Google: Veo 3.1 Lite

Veo 3.1 Lite ist Googles Lite-Mitglied der Videogenerierungslinie Veo 3. Es synthetisiert ein Video mit Audio aus einer natürlichsprachlichen Beschreibung oder einem Eingabebild. Die Ausgabe ist ein generierter Clip und keine Textanalyse einer bestehenden Aufnahme. Die Lite-Modellkarte des Herstellers verweist für zugrunde liegende Architektur, Trainingsmaterial und bekannte Grenzen auf Veo 3, während die Lite-spezifische Dokumentation eigene Generierungsfunktionen und Grenzen definiert.

Die referenzierte Architektur nutzt latente Diffusion über zeitlichen Audiorepräsentationen und räumlich-zeitlichen Videorepräsentationen. Das Basismodell wurde mit Audio, Video und Bildern trainiert, mit Beschriftungen unterschiedlicher Detailtiefe sowie gefiltertem und dedupliziertem Trainingsmaterial. Dies erklärt den Zweck der gemeinsamen Bild- und Audiogenerierung. Es legt weder eine Lite-spezifische Parameterzahl offen noch belegt es, dass jede erzeugte Bewegung physikalischer Realität folgt. Bestimmen Sie für eine praktische Szene sichtbare Handlung und zugehörigen Ton gemeinsam.

Die konkrete Lite-Dokumentation nennt eine Texteingabegrenze von 1.024 Tokens und ein Ausgabevideo. Die Lite-Spalte im Generierungsleitfaden führt 4, 6 und 8 Sekunden Dauer auf, mit 720p als Standard; 1080p erfordert einen achtsekündigen Clip. Querformat 16:9 ist das Standardseitenverhältnis, Hochformat 9:16 ist ebenfalls aufgeführt; die Ausgabe ist mit 24 Bildern pro Sekunde dokumentiert. Natives Audio ist in diesem Ablauf immer aktiv. Diese Werte gehören zum benannten Lite-Ablauf des Anbieters, nicht zu einer anderen Veo-Ausgabe oder einer separat gemessenen Anwendungsantwort.

Lite unterstützt weder 4K-Ausgabe noch Videoverlängerung. Die Parametertabelle kennzeichnet außerdem die Mehrfachreferenzfunktion referenceImages und eine Videoeingabe zur Verlängerung in der Lite-Spalte als nicht verfügbar. Ein Anfangsbild kann das Startbild festlegen; die Tabelle führt ein lastFrame-Bild zusammen mit diesem Anfangsbild für einen Übergang auf. Halten Sie diesen Weg der Bildsteuerung von der Mischung mehrerer Stil- oder Motivreferenzen getrennt. Die Einstellungen des Anbieters zur Personengenerierung sind modusspezifisch: Die Lite-Tabelle nennt allow_all für Text-to-Video und allow_adult für Image-to-Video und Interpolation; regionale Regeln können dieses dokumentierte Profil zusätzlich einschränken. Wählen Sie das Startbild passend zur tatsächlich gewünschten ersten Szene und bereiten Sie Motiv, Bildausschnitt und sichtbare Details vor, bevor Sie Bewegung anfordern.

Beschreiben Sie für Text-to-Video Motiv, Handlung, Umgebung und gewünschten Stil. Ergänzen Sie bei Bedarf Kameraposition und -bewegung, Bildausschnitt, Fokus und Licht. Eine eigenständige Produktszene könnte das Objekt mittig halten, während sich die Kamera einem Materialdetail nähert und sich das umgebende Licht sanft verändert. Benennen Sie Ausgangszustand, Haupthandlung und Schlussmoment, damit der kurze Clip eine zusammenhängende Idee abschließt. Eine lange Sammlung unverbundener Handlungen ist eine andere Aufgabe als eine fokussierte Einstellung.

Stellen Sie für Image-to-Video ein klares Anfangsbild bereit und erläutern Sie, was sich bewegen und was stabil bleiben soll. Geben Sie Motivbewegung und Kamerabewegung getrennt an. Bereiten Sie bei einer Endbildvorgabe eine passende Schlusskomposition vor und beschreiben Sie den Übergang dazwischen. Prüfen Sie das Ergebnis, statt anzunehmen, dass eine angeforderte Identität, Position oder Form über den gesamten Clip identisch bleibt. Die referenzierte Modellkarte nennt vollständige Konsistenz in komplexen Szenen und komplexe Bewegung als fortbestehende Herausforderungen.

Der Prompt-Leitfaden unterstützt ausdrückliche Hinweise für Dialog, Klangeffekte und Atmosphäre. Setzen Sie den genauen gesprochenen Wortlaut in Anführungszeichen, benennen Sie die sprechende Person und beschreiben Sie Geräusche in Bezug zur sichtbaren Handlung. Ein Klangeffekt und Hintergrundatmosphäre dürfen nicht mit einem gesprochenen Satz verwechselt werden. Englisch ist für Prompts als vollständig unterstützt dokumentiert; andere Sprachen wurden in diesem Leitfaden nicht evaluiert. Prüfen Sie hörbare Wörter, Timing und Klangqualität als Teil desselben Artefakts wie das Video, statt Audio als garantiert wortgetreue Wiedergabe des Prompts zu behandeln.

Der Anbieterablauf ist asynchron: Eine Generierungsanfrage gibt eine Operation zurück, und das fertige Ergebnis wird abgerufen, sobald der Status den Abschluss meldet. Bewahren Sie die Operationskennung auf und prüfen Sie den zurückgegebenen Clip. Der Leitfaden beschreibt eine zweitägige Aufbewahrung beim Anbieter und SynthID-Kennzeichnung. Ein aufbewahrtes Artefakt sollte daher heruntergeladenes Ergebnis, Prompt, Quellbilder und gewählte Einstellungen enthalten. Ein Seed kann die Wiederholbarkeit verbessern, garantiert aber keine Deterministik. Prüfen Sie Motivkontinuität, Handlung, Bildausschnitt, Ton und den beabsichtigten Szenenendpunkt, bevor Sie den Clip in einem Schnitt verwenden. Der Verarbeitungsabschluss allein belegt nicht, dass die kreativen Anforderungen erfüllt wurden.