KI-Video · Google DeepMind

Veo 3.1: Filmreife KI-Videos, die sprechen, sich bewegen und in ihrer Rolle bleiben

KI fragen ▾

Veo 3.1 ist das Videomodell von Google DeepMind, das aus einem Satz oder ein paar Fotos einen kurzen, filmischen Clip mit eigenem Soundtrack macht: Dialoge, Soundeffekte und Hintergrundatmosphäre entstehen zusammen mit dem Bild. Mitte Oktober 2025 zusammen mit einem verbesserten Flow-Editor veröffentlicht, gab es Creators drei neue Möglichkeiten, eine Einstellung zu steuern: Referenzbilder, die eine Figur oder ein Produkt konsistent halten, ein erstes und letztes Bild, die festlegen, wo ein Clip beginnt und endet, und Extend für Geschichten, die länger als eine Einstellung sind. Dieser Leitfaden zeigt, wofür sich jede Funktion eignet, wo sie sich durchsetzt, und liefert Prompt-Vorlagen, die du sofort kopieren kannst.

  • Native Dialoge und Sound
  • Bis zu 3 Referenzbilder
  • Erstes und letztes Bild
Verwandle dein Foto in ein Video →

Ton, Story und Kontrolle: Warum Creators über dieses Modell sprechen

Die meisten KI-Videotools liefern einen stummen Clip und überlassen dir den Ton. Veo 3.1 erzeugt Bild und Soundtrack in einem Durchgang, sodass eine Figur einen Satz mit passenden Lippenbewegungen sprechen kann, während darunter Regen, Verkehr oder Musik läuft. Genau diese eine Änderung ist der Grund, warum Kurzdrama-Macher, Werbetreibende und Meme-Accounts es so schnell übernommen haben: Ein fertig wirkender Acht-Sekunden-Moment entsteht aus einem einzigen Prompt.

Google veröffentlichte das Modell im Oktober 2025 und stellte es in der Gemini-App, in Flow (Googles Filmtool) und für Entwickler über die Gemini API und Vertex AI bereit. Jede Generierung erzeugt einen Clip von bis zu acht Sekunden in 720p oder 1080p; spätere Updates brachten native vertikale 9:16-Ausgabe für Smartphone-Formate und 4K für die große Leinwand. Es ist ein geschlossenes Modell: Es gibt keine herunterladbaren Gewichte, und die Ausgaben tragen Googles unsichtbares SynthID-Wasserzeichen.

Von Veo 3 zu Veo 3.1: Die Verbesserungen, die du bemerken wirst

Veo 3 machte 2025 Schlagzeilen als erstes weit verbreitetes Modell, das sprechende Videos mit passendem Ton erzeugt. Das Update auf 3.1 behält diese Stärke bei und setzt auf Kontrolle: Berichte zum Start hoben eine bessere Prompt-Treue und Bildqualität beim Start von einem Bild hervor, reichhaltigeren Ton und neue Bearbeitungswerkzeuge in Flow. Google behielt zum Start außerdem dieselben Preise wie bei Veo 3 bei.

Veo 3Version 3.1
Nativer TonDialoge, Effekte, AtmosphäreReichhaltigerer Ton, auch in den Bearbeitungswerkzeugen von Flow
ReferenzbilderNicht verfügbarBis zu 3 Bilder für Figuren, Objekte oder Stil
Start- und EndbildNicht verfügbarErstes und letztes Bild mit generiertem Übergang
Längere GeschichtenEinzelne ClipsExtend setzt einen Clip fort, mit Ton
Bild zu VideoGutNäher am Prompt, schärfere Details
FormateQuerformatQuerformat, natives vertikales 9:16, 4K später hinzugefügt

Ingredients to Video: Besetzung und Produkte konsistent halten

Hier kannst du dem Modell mit Ingredients to Video bis zu drei Referenzbilder geben, zum Beispiel ein Porträt einer Figur, ein Produktfoto und einen Ort, und erhältst einen Clip, der alles kombiniert. Statt zu hoffen, dass dasselbe Gesicht zweimal erscheint, zeigst du es einfach. Diese Funktion steckt hinter den meisten Serieninhalten: ein virtueller Moderator, der in jeder Folge identisch aussieht, ein Markenmaskottchen, das seine Farben behält, oder eine Kurzdrama-Hauptfigur, deren Outfit sich zwischen den Szenen nicht ändert.

Die besten Ergebnisse erzielst du mit Referenzen bei ähnlichem Licht, gut sichtbarem Motiv und indem du jede Zutat im Prompt benennst („die Frau aus dem ersten Bild hält die Flasche aus dem zweiten Bild“). Innerhalb eines Clips ist die Konsistenz hoch; über viele einzelne Clips hinweg kann es noch zu kleinen Abweichungen kommen, also verwende jedes Mal dieselben Referenzen.

Erstes und letztes Bild: Enthüllungen, Makeovers und Übergänge

Frames to Video nimmt ein Start- und ein Endbild und erfindet die Bewegung dazwischen, inklusive Ton. So entstehen am einfachsten befriedigende Vorher-nachher-Inhalte: ein Alltagsoutfit, das zum Abendkleid wird, ein leerer Raum, der sich mit Möbeln füllt, eine geschlossene Box, die sich öffnet und ein Produkt enthüllt, oder eine Straße am Tag, die in die Nacht übergeht.

Halte beide Bilder im gleichen Bildausschnitt und Licht, damit der Übergang natürlich wirkt, und beschreibe das Dazwischen im Prompt, etwa „Kamera statisch, Glitzerübergang, fröhliche Musik“. Modecreators nutzen es für Outfit-Enthüllungen, Immobilien- und Interior-Accounts für Raum-Makeovers und E-Commerce-Teams für Unboxing-Aufnahmen.

First and last frame transformation from casual outfit to evening gown, illustrating a first-and-last-frame video reveal

Mit Extend über 8 Sekunden hinaus

Eine Generierung dauert maximal acht Sekunden, genug für einen einzelnen Moment, aber nicht für eine ganze Szene. Extend löst das, indem es ab dem letzten Moment eines bestehenden Clips weitermacht und Handlung und Ton fortführt. Verkette mehrere Erweiterungen und du erhältst eine Sequenz von 30 Sekunden oder mehr, genug für eine Folge eines vertikalen Dramas, eine Werbung im Story-Stil oder eine Storyboard-Vorschau.

Plane jede Erweiterung als eine Aktion: Der erste Clip baut auf, der nächste reagiert, der dritte löst auf. Kurze Sätze, die bequem in acht Sekunden passen, klingen viel natürlicher als lange Reden, die mitten im Satz abbrechen.

Standard, Fast oder Lite, dazu Vertikal und 4K

Veo 3.1 gibt es in mehreren Stufen. Standard ist die Qualitätswahl für finale Aufnahmen. Fast tauscht etwas Feinschliff gegen Geschwindigkeit und ist beliebt für Entwürfe und Batch-Tests vieler Prompt-Varianten. Lite ist die leichteste und günstigste Stufe, gedacht für große Mengen, und bietet kein 4K.

Wähle das Format vor dem Generieren. Natives vertikales 9:16 passt zu TikTok, Reels und Shorts, ohne Köpfe abzuschneiden, während 16:9 für YouTube und Trailer geeignet ist. Nutze 4K nur für die finale Version eines Clips, der dir bereits gefällt; Entwürfe in niedrigerer Auflösung halten die Iterationen schnell.

  • Standard: Hero-Shots, Werbung und alles, was aus der Nähe betrachtet wird.
  • Fast: schnelle Entwürfe, A/B-Tests von Hooks, Social-Clips in großer Zahl.
  • Lite: die größten Batches, bei denen Tempo und Kosten am meisten zählen; kein 4K.

Wo Veo 3.1 gerade durchstartet

Weil Ton und Bild zusammen entstehen, passt das Modell zu Formaten, in denen sich wenige Sekunden vollständig anfühlen müssen. Zu diesen Szenen kehren Creators am häufigsten zurück:

  • Vertikale Kurzdramen: eine feste Besetzung aus Referenzbildern, ein emotionaler Satz pro Clip, mit Extend zu Folgen verkettet.
  • E-Commerce-Produktwerbung: langsame Kamerafahrten, Makro-Nahaufnahmen und Unboxing-Enthüllungen mit passendem Klingeln oder Rauschen.
  • Sprechende Clips im UGC-Stil: Selfie-Perspektive, ein lockerer Bewertungssatz und natürliches Tageslicht für Social Ads.
  • ASMR und Food-Nahaufnahmen: brutzelnde Pfannen, eingeschenkte Getränke und knusprige Texturen, bei denen der Ton die Aufnahme verkauft.
  • Filmische Trailer und Musikvideo-Schnipsel: stimmungsvolles Licht, dramatische Kamerabewegungen und ein passender Soundtrack.
  • Memes und Sketche: schnelle komische Momente mit gesprochenen Pointen, die in unter acht Sekunden sitzen.

Veo 3.1 Prompt-Guide: Vorlagen zum Kopieren

Eine verlässliche Struktur ist: Kamera und Bewegung, dann Motiv und Handlung, dann Schauplatz und Licht, dann Stil, dann Ton. Setze gesprochene Sätze in Anführungszeichen, beschränke dich auf eine Hauptaktion pro Clip, und wenn du keine Untertitel willst, füge "no subtitles" hinzu, damit das Modell keinen verstümmelten Text ins Bild zeichnet. Ersetze die Details durch deine eigene Szene.

Kurzdrama

Medium close-up, handheld. A young woman in a red coat turns to the man at the rainy bus stop and says, "You knew all along." Neon reflections, cinematic, sound of rain and distant traffic. No subtitles.

Produktwerbung

Slow 360 orbit around a glass perfume bottle on wet black stone, macro, soft rim light, water droplets, subtle chime sound, luxury commercial.

Erstes und letztes Bild

Start: woman in casual everyday clothes. End: the same woman in an evening gown. Camera static, sparkle transition, upbeat music.

UGC-Bewertung

Selfie-style vertical video, creator in a kitchen excitedly reviews a blender, natural daylight, casual voice: "Okay, this actually changed my mornings."

So probierst du es aus – und ob es kostenlos ist

Es gibt drei Hauptwege, je nachdem, wer du bist:

  1. Alltags-Creators: Clips in der Gemini-App oder in Flow mit einem Google-AI-Abo generieren; die monatlichen Kontingente hängen von deinem Tarif ab.
  2. Entwickler: das Modell über die Gemini API oder Vertex AI aufrufen. Die API hat keine kostenlose Stufe, und laut einem Hinweis eines Drittanbieters wurden die Preview-Modell-IDs in der Gemini API am 22. Oktober 2026 eingestellt; Google verweist Entwickler auf die neueren Gemini Omni-Modelle.
  3. Kostenlos testen: Einige Drittanbieter-Plattformen vergeben Test-Credits – der übliche Weg für alle, die nach kostenlosem Zugang suchen.

Bevor du ein Produkt darauf aufbaust, prüfe Googles Dokumentation zu Video und Abkündigungen, welche Modellnamen auf deiner Plattform noch bereitgestellt werden.

Was Creators lieben und was sie sich besser wünschen

Bewertungen seit dem Start sind sich bei den Stärken meist einig: enge Synchronität zwischen Lippen, Effekten und Bild, realistisches Licht und Kameraarbeit, die inszeniert statt zufällig wirkt. Referenzbilder und die Steuerung von erstem und letztem Bild sind die Funktionen, die Creators nennen, wenn sie erklären, warum sie von Veo 3 gewechselt sind.

Die Kritikpunkte sind ebenso einheitlich. Acht Sekunden pro Generierung wirken kurz, strenge Inhaltsfilter lehnen manchmal harmlose Prompts ab, Figuren können über viele einzelne Clips hinweg noch abweichen, und intensive Nutzung wird teuer. Sorgfältige Planung der Einstellungen und Entwürfe auf den schnelleren Stufen sind die üblichen Lösungen.

Veo 3.1 vs. Sora 2, Kling und unzensierte Optionen

Gegenüber Sora 2 von OpenAI wägen die meisten Referenzkontrolle und Tonqualität ab; gegenüber Kling geht es um die Cliplänge, denn Kling 3.0 schafft 15 Sekunden und Kling 4.0 bis zu 30 Sekunden in einer Generierung, während dieses Modell auf Extend setzt. Ein fairer Vergleich besteht darin, denselben Prompt und dieselben Referenzbilder durch jedes Tool laufen zu lassen und Konsistenz und Ton zu beurteilen.

Es gibt keine unzensierte oder NSFW-Version von Veo 3.1. Es ist geschlossen, hat keine offenen Gewichte, und Google filtert sowohl Prompts als auch Ausgaben gemäß seiner Richtlinie zur verbotenen Nutzung generativer KI. Wer uneingeschränkte Videos möchte, greift meist zu Open-Weight-Modellen wie Wan 2.2 oder HunyuanVideo, die sich auf eigener Hardware ausführen lassen.

Unzensierter alternativer Videogenerator

Das offizielle Modell wird moderiert und hat keine unzensierte Version. Für fiktive Erwachsenenszenen (18+), etwa einen Bikini-Clip am Strand oder einen langsamen Tanz in einem Loft bei Kerzenlicht, lade auf der Bild-zu-Video-Seite von Spicy AI ein Startfoto hoch und beschreibe die gewünschte Bewegung.

Luxury perfume bottle on wet black stone, styled as a cinematic product commercial shotBild zu Video öffnen

Offizielles Veo 3.1 nutzen vs. auf Spicy AI generieren

Offizieller DienstSpicy AI online
InhaltsfilterPrompts und Ausgaben von Google gefiltertInhalte für Erwachsene (18+) erlaubt
Offene GewichteNein, geschlossenes ModellNicht zutreffend, läuft online
Tatsächlich genutztes ModellStufe Standard, Fast oder LiteEigene Videomodelle von Spicy AI
PreisGoogle-AI-Abo oder API mit Abrechnung pro SekundeKostenloser Einstieg, Credits für mehr
  • Offiziell: nativer Ton, Referenzbilder, erstes und letztes Bild sowie Extend in Gemini, Flow und der API.
  • Spicy AI: Starte mit deinem eigenen Foto und animiere es im Browser.

Häufig gestellte Fragen

Wer hat Veo 3.1 entwickelt und wann wurde es veröffentlicht?

Google DeepMind veröffentlichte es Mitte Oktober 2025, zusammen mit einem Update des Filmtools Flow.

Wie lang kann ein Clip sein?

Eine einzelne Generierung dauert bis zu acht Sekunden. Extend setzt einen Clip ab seinem letzten Moment fort, sodass mehrere Erweiterungen zu einem längeren Video verkettet werden können.

Erzeugt es Ton?

Ja. Dialoge, Soundeffekte und Umgebungsgeräusche werden zusammen mit dem Video erzeugt, wobei die Lippenbewegungen zu den gesprochenen Sätzen passen.

Was hat sich gegenüber Veo 3 geändert?

Es bietet bis zu drei Referenzbilder, Steuerung von erstem und letztem Bild sowie Extend mit Ton und folgt Prompts genauer, wenn man von einem Bild ausgeht. Die Preise zum Start blieben gleich.

Kann ich es kostenlos nutzen?

Die Gemini API hat keine kostenlose Stufe. In der Gemini-App und in Flow ist es in Google-AI-Abos enthalten, und einige Drittanbieter-Plattformen bieten Test-Credits an.

Gibt es ein unzensiertes Veo 3.1?

Nein. Es ist ein geschlossenes Modell ohne offene Gewichte, und Google filtert Prompts und Ausgaben. Wer weniger Einschränkungen möchte, nutzt Open-Weight-Videomodelle wie Wan 2.2.

Ist die API noch verfügbar?

Laut einem Hinweis eines Drittanbieters wurden die Preview-Modell-IDs in der Gemini API am 22. Oktober 2026 eingestellt, mit Gemini Omni als empfohlenem Nachfolger. Prüfe Googles Dokumentation zur aktuellen Verfügbarkeit in Vertex AI.

Quellen

Alle unzensierten KI-Modelle ansehen →

Veo, Gemini und Google sind Marken ihrer jeweiligen Inhaber. Alle Inhalte müssen Erwachsene (18+) darstellen.

Sign in

Welcome to Spicy AI

or