Google: Veo 3.1 Lite

Veo 3.1 Lite es el miembro Lite de Google dentro de la línea de generación de vídeo Veo 3. Sintetiza un vídeo con audio a partir de una descripción en lenguaje natural o una imagen de entrada. El resultado es un clip generado, no un análisis textual de una grabación existente. La ficha 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 vídeo. El modelo base se entrenó con audio, vídeo e imágenes, con descripciones de distinto nivel de detalle y material de entrenamiento filtrado y deduplicado. Esto explica su finalidad de generación conjunta de imagen y audio. No revela un número de parámetros específico de Lite ni demuestra que cada movimiento generado respete la realidad física. Para una escena práctica, decide conjuntamente la acción visible y el sonido correspondiente.

La documentación exacta de Lite establece un límite de entrada textual de 1024 tokens y un vídeo de salida. La columna Lite de la guía de generación enumera duraciones de 4, 6 y 8 segundos, con 720p como valor predeterminado y 1080p disponible solo para clips de 8 segundos. La relación de aspecto horizontal 16:9 es la predeterminada y también se enumera la vertical 9:16; la salida se documenta a 24 fotogramas por segundo. El audio nativo está siempre activado en ese flujo. Estos valores pertenecen al flujo denominado Lite del productor, no a otra edición de Veo ni a una respuesta de aplicación medida por separado.

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

Para texto a vídeo, describe el sujeto, su acción, el entorno y el estilo previsto. Añade la posición y el movimiento de cámara, el encuadre, el enfoque y la 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 circundante cambia suavemente. Identifica el estado inicial, la acción principal y el momento final para que el clip breve resuelva una idea coherente. Una larga colección de acciones inconexas es una tarea distinta de un plano centrado en una sola acción.

Para imagen a vídeo, 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. Inspecciona el resultado en lugar de suponer que una identidad, posición o forma solicitadas se mantienen idénticas durante todo el clip. La ficha referenciada identifica la coherencia completa en escenas complejas y el movimiento complejo como dificultades aún presentes.

La guía de prompts admite indicaciones explícitas para diálogo, efectos de sonido y ambiente. Pon el discurso exacto entre comillas, identifica al hablante y describe los sonidos en relación con la acción visible. Un efecto sonoro y el ambiente de fondo no deben confundirse con una frase hablada. El inglés está documentado como plenamente compatible para los prompts, mientras que otros idiomas no se han evaluado en esa guía. Revisa las palabras audibles, la sincronización y la calidad del sonido como parte del mismo recurso que el vídeo, en lugar de tratar el audio como una transcripción fiel garantizada del prompt.

El flujo del productor es asíncrono: una solicitud de generación devuelve una operación y el resultado terminado se obtiene cuando su estado informa de la finalización. Conserva la identidad de la operación e inspecciona el clip devuelto. La guía describe una retención de dos días por parte del productor y marcado SynthID, por lo que un recurso conservado debe incluir el resultado descargado, el prompt, las imágenes de origen y los ajustes seleccionados. Una semilla puede mejorar la repetibilidad, pero no garantiza el determinismo. Comprueba la continuidad del sujeto, la acción, el encuadre, el sonido y el final previsto de la escena antes de utilizar el clip en una edición; la finalización del procesamiento por sí sola no demuestra que se cumplan los requisitos creativos.