Google: Veo 3.1 Lite

Veo 3.1 Lite es el integrante Lite de Google en la línea de generación de video Veo 3. Sintetiza un video con audio a partir de una descripción en lenguaje natural o una imagen de entrada. La salida es un clip generado, no un análisis textual de una grabación existente. La ficha del modelo Lite del fabricante remite a Veo 3 para la arquitectura subyacente, el material de entrenamiento y las limitaciones conocidas, mientras que la documentación específica de Lite define sus propias funciones y límites de generación.

La arquitectura referenciada utiliza difusión latente sobre representaciones temporales de audio y representaciones espaciotemporales de video. El modelo base se entrenó con audio, video e imágenes, con descripciones de distintos niveles de detalle, y con material de entrenamiento filtrado y deduplicado. Esto explica el objetivo de generar imagen y audio de manera conjunta. No revela una cantidad de parámetros específica de Lite ni establece que cada movimiento generado siga la realidad física. Para una escena práctica, decide juntos la acción visible y el sonido correspondiente.

La documentación exacta de Lite establece un límite de entrada de texto de 1,024 tokens y un video de salida. La columna Lite de la guía de generación incluye duraciones de 4, 6 y 8 segundos, con 720p como valor predeterminado y 1080p sujeto a un clip de 8 segundos. La relación de aspecto horizontal 16:9 es la predeterminada y también se incluye la vertical 9:16; la salida está documentada a 24 fotogramas por segundo. El audio nativo está siempre activado en ese flujo. Estos valores pertenecen al flujo Lite nombrado por el fabricante, no a otra edición de Veo ni a una respuesta de aplicación medida por separado.

Lite no admite salida 4K ni extensión de video. La tabla de parámetros también marca la función multirreferencia referenceImages y una entrada de video para extensión como no disponibles en la columna Lite. Una imagen inicial puede establecer el primer fotograma; la tabla incluye una imagen lastFrame junto con esa imagen inicial para una transición. Mantén esta vía de control de fotogramas separada de la combinación de varias referencias de estilo o sujeto. La configuración de generación de personas del fabricante depende del modo: la tabla Lite incluye allow_all para texto a video y allow_adult para imagen a video e interpolación, mientras que las reglas regionales pueden restringir aún más ese perfil documentado. Elige la imagen inicial para que coincida con la primera escena que realmente quieres, con sujeto, encuadre y detalles visibles preparados antes de pedir movimiento.

Para texto a video, describe sujeto, acción, entorno y estilo previsto. Añade posición y movimiento de cámara, encuadre, enfoque y luz cuando sean relevantes. Una escena original de producto podría mantener el objeto centrado mientras la cámara se acerca a un detalle del material y la luz del entorno cambia suavemente. Identifica el estado inicial, la acción principal y el momento final para que el clip corto resuelva una idea coherente. Una lista larga de acciones sin relación es una tarea distinta de una toma enfocada.

Para imagen a video, proporciona un fotograma inicial claro y explica qué debe moverse y qué debe permanecer estable. Especifica por separado el movimiento del sujeto y cualquier movimiento de cámara. Si utilizas una restricción de fotograma final, prepara una composición final compatible y describe la transición entre ambas. Revisa el resultado en lugar de asumir que una identidad, posición o forma solicitada permanece idéntica durante todo el clip. La ficha del modelo referenciada identifica la consistencia completa en escenas complejas y el movimiento complejo como un desafío vigente.

La guía de prompts admite indicaciones explícitas de diálogo, efectos de sonido y ambiente. Escribe las palabras exactas entre comillas, identifica a quien habla y describe los sonidos en relación con la acción visible. Un efecto de sonido y la atmósfera de fondo no deben confundirse con una línea hablada. El inglés está documentado como totalmente compatible para los prompts, mientras que otros idiomas no han sido evaluados en esa guía. Revisa las palabras audibles, el tiempo y la calidad del sonido como parte del mismo recurso que el video, en lugar de tratar el audio como una transcripción fiel garantizada del prompt.

El flujo del fabricante es asíncrono: una solicitud de generación devuelve una operación y el resultado terminado se obtiene cuando su estado informa que finalizó. Conserva la identidad de la operación y revisa el clip devuelto. La guía describe una retención de dos días del lado del fabricante y marcado SynthID, así que un recurso conservado debe incluir el resultado descargado, el prompt, las imágenes de origen y la configuración seleccionada. Una semilla puede mejorar la repetibilidad, pero no garantiza determinismo. Revisa la continuidad del sujeto, la acción, el encuadre, el sonido y el punto final previsto de la escena antes de usar el clip en una edición; la finalización del procesamiento por sí sola no prueba que se cumplieron los requisitos creativos.