Benchmark di realismo di Google DeepMind: filmati che sembrano reali, con audio ambientale e dialoghi parlati generati nello stesso passaggio. Inserisci un prompt qui sotto e provalo.
Sviluppatore
Google DeepMind
Tipo
Da testo / immagine a video
Audio
Nativo, con dialogo
Durata
8 s per clip
Output max
1080p
Tempo di rendering
1–3 min
Livello qui
Crediti a pagamento
Il nostro verdetto in una riga: quando la clip deve passare per girato, renderizzala su Veo. Quando stai ancora esplorando, fai prima una bozza sui livelli veloci.
Veo è il modello rispetto al quale vengono misurati i nuovi arrivati. Ogni modello di punta uscito quest'estate — Seedance 2.5, MiniMax H3, Wan 3.0, FLUX 3 — ha inserito Veo nei propri grafici comparativi, perché possiede le due cose più difficili da simulare: un realismo fisico che regge a un esame attento e un curriculum più lungo di una settimana di lancio. Il suo audio nativo fa ancora ciò che la maggior parte dei rivali non riesce a fare: una battuta di dialogo tra virgolette nel prompt viene restituita pronunciata, sincronizzata con il volto.
Giudicato in base ai nostri render e alla documentazione pubblicata, rivisto man mano che i fatti cambiano — questa è una caratteristica di questa pagina, non una dichiarazione di esclusione di responsabilità.
• Realismo fisico.
La luce rimbalza, i tessuti cadono in modo naturale, i liquidi scorrono come liquidi. Il minor numero di “indizi AI” tra tutto ciò che ospitiamo, e la risposta predefinita quando un cliente osserverà da vicino.
• Audio nativo con dialogo.
Ambiente, effetti e brevi battute parlate sincronizzati con l’azione. Scrivi il suono nel prompt e viene renderizzato — nessun passaggio di scoring.
• Aderenza al prompt.
Le indicazioni di camera — carrello, panoramica, rack focus — vengono seguite, non sono solo fonte d'ispirazione. I prompt con shot list rendono qui più che altrove.
• Risultati comprovati.
Classifiche indipendenti, mesi di utilizzo in produzione, modalità di errore note. In un'estate di flagship vecchi di una settimana, l'affidabilità noiosa è una funzionalità.
• Limite di 8 secondi.
I clip più brevi nella nostra gamma attuale — Seedance 2.5 arriva a 30 secondi, FLUX 3 a venti. I contenuti più lunghi richiedono concatenazione e pianificazione dei tagli.
• Costo e velocità.
1–3 minuti per rendering al costo in crediti più alto qui. È il modello di rifinitura, non quello per gli schizzi.
• Filtri più rigorosi.
Personaggi pubblici, bambini, violenza — rifiutati a livello del modello. I lavori bloccati qui non consumano crediti, ma aspettati di dover riformulare un po'.
• Animazione stilizzata.
Gli stili anime e fatti a mano risultano stranamente lucidi. FLUX 3 e Seedance gestiscono meglio la stilizzazione.
Copia nel generatore sopra, sostituisci le parentesi, esegui il rendering.
"Primo piano medio di un [pescatore segnato dalle intemperie] su un molo all'alba, che guarda appena oltre la telecamera. Dice: 'La tempesta arriva in anticipo quest'anno.' Gabbiani in lontananza, corda che scricchiola. Luce coperta, stile documentaristico."
Il dialogo tra virgolette genera audio parlato sincronizzato con il volto. Mantieni le righe sotto ~10 parole. La demo accanto al generatore è esattamente questo prompt.
"Lenta orbita a 180° attorno a una [macchina per espresso nero opaco] su un bancone in cemento. Il vapore sale; sentiamo il basso sibilo della lancia vapore e una morbida atmosfera da caffè. Luce mattutina dalla finestra, profondità di campo ridotta, 35mm."
Inserire l'audio nel prompt ('sentiamo...') è la mossa specifica per Veo — metà del valore sta in quella frase.
Carica: un'immagine fissa
"Leggero movimento a mano libera, come se fosse ripreso con un telefono. [subject] respira e sposta il peso in modo naturale; lo sfondo resta fisso. Silenzioso tono ambientale della stanza, traffico lontano."
"Come se fosse filmato con un telefono" rende la fisica più realistica, e istruzioni di movimento minime impediscono ai volti di spostarsi nella conversione da immagine a video.
Tre modelli nativi per l'audio. Stessi prompt per tutti e tre, valutati in base a ciò che pubblicheremmo — questa tabella rispecchia quella nella pagina FLUX 3, quindi i dati coincidono ovunque arrivi. Tutti e tre selezionabili nel generatore qui sopra.
Il modello di generazione video di Google DeepMind — il più forte nel creare filmati che sembrano reali, con audio generato nativamente insieme all'immagine: ambience, effetti e brevi dialoghi. Funziona da testo o anima un'immagine statica, fino a 1080p, 8 secondi per clip.