Veo 3.1を音付きフォトリアルビデオに使う方法

Veo 3.1は、クリップが生成されたものではなく撮影されたように見えなければならないときに手を伸ばすモデルです：現実世界の物理、信じられる肌と水、そして分野で最高のネイティブ対話。ManifoldGenでは、画像からビデオとして2つのティアで実行されます — Fastは反復用、Standardはファイナル用 — 両方とも同期サウンド付きです。

常に静止画から始める

ManifoldGenの両方のルートは画像からビデオであり、それが正しいワークフローです。Veoは構図を忠実に追従するので、静止画はキャスティング、フレーミング、照明の方向性を無料で提供します — その後、ビデオプロンプトはモーションとサウンドを説明するだけです。任意の画像モデルでフレームを生成し、撮影したであろうテイクを選び、それをアニメートします。

監督のように動きを書く、キャプションではなく

The chef turns from the window, wipes her hands on her apron,
and looks back at the rain. Camera holds static; depth of field
stays on her hands. Rain streaks the glass; kitchen ambience,
distant radio, one low thunder roll.

• 1つの主語につき1つの動作を書く——「回る」「拭く」「見る」は、Veoが忠実に順序立ててくれる3つのビートです。
• カメラを明確に指定する——「固定」「ゆっくり押し込む」。沈黙はドリフトを招きます。
• 動かしてはいけないものを指定する——「被写界深度は彼女の手に留まる」は、期待するより焦点を固定します。
• スコアを付ける——アンビエンス、1つの音楽キュー、または天候レイヤー。指定がないと、オーディオは部屋のトーンになります。

通る会話

Veoはリップアライメントと、指定すればアクセント制御まで備えた音声をレンダリングします。行は12語未満に保ち、引用符で囲み、帰属させてください：彼は言う、「後ろのドアをロックして。」顔はミディアムクローズアップかそれ以上で最もよく読めます。ワイドショットでの会話は機能を無駄にします。

長さの選択

4秒はインサートやソーシャルループに適しています。6秒は完全なアクションビートを処理します。8秒は会話の1行とリアクションに適合します。シーンがもっと必要な場合は、一致するスチル（同じキャラクターフレーム、異なるカメラ）で2つの8秒テイクを生成してカットしてください——Veoは単一の長い生成よりもカット間でアイデンティティをはるかによく保持します。

トラブルシューティング

• 物理が目立つ——水、布、火はVeoの強みですが、スペースが必要です。タイトなフレームはショートカットを強制します。モーションを遅くする代わりにショットを広げてください。
• 被写体がソース画像を無視する——プロンプトが外見を再記述しています。人物に関する形容詞を削除し、モーションとオーディオのみを保持してください。
• 会話が吹き替えのように聞こえる——行を短くし、配信をマークしてください（「静かに」「肩越しに」）。
• 8秒が途中でたるむ——持続的なアンビエント節（雨が続く、群衆のつぶやきが続く）を追加して、中間のビートを支えてください。

ドラフトは /tools/veo-3-1-fast で、最終版は /tools/veo-3-1 で実行してください。自動化は /api/video-generators/veo-3-1-fast と /api/video-generators/veo-3-1 でライブミラーリングされます。