Video con IA · Google DeepMind

Veo 3.1: videos cinematográficos con IA que hablan, se mueven y mantienen al personaje

Pregunta a la IA ▾

Veo 3.1 es el modelo de video de Google DeepMind que convierte una frase o unas pocas fotos en un clip corto y cinematográfico con su propia banda sonora: diálogos, efectos de sonido y ambiente se generan junto con la imagen. Lanzado a mediados de octubre de 2025 junto con una versión mejorada del editor Flow, dio a los creadores tres nuevas formas de dirigir una toma: imágenes de referencia que mantienen coherente a un personaje o producto, un fotograma inicial y uno final que definen dónde empieza y termina el clip, y Extend para historias más largas que una sola toma. Esta guía explica para qué sirve cada función, dónde está ganando popularidad y plantillas de prompts que puedes copiar al instante.

  • Diálogo y sonido nativos
  • Hasta 3 imágenes de referencia
  • Fotograma inicial y final
Convierte tu foto en video →

Sonido, historia y control: por qué los creadores hablan de este modelo

La mayoría de las herramientas de video con IA te dan un clip mudo y te dejan el audio a ti. Veo 3.1 genera la imagen y la banda sonora de una sola vez, así que un personaje puede decir una frase con el movimiento de labios sincronizado mientras suenan de fondo la lluvia, el tráfico o la música. Ese único cambio explica por qué creadores de dramas cortos, anunciantes y cuentas de memes lo adoptaron tan rápido: un momento de ocho segundos con aspecto terminado sale de un solo prompt.

Google lanzó el modelo en octubre de 2025 y lo puso a disposición en la app Gemini, en Flow (la herramienta de cine de Google) y para desarrolladores mediante la Gemini API y Vertex AI. Cada generación produce un clip de hasta ocho segundos en 720p o 1080p, y actualizaciones posteriores añadieron salida vertical nativa 9:16 para formatos pensados para el móvil y 4K para pantallas grandes. Es un modelo cerrado: no hay pesos descargables y los resultados llevan la marca de agua invisible SynthID de Google.

De Veo 3 a Veo 3.1: las mejoras que notarás

Veo 3 fue noticia en 2025 por ser el primer modelo de uso masivo capaz de generar video hablado con sonido sincronizado. La actualización 3.1 conserva esa fortaleza y se centra en el control: la cobertura del lanzamiento destacó una mejor adherencia al prompt y calidad visual al partir de una imagen, un audio más rico y nuevas herramientas de edición en Flow. Google también mantuvo el mismo precio que Veo 3 en el lanzamiento.

Veo 3Versión 3.1
Audio nativoDiálogo, efectos, ambienteAudio más rico, también en las herramientas de edición de Flow
Imágenes de referenciaNo disponibleHasta 3 imágenes para personajes, objetos o estilo
Fotograma inicial y finalNo disponibleFotograma inicial y final con transición generada
Historias más largasClips sueltosExtend continúa un clip, con sonido
Imagen a videoBuenoMás fiel al prompt, detalles más nítidos
FormatosHorizontalHorizontal, vertical nativo 9:16, 4K añadido después

Ingredients to Video: mantén coherentes a tu reparto y tus productos

En Veo 3.1, Ingredients to Video te permite dar al modelo hasta tres imágenes de referencia, por ejemplo un retrato de personaje, una foto de producto y una ubicación, y obtener un clip que las combina. En lugar de esperar que la misma cara aparezca dos veces, la muestras. Es la función detrás de la mayoría del contenido en serie: un presentador virtual idéntico en cada episodio, una mascota de marca que conserva sus colores o la protagonista de un drama corto cuyo vestuario no cambia entre escenas.

Para obtener los mejores resultados, usa referencias con una iluminación similar, mantén al sujeto claramente visible y nombra cada ingrediente en el prompt ("la mujer de la primera imagen sostiene la botella de la segunda imagen"). La coherencia es sólida dentro de un clip; entre muchos clips separados aún pueden producirse pequeñas desviaciones, así que reutiliza siempre las mismas referencias.

Fotograma inicial y final: revelaciones, cambios de look y transiciones

En Veo 3.1, Frames to Video toma una imagen inicial y una final e inventa el movimiento intermedio, con sonido incluido. Es la forma más sencilla de crear contenido de antes y después que engancha: un conjunto cotidiano que se convierte en vestido de gala, una habitación vacía que se llena de muebles, una caja cerrada que se abre para mostrar un producto o una calle de día que se funde en la noche.

Mantén ambos fotogramas con el mismo encuadre e iluminación para que la transición se sienta natural, y describe lo intermedio en el prompt, como "cámara fija, transición con destellos, música animada". Los creadores de moda lo usan para revelar looks, las cuentas de inmobiliaria e interiorismo para transformar estancias y los equipos de e-commerce para tomas de unboxing.

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

Más allá de 8 segundos con Extend

Una generación de Veo 3.1 llega como máximo a ocho segundos, suficiente para un momento pero no para una escena completa. Extend lo resuelve continuando desde el último instante de un clip existente, llevando adelante la acción y el audio. Encadena varias extensiones y obtendrás una secuencia de 30 segundos o más, suficiente para un episodio de drama vertical, un anuncio con formato de historia o una vista previa de storyboard.

Planifica cada extensión como una acción: el primer clip plantea, el siguiente reacciona y el tercero cierra. Las frases cortas que caben con holgura en ocho segundos suenan mucho más naturales que los discursos largos cortados a mitad de frase.

Standard, Fast o Lite, además de vertical y 4K

Veo 3.1 se ofrece en varios niveles. Standard es la opción de calidad para las tomas finales. Fast sacrifica un poco de acabado a cambio de velocidad y es popular para borradores y pruebas por lotes de muchas variaciones de prompt. Lite es el nivel más ligero y asequible, pensado para trabajos de gran volumen, y no ofrece 4K.

Elige el formato antes de generar. El vertical nativo 9:16 encaja en TikTok, Reels y Shorts sin cortar cabezas, mientras que el 16:9 va bien para YouTube y tráileres. Usa 4K solo en la versión final de un clip que ya te guste; hacer borradores a menor resolución mantiene las iteraciones rápidas.

  • Standard: tomas principales, anuncios y todo lo que se verá de cerca.
  • Fast: borradores rápidos, pruebas A/B de ganchos, clips sociales en volumen.
  • Lite: los lotes más grandes, donde la velocidad y el coste importan más; sin 4K.

Dónde está despegando Veo 3.1

Como el sonido y la imagen llegan juntos, el modelo encaja en formatos donde unos pocos segundos deben sentirse completos. Estas son las escenas a las que más vuelven los creadores:

  • Dramas cortos verticales: un reparto fijo a partir de imágenes de referencia, una frase emotiva por clip, encadenados con Extend en episodios.
  • Anuncios de productos para e-commerce: órbitas lentas, primeros planos macro y revelaciones de unboxing con un tintineo o whoosh a juego.
  • Clips hablados estilo UGC: encuadre de selfie, una reseña informal y luz natural para anuncios en redes sociales.
  • ASMR y primeros planos de comida: sartenes chisporroteando, bebidas sirviéndose y texturas crujientes donde el audio vende la toma.
  • Tráileres cinematográficos y fragmentos de videoclips: iluminación con atmósfera, movimientos de cámara dramáticos y una banda sonora que encaja.
  • Memes y sketches: golpes cómicos rápidos con remates hablados que funcionan en menos de ocho segundos.

Guía de prompts de Veo 3.1: plantillas para copiar

Una estructura fiable es: cámara y movimiento, luego sujeto y acción, luego escenario y luz, luego estilo y, por último, audio. Pon los diálogos entre comillas, mantén una acción principal por clip y, si no quieres subtítulos, añade "no subtitles" para que el modelo no dibuje texto ilegible en pantalla. Sustituye los detalles por tu propia escena.

Drama corto

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.

Anuncio de producto

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

Fotograma inicial y final

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

Reseña UGC

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

Cómo probarlo y si es gratis

Hay tres vías principales, según quién seas:

  1. Creadores en general: genera clips en la app Gemini o en Flow con una suscripción de Google AI; los cupos mensuales dependen de tu plan.
  2. Desarrolladores: usa el modelo a través de la Gemini API o Vertex AI. La API no tiene nivel gratuito y, según un aviso de terceros, los ID de los modelos de vista previa en la Gemini API se retiraron el 22 de octubre de 2026, y Google remite a los desarrolladores a sus modelos más recientes Gemini Omni.
  3. Probar gratis: algunas plataformas de terceros reparten créditos de prueba, la vía habitual para quienes buscan acceso gratuito.

Antes de crear un producto sobre él, consulta la documentación de video y de retirada de modelos de Google para saber qué nombres de modelo siguen disponibles en tu plataforma.

Lo que a los creadores les encanta y lo que les gustaría mejorar

Las reseñas de Veo 3.1 desde su lanzamiento suelen coincidir en sus puntos fuertes: sincronía precisa entre labios, efectos e imagen, iluminación realista y un trabajo de cámara que parece dirigido y no aleatorio. Las imágenes de referencia y el control de fotograma inicial y final son las funciones que los creadores mencionan al explicar por qué dejaron Veo 3.

Las quejas son igual de constantes. Ocho segundos por generación saben a poco, los filtros de contenido estrictos a veces rechazan prompts inofensivos, los personajes aún pueden variar entre muchos clips separados y el uso intensivo sale caro. Planificar bien las tomas y hacer borradores en los niveles más rápidos son las soluciones habituales.

Veo 3.1 vs Sora 2, Kling y opciones sin censura

Frente a Sora 2 de OpenAI, las principales diferencias que se valoran son el control por referencias y la calidad del audio; frente a Kling, es la duración del clip, ya que Kling 3.0 llega a 15 segundos y Kling 4.0 hasta 30 segundos en una sola generación, mientras que este modelo depende de Extend. Una comparación justa consiste en usar el mismo prompt y las mismas imágenes de referencia en cada herramienta y juzgar la coherencia y el sonido.

No existe una versión sin censura ni NSFW de Veo 3.1. Es cerrado, no tiene pesos abiertos y Google filtra tanto los prompts como los resultados según su política de usos prohibidos de la IA generativa. Quienes quieren video sin restricciones suelen recurrir a modelos de pesos abiertos como Wan 2.2 o HunyuanVideo, que pueden ejecutarse en su propio hardware.

Generador de video alternativo sin censura

El modelo oficial está moderado y no tiene edición sin censura. Para escenas adultas ficticias (18+), como un clip en bikini en la playa o un baile lento en un loft a la luz de las velas, sube una foto inicial en la página de imagen a video de Spicy AI y describe el movimiento que quieres.

Luxury perfume bottle on wet black stone, styled as a cinematic product commercial shotAbrir imagen a video

Usar Veo 3.1 oficial vs generar en Spicy AI

Servicio oficialSpicy AI online
Filtrado de contenidoPrompts y resultados filtrados por GoogleContenido adulto (18+) permitido
Pesos abiertosNo, modelo cerradoNo aplica, funciona online
Modelo realmente usadoNivel Standard, Fast o LiteModelos de video propios de Spicy AI
PrecioSuscripción de Google AI o API de pago por segundoGratis para empezar, créditos para más
  • Oficial: audio nativo, imágenes de referencia, fotograma inicial y final y Extend en Gemini, Flow y la API.
  • Spicy AI: parte de tu propia foto y anímala en el navegador.

Preguntas frecuentes

¿Quién creó Veo 3.1 y cuándo se lanzó?

Google DeepMind lo lanzó a mediados de octubre de 2025, junto con una actualización de la herramienta de cine Flow.

¿Cuánto puede durar un clip?

Una sola generación dura hasta ocho segundos. Extend continúa un clip desde su último instante, así que se pueden encadenar varias extensiones en un video más largo.

¿Genera sonido?

Sí. Los diálogos, efectos de sonido y audio ambiente se generan junto con el video, con el movimiento de labios sincronizado con las frases.

¿Qué cambió respecto a Veo 3?

Añade hasta tres imágenes de referencia, control de fotograma inicial y final y Extend con audio, y sigue los prompts con más fidelidad al partir de una imagen. El precio de lanzamiento se mantuvo igual.

¿Puedo usarlo gratis?

La Gemini API no tiene nivel gratuito. En la app Gemini y en Flow se incluye con los planes de suscripción de Google AI, y algunas plataformas de terceros ofrecen créditos de prueba.

¿Existe un Veo 3.1 sin censura?

No. Es un modelo cerrado sin pesos abiertos, y Google filtra prompts y resultados. Los modelos de video de pesos abiertos como Wan 2.2 son los que se usan cuando se buscan menos restricciones.

¿La API sigue disponible?

Según un aviso de terceros, los ID de los modelos de vista previa en la Gemini API se retiraron el 22 de octubre de 2026, con Gemini Omni como sucesor sugerido. Consulta la documentación de Google para ver la disponibilidad actual en Vertex AI.

Fuentes

Ver todos los modelos de IA sin censura →

Veo, Gemini y Google son marcas registradas de sus respectivos propietarios. Todo el contenido debe representar a adultos (18+).

Sign in

Welcome to Spicy AI

or