Google: Veo 3.1 Lite

Veo 3.1 Lite est le membre Lite de la gamme de génération vidéo Veo 3 de Google. Il synthétise une vidéo avec audio à partir d’une description en langage naturel ou d’une image d’entrée. La sortie est une séquence générée, et non une analyse textuelle d’un enregistrement existant. La fiche Lite du fabricant renvoie à Veo 3 pour l’architecture sous-jacente, les données d’entraînement et les limites connues, tandis que la documentation propre à Lite définit ses fonctions et limites de génération.

L’architecture référencée utilise la diffusion latente sur des représentations audio temporelles et des représentations vidéo spatiotemporelles. Le modèle de base a été entraîné sur des données audio, des vidéos et des images, avec des légendes à différents niveaux de détail et des données d’entraînement filtrées et dédupliquées. Cela explique sa vocation de génération visuelle et audio conjointe. Cela ne révèle pas de nombre de paramètres propre à Lite et n’établit pas que chaque mouvement généré respecte la réalité physique. Pour une scène pratique, décidez ensemble de l’action visible et du son correspondant.

La documentation exacte de Lite indique une limite d’entrée textuelle de 1 024 jetons et une vidéo de sortie. La colonne Lite du guide de génération indique des durées de 4, 6 et 8 secondes, avec le 720p par défaut et le 1080p nécessitant une séquence de 8 secondes. Le ratio paysage 16:9 est celui par défaut et le portrait 9:16 est aussi indiqué; la sortie est documentée à 24 images par seconde. L’audio natif est toujours activé dans ce processus. Ces valeurs appartiennent au processus Lite nommé du producteur, et non à une autre édition Veo ou à une réponse d’application mesurée séparément.

Lite ne prend pas en charge la sortie 4K ni la prolongation vidéo. Le tableau des paramètres indique aussi que la fonction multiréférence referenceImages et l’entrée vidéo pour la prolongation sont indisponibles dans la colonne Lite. Une image initiale peut établir la première image; le tableau indique une image lastFrame avec cette image initiale pour une transition. Gardez ce chemin de contrôle par images distinct du mélange de plusieurs références de style ou de sujet. Les réglages de génération de personnes du producteur sont propres au mode : le tableau Lite indique allow_all pour le texte en vidéo et allow_adult pour l’image en vidéo et l’interpolation, tandis que les règles régionales peuvent restreindre davantage ce profil documenté. Choisissez l’image de départ pour qu’elle corresponde à la première scène réellement voulue, avec le sujet, le cadrage et les détails visibles préparés avant de demander du mouvement.

Pour le texte en vidéo, décrivez le sujet, son action, l’environnement et le style voulu. Ajoutez la position et le mouvement de caméra, le cadrage, la mise au point et la lumière lorsqu’ils comptent. Une scène de produit originale pourrait garder l’objet au centre pendant que la caméra s’approche d’un détail de matière et que la lumière environnante change doucement. Identifiez l’état initial, l’action principale et le moment final pour que la courte séquence développe une idée cohérente. Une longue collection d’actions sans lien est une tâche différente d’un plan ciblé.

Pour l’image en vidéo, fournissez une image initiale claire et expliquez ce qui doit bouger et ce qui doit rester stable. Précisez séparément le mouvement du sujet et tout mouvement de caméra. Si vous utilisez une contrainte de dernière image, préparez une composition finale compatible et décrivez la transition entre elles. Inspectez le résultat au lieu de supposer qu’une identité, une position ou une forme demandée reste identique pendant toute la séquence. La fiche de modèle référencée présente la cohérence complète des scènes complexes et le mouvement complexe comme des défis persistants.

Le guide de prompts prend en charge des indications explicites pour les dialogues, les effets sonores et l’ambiance. Placez les paroles exactes entre guillemets, identifiez la personne qui parle et décrivez les sons en relation avec l’action visible. Un effet sonore et une ambiance de fond ne doivent pas être confondus avec une réplique. L’anglais est documenté comme entièrement pris en charge pour les prompts, tandis que les autres langues n’ont pas été évaluées dans ce guide. Vérifiez les paroles audibles, le rythme et la qualité sonore comme parties du même résultat que la vidéo, au lieu de traiter l’audio comme une transcription garantie fidèle du prompt.

Le processus du producteur est asynchrone : une requête de génération renvoie une opération, et le résultat terminé est obtenu après que son état signale la fin du traitement. Conservez l’identité de l’opération et inspectez la séquence renvoyée. Le guide décrit une conservation de deux jours chez le producteur et le marquage SynthID : un résultat conservé doit donc comprendre le fichier téléchargé, le prompt, les images sources et les réglages choisis. Un seed peut améliorer la répétabilité, mais ne garantit pas le déterminisme. Vérifiez la continuité du sujet, l’action, le cadrage, le son et le point d’arrivée voulu de la scène avant d’utiliser la séquence dans un montage; la fin du traitement seule ne prouve pas que les exigences créatives ont été respectées.