Pexo
Veo 3

Veo 3
シーンに独自のサウンドを与える

Veo 3は、生成するシーンに音声の同時生成を導入したGoogle DeepMindの動画モデルです。対応する制作方法では、文章による指示や画像を基に、画面内の動作とセリフ、効果音、環境音を組み合わせられます。

Googleは、初代Veo 3.0のVertex AIエンドポイントを提供終了とし、Veo 3.1を推奨しています。

ターコイズブルーの高山湖、野生の花の草原、ドロミテの山々にかかる夏の日の出
映像+音声

映像とともに音声を生成

テキストまたは画像

シーンを確立する 2 つの方法

Veo 3 / Fast

標準版と、生成速度を重視したバリエーション

主な機能

黄土色の布装丁の本を木製の陳列台に立てて置く書店員
シーン概要

書店員が、黄土色の布張りの本をオーク材の陳列台に立てて置く。カメラがゆっくり近づく。午後の窓の光が表紙に当たる。

01 / シーンの演出

文章から動画を生成

見たいアクションを書きます。

Veo 3は、テキストの説明から短いシーンを作ります。画面に映る人物や物、動作が起きる場所、カメラの追い方を指定します。書店員が黄土色のハードカバーを陳列台に置く場面なら、ショットの中の出来事が明確になります。表紙へゆっくり近づくことで、その動作を視覚的に強調できます。

同じ指示の中で、被写体、動作、舞台、カメラの動きを指定します。

古い温室で金属缶を使ってシダに水をやる植物学者
開始画像 → モーション概要

シダにゆっくり水を注ぎ続ける。葉が少し揺れる中、水の流れが窓の光を受けるようにする。カメラは固定する。

02 / 視覚的な出発点

画像を使った動画生成

静止画に次の瞬間を与えます。

Googleは、GeminiとFlowに、Veo 3を使った写真からの動画生成を導入しました。画像で人物、舞台、構図を決め、追加の説明で次の出来事を指示します。この温室の場面では、じょうろ、水の流れ、シダの葉に動きを絞ります。

開始画像にすでに映っている物と結びつけて、動きを指定します。

雨のプラットホームで電車の横にいる旅行者に話しかける車掌
会話 + 雰囲気

車掌:「お客様の車両は、すぐ先です。」彼女が列車の方を示す。静かな雨音、低いエンジン音。短い間を置いて、旅人がうなずく。

03 / シーン内のサウンド

ネイティブサウンドとダイアログ

視聴者が見ているものだけでなく聞いているものを説明します。

Veo 3は、発話、環境音、動作の効果音などを映像と一緒に生成します。車掌のセリフ、ホームに降る雨、列車の低い待機音など、音ごとに発生源を決めます。セリフを短くすれば、人物のしぐさや周囲の雰囲気を見せる余地が生まれます。

話者が 1 人で、セリフが短いため、意図したやり取りを理解しやすくなります。

Veo 3 出力フォーマット

初代Vertex AI Veo 3.0のGoogle公式仕様には、次の出力形式が記載されています。

長さ

4/6/8秒

アクションが定義された短いクリップ。

向き

16:9または9:16

横長・縦長の構図。

解像度

720p / 1080p

Veo 3.0の仕様に記載された出力サイズ。

フレームレート

24fps

一定のフレーム間隔で出力。

Veo 3 と Veo 3 Fast

どちらもVeo 3.0シリーズのモデルです。Fastは試作をすばやく繰り返すために導入され、元のモデルは標準的な生成に使われました。

比較項目Veo 3Veo 3 Fast
テキストからの動画生成書かれたシーンの概要書かれたシーンの概要
オーディオネイティブサウンド生成ネイティブサウンド生成
文書化されたクリップの長さ4、6、または8秒4、6、または8秒
仕様に記載された解像度720p / 1080p720p / 1080p
ワークフローの重視標準的な生成反復の高速化
現在のVertex AIでの後継モデルVeo 3.1Veo 3.1 Fast

ユースケース

商品の物語、映画のような一瞬、写真を動かした映像の連なりに使える、Pexoの制作方法を紹介します。

絵と動きと音を繋ぐ

すべての指示に視覚的または聴覚的な役割があると、焦点を絞ったシーンの演出が容易になります。

真鍮の家の鍵をオーク材の廊下コンソール上のコバルトセラミックの皿に置く女性

01

画面を設定する

静かな玄関ホール、オーク材のコンソール、青い陶器の皿、そして朝の光の中で真鍮の家の鍵を持つ女性。

02

アクションにペースを与える

彼女は鍵をそっと皿に置きます。カメラが近づき、彼女の手とセラミックの縁の上に止まります。

03

サウンドにソースを与える

鍵が皿に触れる小さな金属音、袖の擦れる音、静かな室内の環境音。音がした後に短い間を置く。

よくある質問

Veo 3とは何ですか?

Veo 3は、Google DeepMindが2025年5月に発表した動画生成モデルです。大きな特長は音声の同時生成で、セリフ、効果音、背景の音を動画と一緒に生成できます。

Veo 3 は画像をアニメーション化できますか?

はい。Googleは2025年7月、GeminiとFlowにVeo 3を使った写真からの動画生成を導入しました。開始画像で構図を定め、文章による説明で動きと音を指定します。

Veo 3 のビデオの長さはどれくらいですか?

初代Vertex AI Veo 3.0の仕様には、4秒、6秒、8秒のクリップが記載されています。Geminiの写真からの動画生成の発表では、音声付きの8秒動画が紹介されました。

Veo 3 は音声や効果音を生成しますか?

はい。Veo 3は、セリフ、環境音、効果音の同時生成に対応します。セリフでは話者と話す言葉を指定し、ほかの音もシーン内の物や動作と結びつけて説明します。

Veo 3 は Veo 3.1 と同じですか?

いいえ。異なる世代のモデルです。Googleは初代Veo 3.0のVertex AIエンドポイントを提供終了とし、開発者にVeo 3.1またはVeo 3.1 Fastを案内しています。

動画モデルと動画エージェントは、どう違いますか?

動画モデルは、入力から個々のクリップを生成します。動画エージェントはプロジェクト全体を扱い、制作指示、シーン、素材、修正、最終編集の整理を支援します。1つのショットが必要なのか、一連の動画制作を進めたいのかに応じて選びます。

アイデアを伝えて、次の作品づくりを始めましょう。

作成を始める