Veo ist die Videomodellreihe von Google. Ihr Kennzeichen ist die gemeinsame Erzeugung von Bild und Ton: Dialog, Umgebungsgeräusche und Musik entstehen im selben Vorgang wie die Bildfolge.
Zusammenfassung
Bis 2025 erzeugten Videomodelle stumme Bildfolgen; Ton kam nachträglich hinzu. Veo hob diese Trennung auf.
Der Unterschied ist größer, als er klingt. Lippenbewegung und gesprochenes Wort passen nur zusammen, wenn beide aus derselben Vorstellung stammen. Ein nachträglich unterlegter Ton bleibt an dieser Stelle erkennbar falsch.
Die Fassung Veo 3.1 erzeugt einzelne Clips von rund acht Sekunden, die sich per Szenenverlängerung zu Videos von einer Minute oder mehr verketten lassen; seit Anfang 2026 kommt natives Hochformat 9:16 hinzu – dem Format der Kurzvideoplattformen (Google 2026).
Begriffsgeschichte
Veo 3 und die Tonspur
Mit der dritten Generation führte Google auf der Entwicklerkonferenz I/O im Mai 2025 die gleichzeitige Erzeugung von Bild und Ton ein: synchronisierter Dialog, Umgebungsgeräusche und Musik (Wiggers 2025).
Veo 3.1
Die im Oktober 2025 vorgestellte Fortschreibung ergänzte die Szenenverlängerung, mit der sich Clips zu längeren Videos verketten lassen, und brachte Anfang 2026 natives Hochformat 9:16 sowie verbesserte 1080p- und 4K-Ausgabe (Google 2026).
Einordnung
Veo gehört zur Gemini-Familie und teilt deren Verteilungsvorteil: Das Modell erreicht Nutzer über Anwendungen, die ohnehin benutzt werden, statt über einen eigenen Dienst.
Der Wettbewerb im Feld hat sich 2026 verschärft. Nach der Einstellung von Sora durch OpenAI im April 2026 stehen sich vor allem Google, die chinesischen Anbieter und die spezialisierten Werkzeughäuser gegenüber.
Kontroversen und Kritik
Kennzeichnung wird schwieriger. Ein Modell, das lippensynchronen Dialog erzeugt, verschiebt die Schwelle für täuschend echte Aufnahmen erheblich. Die Kennzeichnungspflicht der KI-Verordnung trifft damit auf Inhalte, bei denen die Unterscheidung mit bloßem Auge nicht mehr gelingt.
Trainingsmaterial. Zur Herkunft des Videomaterials macht Google keine überprüfbaren Angaben. Bei Bewegtbild wiegt die Frage schwerer als bei Standbildern, weil Filmmaterial regelmäßig mehrfach rechtlich gebunden ist.
Versionsüberblick
| Version | Datum | Wichtigste Änderung |
|---|---|---|
| Veo 3 | 2025 | gleichzeitige Erzeugung von Bild und Ton |
| Veo 3.1 | 2026 | Szenenverlängerung, natives Hochformat 9:16 |
Stand September 2026
Veo 3.1 gehört zur Spitzengruppe der Videomodelle. Der Vorsprung bei der Tonerzeugung ist inzwischen kleiner geworden – mehrere Wettbewerber haben nachgezogen.
Verwandte Begriffe
- Deep Fake – die Frage, die lippensynchrone Erzeugung aufwirft
Quellenangaben
- Wiggers, Kyle, 2025. Veo 3 can generate videos — and soundtracks to go along with them. TechCrunch, 20. Mai 2025.
- Google, 2026. Enhanced Veo 3.1 capabilities are now available in the Gemini API. blog.google, 13. Januar 2026.