двигателем картинки и звука. Отдельной нейросети там нет.

Путать их вредно. Человек ищет «veo 3 flow», попадает в статью про модель и не понимает, почему у знакомого другой экран. Экран другой, модель та же семейка. Что именно Flow показывает в ноябре 2026, страница DeepMind не расписывает: ни длину проекта, ни набор кнопок. Этих чисел в тексте нет.

Если нужен другой взгляд на ту же задачу, посмотрите разбор Kling: это соседняя видеомодель, и сравнивать удобно по тем же пунктам, что ниже. Для короткой проверки идеи хватает одного ролика в чате. Flow имеет смысл, когда кусков уже несколько и их надо держать в одной раскадровке. Мы этот интерфейс по шагам не учим. Это была бы инструкция, а здесь обзор.

Слабое место номер один Google описал сам. Короткая речь звучит неровно, синхронизация губ плавает, фраза может рассыпаться. Если ролик держится на точной реплике, готовьте запасной звук.

Второе. Длина. Восемь секунд, потом шаги по семь, потолок 37 секунд на облачной странице продления. История с тремя локациями в один запрос не влезет. Её режут на сцены заранее.

Третье. Лицо живого человека. Карточка умеет референс, но не обещает паспортное сходство. Для маскота и предмета это терпимо. Для портрета заказчика, где родственник должен узнать человека, генерация часто промахивается: возраст плывёт, серьга переезжает, родинка пропадает. Такой кадр либо снимают, либо долго перебирают дубли и всё равно сверяют с фото.

Четвёртое. Текст внутри кадра. Вывески, этикетки, цифры на табло модель любит коверкать. Если в ролике должна читаться надпись, её ставят монтажом поверх, а в запросе просят пустую поверхность.

Пятое. Замер качества. В блоке Performance DeepMind пишет, что на наборе MovieGenBench от Meta участники посмотрели 1003 запроса и ролика, и по общей предпочтительности Veo 3.1 оказалась лучшей. Пометка на блоке: октябрь 2025. Это тест самого разработчика, не независимая таблица этого ноября. Цифру «1003» мы оставляем как факт их страницы и не превращаем в «первое место навсегда».

Шестое. Метка. DeepMind говорит, что ролики Veo помечают технологией SynthID, плюс идут проверки на безопасность и на заученный чужой материал. Облачная карточка отдельно ставит метку C2PA. Для честного ролика это плюс. Для задачи «сделай как живая скрытая съёмка без следа» модель вам не союзник, и так и задумано.

Седьмое. Физика бытовых мелочей. Чай, ткань, стекло DeepMind показывает в примерах охотно. На длинном движении всё равно смотрите стык: предмет не должен менять число ног, ручек и колёс по дороге. Один дубль из четырёх часто честнее остальных. Карточка как раз разрешает до четырёх роликов на запрос. Имеет смысл смотреть серию, а не первый файл.

Список короче, чем кажется. Его хватает на любой дубль, и в чате, и в Flow.

1. Длина совпала с тем, что просили: 4, 6 или 8 секунд, а не обрывок.
2. Пропорция та, что нужна площадке. Вертикаль 9:16 не станет широкой сама.
3. Главный предмет не переродился в середине. Упаковка, логотип-форма, цвет кружки.
4. Движение читается с выключенным звуком. Если без звука сцена мертва, звук её не спасёт.
5. Звук сидит на событии. Удар, всплеск, шаг. Речь, если она была в запросе, слышна целиком и не меняет слова на соседние.
6. В кадре нет лишних пальцев, второй чашки, чужой надписи.
7. На стыке продления свет и лицо не прыгают.

Типичная ошибка запроса: сразу три действия, два персонажа и точный диалог на восемь секунд. Модель выберет что-то одно и остальное смажет. Одна сцена, один жест, один звук. Второй жест — второй кусок.

Типичная ошибка ожидания: попросить «как в кино на две минуты» и расстроиться из-за восьми секунд. Документ с самого начала говорит другую длину. Это не сбой кнопки.

Ещё одна ошибка: судить 4K по ролику, который просили в 720p. Резкость сравнивают на том разрешении, которое указано в файле. DeepMind сам делит 1080p и 4K по задаче, не по красоте слов.

Отдельно смотрят звук с закрытыми глазами. Если при выключенной картинке не понять, что произошло, дорожка случайная. Хороший дубль узнаётся и так: налив, удар, шаг, одна короткая фраза. Плохой дубль шуршит «вообще про кафе», без привязки к жесту.

И смотрят первый кадр и последний, если просили переход. Начало должно совпасть с отданной картинкой, конец с финальной. Середина имеет право быть выдумкой, края нет. Если первый кадр уже другой предмет, запрос не попал в режим краёв, и дубль лучше переснять, а не чинить цветом.

Для предметной сцены полезен чек на количество. Одна кружка в запросе должна остаться одной. Две ручки, вторая ложка, лишняя струя — повод брать следующий дубль из тех четырёх, что карточка разрешает за запрос. Серия здесь честнее одиночного файла: модель не обязана угадать с первого раза, и документ это учитывает.

Текст на одежде и на экране телефона в кадре почти всегда врёт. Проще описать одежду цветом и кроем, без надписи на груди. Телефон пусть лежит экраном вниз. Надпись, которая должна читаться, ставят потом, обычным монтажным слоем.

Камера в запросе тоже влияет сильнее, чем прилагательные «красиво» и «кинематографично». DeepMind в своих примерах пишет конкретное движение: наезд, проход, рука с воком, крупный план лука на сковороде. Мы эти ролики не пересказываем целиком. Берём приём. Одно движение камеры на клип. Второе движение оставьте следующему куску. Иначе восьми секунд не хватит, и оба жеста выйдут смазанными.

Если сцена для вертикальной ленты, пропорцию назовите сразу. Широкий кадр, обрезанный по бокам уже после, теряет предмет: он стоял в трети, которую срезали. 9:16 просят в момент генерации. То же с 16:9 для вставки в горизонтальный ролик. Потом кадр не «дорисуется» полями сам.

Время суток и источник света лучше назвать один раз. «Ночная кухня, одна лампа слева» держит тень. «Красивый свет» оставляет модели выбор, и от дубля к дублю лампа прыгает. Для склейки двух кусков это больнее, чем слабая деталь на кружке. Совпадающий свет склеивается. Разный свет выглядит как два ролика, даже если кружка та же.

Нужна, если вы собираете заставку, фон, предметный микросюжет, визуальный черновик до съёмки. Креатору, который проверяет идею ролика для ленты, восьми секунд часто хватает: крючок в первые две, действие, звук, конец. Студенту, которому нужен фрагмент для презентации, а не фильм, тоже.

Нужна, если локации нет. Кафе, которого не существует, туман над полем, макросъёмка механизма. Здесь генерация честнее, чем поиск чужого стока. Чужой ролик всё равно пришлось бы лицензировать. Свой запрос вы хотя бы контролируете.

Не нужна, если в кадре должен быть конкретный человек с узнаваемым голосом и договором на изображение. Съёмка короче по числу сюрпризов. Не нужна, если ролик длинный и речь несёт смысл: инструкция, отзыв, лекция. Нарезка из восьмисекундных кусков с плывущими губами выглядит дешевле, чем плохой микрофон и нормальное лицо.

Не нужна как замена монтажа. Склейка, титры, музыка под готовый темп, цвет уже снятого — это другая работа. Veo не видит ваш архив, пока вы сами не положите кадр на вход.

Для картинки без движения рядом есть отдельные модели. Если задача «нарисовать кадр», видеомодель только удлинит ожидание. Если задача «оживить уже нарисованное», тогда сначала кадр, потом Veo с этой картинкой на входе. Порядок экономит дубли.

Российский быт в запросе модель понимает не хуже другого, если предметы названы прямо. Самолёт, электричка, подъезд, стеклянная банка, зимнее пальто. Абстрактное «уют» она дорисует чужой гостиной. Конкретная банка и одна лампа дают кадр, который можно показать заказчику как черновик, а не как открытку.

Юридическая сторона чужого лица и чужого трека здесь не консультация. Метка SynthID и проверка на заученный материал снижают риск, но не заменяют согласие человека в кадре и права на музыку, если вы кладёте свою дорожку сверху. Для учебного черновика это обычно терпимо. Для рекламы с реальным человеком съёмка спокойнее.

И последнее про ожидание по времени. Облачная карточка не обещает секунду на ролик. Генерация видео заметно дольше ответа в переписке. Короткий запрос и один дубль проверяют идею быстрее, чем серия из четырёх в 4K «на всякий случай». Разрешение поднимают, когда сцена уже нравится в 720p или 1080p. Так устроен обычный вариант: 4K в списке есть, но он не обязателен для проверки мысли.

Проверка каталога чата: 1 ноября 2026. Видеорежим в чате GPThub открывает линейку Veo. Публичной страницы модели в каталоге нет, поэтому ведём в чат, не в карточку.

Перед серией дублей выпишите сцену в одно предложение. Если предложение не помещается в восемь секунд, режьте его сами, не ждите этого от модели. Звук опишите отдельно от картинки: один конкретный шорох лучше, чем «атмосфера».

Чужие цены и «где бесплатно» мы не копируем. У Google свои экраны, Gemini и Flow, и условия там меняются без нашей таблицы. В статье их нет специально.