Veo 3.1, Gemini/Vertex (Veo) uç noktalarını çağırdığınızda sesi video ile eşzamanlı olarak yerel biçimde üretir — sesi metin istemi aracılığıyla (ses ipuçları, diyalog replikleri, SFX, ambiyans) kontrol edersiniz ve aynı üretim işi indirilebilir bir MP4 döndürür. Birden çok sağlayıcıyı bir arada sunan tek bir birleşik API tercih ederseniz, CometAPI de Veo 3.1 erişimi sunar (Comet anahtarınızla CometAPI’yi çağırır ve veo3.1/veo3.1-pro istersiniz). Bu sürüm, diğer medya modellerine (örneğin OpenAI’nin Sora 2’si) doğrudan rakip olarak konumlandırılmış olup odak noktası ses gerçekçiliği, anlatı kontrolü ve çok çekimli sürekliliktir.
Veo 3.1 nedir?
Veo 3.1, Google’ın metin ve görsel→video modeli ailesi Veo’nun en son sürümüdür. Önceki Veo sürümleriyle karşılaştırıldığında, Veo 3.1 özellikle yerel ses üretimini vurgular — yani model, ayrı bir metinden-konușmaya veya post prodüksiyon adımına gerek kalmadan senkronize diyalog, ambiyans, ses efektleri ve müzikal ipuçlarını video çıktısının bir parçası olarak üretir. Ayrıca çok çekimli hikayeleri daha tutarlı kılmaya yönelik yeni anlatı kontrolleri (referans görseller, ilk–son kare geçişleri ve sahne uzatma özellikleri) getirir.
Neden önemli: Ses, izleyicilerin mekanı, duyguyu, zamanlamayı ve nedenselliği yorumlama şeklidir. Yerel ses üretimi (dudak hareketiyle hizalanan diyalog, görünür olaylarla zamanlanan SFX ve sahne coğrafyasıyla eşleşen arka plan atmosferleri), bir klibi “gerçek” hissettirmek için gereken manuel işi azaltır ve içerik üreticilerin hikaye ve ruh halini daha hızlı yinelemelerine olanak tanır.
Veo 3.1 ses üretebilir mi — ve ne tür sesler üretebilir?
Model içinde ses nasıl üretilir?
Veo 3.1, sesi video üretim hattının entegre bir çıktı kipliği olarak ele alır. Video karelerini ayrı bir TTS veya Foley motoruna göndermek yerine, Veo’nun üretim süreci ses ve görsel akışları birlikte modeller; böylece zamanlama, akustik ipuçları ve görsel olaylar birbiriyle uyumlu olur. Bu ortak modelleme, konuşma alışverişleri, ortam ses manzaraları ve senkronize SFX gibi öğelerin üretilen görüntüyle doğal biçimde hizalanmasını sağlar. 3.1’de “daha zengin yerel ses” ve senkronize ses üretimi manşet iyileştirmeler olarak öne çıkar.
Ses yeteneğinin önemli olmasının nedeni
Tarihsel olarak birçok metinden-videoya sistem sessiz video üretir ve sesi sonraki bir aşamaya bırakırdı. Veo 3.1, sesi aynı üretim geçişinde üreterek bunu değiştirir — bu da manuel miksaj çabasını azaltır, kısa repliklerde dudak senkronunu sıkılaştırır ve istemlerin nedensel ses olaylarını kontrol etmesini sağlar (ör. “kamera sola keserken bir cam kırılıyor”). Bunun üretim hızı, yinelemeli tasarım ve yaratıcı prototipleme üzerinde önemli etkileri vardır.
Veo 3.1 hangi tür sesler üretebilir?
- Diyalog / konuşma — dudaklar ve eylemlerle uyumlu zamanlamaya sahip çok konuşmacılı diyalog.
- Ortam ses manzaraları — sahne coğrafyasına uyan çevresel ses (rüzgar, trafik, oda sesi).
- Ses efektleri (SFX) — darbeler, çarpmalar, kapılar, ayak sesleri vb., görsel olaylara zamanlanmış.
- Müzik ipuçları — sahne tempoyla eşleşen kısa müzikal motifler veya duygu altlayları.
Bu ses türleri yerel olarak üretilir ve ayrı ses parametreleri yerine esas olarak istem içeriği tarafından yönlendirilir.
Teknik sınırlar ve uzunluk
Kutu dışı Veo 3.1, yüksek kaliteli kısa klipler için tasarlanmıştır (bazı akışlarda 8 saniyelik yüksek kaliteli çıktılar), ancak model, çoklu klip dizilerinin onlarca saniyeden bir dakikaya veya daha fazlasına uzamasını sağlayan, birleştirme yoluyla Sahne Uzatma (Scene Extension) ve üretim köprüleri (ilk→son kare, son saniyeden uzatma) de destekler.
Veo 3.1 ile ses nasıl üretilir (doğrudan, Google Gemini / Vertex üzerinden)
Adım 1: Önkoşullar
- Gemini API / Vertex AI erişimi olan bir Google hesabı ve geçerli bir API anahtarı / kimlik bilgileri (Veo 3.1 birçok erişim yolunda ücretli ön izlemededir).
- Ortamınızda kurulu Google
genai/ Gemini istemcisi veya REST uç noktası (ya da isterseniz Vertex istemcisi).
Adım 2: Doğru modeli ve erişimi seçin
veo-3.1-generate-preview (veya hız/maliyet öncelikliyse veo-3.1-fast) kullanın. Bu model dizeleri Google’ın ön izleme erişimi örneklerinde görünür. Ücretli bir Gemini API / Google AI anahtarı (veya AI Studio / Vertex AI üzerinden erişim) gerekir.
Adım 3: Python örneği — Gemini genai istemcisi (önerilir, kopyala/yapıştır)
Bu örnek, programatik çağrının şeklini (Python, google.genai istemcisi) gösterir. Ses talimatları içeren bir metin isteminin nasıl verileceğini demonstre eder.
# pip install google-genai (follow official SDK install)
from google import genai
from google.genai import types
import time
client = genai.Client(api_key="YOUR_GOOGLE_API_KEY")
prompt = """
Scene: Rainy downtown street, night. Neon reflections on wet pavement.
Ambience: continuous distant rain and passing cars.
SFX: bus brakes and hiss at 2.3s; umbrella snap at 0.6s.
Music: subtle synth pad enters at 0.5s (slow attack).
Dialogue:
ALICE (soft, tired): "I didn't think we'd still be here."
BOB (sighing): "Neither did I. Let's go."
Visual: medium close-up on ALICE, camera dolly forward.
"""
operation = client.models.generate_videos(
model="veo-3.1-generate-preview",
prompt=prompt,
config=types.GenerateVideosConfig(
duration_seconds=8,
aspect_ratio="16:9",
resolution="1080p",
number_of_videos=1
),
)
# Poll until done (SDK returns an operation object you can poll)
while not operation.done():
print("processing...")
time.sleep(2)
operation = operation.poll()
result = operation.response # check SDK docs for exact structure
video_url = result.generated_videos[0].video # URL or base64 depending on SDK
print("Download result:", video_url)
Notlar: Dönen dosya genellikle üretilmiş ses parçasını da içeren bir MP4’tür. Yukarıda ses kontrolü için kilit unsur, isteme gömülü betimleyici ses talimatlarıdır. Veo 3.1, eşzamanlı ses parçaları üretmek için doğal dilde verilen ses yönergelerine yanıt verir.
Adım 3 — Referans görseller ve “Ingredients to video” kullanımı
Karakter görünümü ve akustik ipuçlarını tutarlı tutmak için Veo’nun görsel stili ve sürekliliği korumak üzere kullandığı en fazla üç referans görsel geçebilirsiniz. Aynı üretim çağrısı reference_images=[...] desteği sunar. Karakterler için tutarlı sesler veya alışılmış sesler beklediğinizde (ör. tekrarlayan bir kapının gıcırtısı) önerilir.
Adım 4 — Ses sürekliliğiyle sahneleri uzatma (Scene extension)
Veo 3.1, daha uzun diziler oluşturmak için yeni kliplerin önceki bir klibin son saniyesinden türetildiği “sahne uzatma”yı destekler — ve ses, sürekliliği koruyacak şekilde (arka plan ambiyansları, devam eden müzik vb.) uzatılır. generate_videos çağrısında video=video_to_extend parametresini kullanın.
# Pseudocode: extend a previous clip while preserving audio continuity
operation = client.models.generate_videos(
model="veo-3.1-generate-preview",
prompt="Continue the scene: morning light brightens, seagulls move closer; audio: swell builds into light strings",
video=previous_clip_resource,
config=types.GenerateVideosConfig(duration_seconds=10),
)
Adım 5 — İlk ve son kare köprüleme (sesli)
İki kare arasında yumuşak bir geçiş istiyorsanız (örneğin, gündüz çekimini alaca karanlığa dönüştürmek), image=first_frame ve last_frame=last_frame sağlayın ve isteme ses yönünü ekleyin. Veo, görsel ilerlemeyi yansıtan ara kareleri ve sesi üretir. Veo genellikle MP4 içinde tek bir karışık ses parçası döndürür.
Veo 3.1’de ses araçları nasıl kullanılır?
1) CometAPI ne yapar ve neden kullanılır
CometAPI, birçok modele (Google’ın Veo’su dahil) erişmek için tek bir OpenAI tarzı REST uç noktası sunar. Birden fazla satıcı anahtarı yönetmek istemiyor, tek bir entegrasyon noktası (faturalama, kotalar, SDK eşliği) istiyorsanız faydalıdır. Comet, Veo 3.1’i video modelleri arasında sunduğunu belgeliyor.
2) CometAPI üzerinden Veo 3.1 çağırmanın temel akışı
- CometAPI’ye kaydolun ve bir API anahtarı oluşturun.
- Comet’in kataloğundaki kesin model tanımlayıcısını doğrulayın ("Veo 3.1"/"veo3.1-pro").
- CometAPI’nin OpenAI tarzı uç noktasını (veya SDK’sını) kullanın ve
modelalanını Veo model adına ayarlayın. Comet, isteğinizi sizin adınıza Google’a yönlendirir.
Veo3.1 Asenkron Oluşturma, Bu API aşağıdaki sınırlamalarla kendi geliştirdiğimiz teknoloji aracılığıyla uygulanmaktadır: Video süresi sabit olarak 8 saniyedir ve özelleştirilemez
Herhangi bir sorunla karşılaşırsanız lütfen teknik destekle iletişime geçin
Örnek İstek
curl -X POST https://api.cometapi.com/v1/videos \
-H "Authorization: Bearer $COMETAPI_KEY" \
-F "model=veo3.1" \
-F "prompt=A whimsical flying elephant soaring over a vibrant candy-colored cityscape" \
-F "size=16x9" \
-F "input_reference=@first_frame.png" \
-F "input_reference=@last_frame.png"
Veo 3.1 ile ses odaklı komut yazımı için en iyi uygulamalar nelerdir?
İyi ses için komut tasarımı (neleri eklemeli)
İstemde yapılandırılmış “ses şeritleri” kullanın. Asgari önerilen bloklar:
Scene: short description (location, lighting, camera)
Ambience: e.g. "distant rain, muffled traffic"
SFX: "door slam at 1.6s; footsteps L→R starting 0.8s"
Music: "soft piano pad, slow attack, enters at 0.5s"
Dialogue:
ALICE (soft, weary): "I didn't think we'd make it."
BOB (pause, then): "We did."
Action: camera moves, character actions to sync SFX
Önemli ipuçları: şeritleri etiketleyin, kısa zaman çıpaları ekleyin (örn. at 1.6s), duygusal sunumu ve ses karakterini tanımlayın (ör. “yumuşak reverb, yavaş atak”) ve stereo panoramaya ihtiyacınız varsa L / R veya L→R belirtin. Yineleme tipiktir — kısa bir klip (4–8 sn) üretin, sonra uzatın.
Komut yapısı ve tonu
- Yapılandırılmış şeritler kullanın: “Ambience:”, “SFX:”, “Music:” ve “Dialogue:” bloklarını etiketleyin. Üreteçler öngörülebilir kalıplarla daha iyi çalışır.
- Zamanlama konusunda spesifik olun: kısa zamansal çıpalar (ör. “sfx: door slam at 1.6s”) sıkı senkronu destekler. Kare düzeyinde kesinlik kritikse yineleyin ve iyileştirin.
- Ses özelliklerini betimleyin: “synth” yerine “yavaş ataklı yumuşak pad, 80 BPM hissi” gibi ifadeler müzikal ruh halini yönlendirir.
Görsel → ses tutarlılığı
Bir referans görsel veya başlangıç karesi sağlarsanız, sesin nereden gelmesi gerektiğini belirtin (ör. “Ambience: soldan, kameraya daha yakın boğuk şehir; geçen araba L→R pan yapmalı”). Bu, daha inandırıcı stereo ipuçlarına ve algılanan kaynak konumlandırmasına yol açar.
Yineleme iş akışı
- Kısa bir klip (4–8 sn) üretin ve ses senkronunu değerlendirin.
- Daha uzun bir anlatı gerekiyorsa, son saniyeyi süreklilik tohumu olarak koruyacak şekilde klibi büyütmek için Sahne Uzatma kullanın.
- Karakter tutarlılığı (ses tınısı, aksan) için referans görseller kullanın ve klipler arasında ses tanımlayıcılarını tekrarlayın. Sesin stabil kalması için kısa, tekrarlanan metinsel “ses çıpası” satırlarını düşünün (ör. “ALICE — yumuşak yarı-Atlantik aksanı”).
Post prodüksiyon notları
Veo size gömülü sesli bir başlangıç MP4’ü verir. Gelişmiş miksaj (çok kanallı stem’ler, ayrı diyalog/müzik stem’leri) için sesi bir DAW’da ayıklayıp yeniden düzenlemeniz gerekebilir — Veo öncelikle entegre tek dosya üretimi içindir. Üçüncü taraf iş akışları genellikle temel üretim için Veo’yu ve dağıtım kalitesinde miksler için DAW düzenlemelerini birleştirir.
Örnek komutlar (kopyala-yapıştır hazır)
1 — Doğal ambiyans + efekt + kısa diyalog
Prompt: Wide shot of an empty diner at 6:00 AM. Audio: humming refrigerator, distant traffic, a single coffee cup clink. Soft acoustic guitar underlay. Dialogue (woman, tired): "Morning's never been this quiet." Sync the clink with the camera pan at 2.5s.
2 — Foley ağırlıklı aksiyon vuruşu
Prompt: Medium close-up of a courier running through a marketplace. Audio: hurried footsteps on cobblestones, cloth brushing, vendors shouting faintly in background. At 0.8s add a metallic jingle from keys. Fast, rhythmic percussive music fades in at 3s.
3 — Sinematik ambiyans + karakter sesi
Prompt: Interior study lit by candlelight. Audio: crackling fireplace, turning pages, soft string quartet in the background. Dialogue (old man): "Some stories carry their own warmth." Keep the string motif subtle and warm.
4— Sıkı diyalog + SFX (kısa klip, açık zamanlama)
"Prompt: Interior: cluttered bookstore at 7pm. Camera pans right to a man dropping a book.
Audio instructions:
- Ambience: quiet bookstore with rain hitting the windows.
- Dialogue: Speaker A (soft): 'Lo siento...' at 1.2s. Speaker B (firm): 'No te preocupes.' at 2.1s.
- SFX: Book thud at 1.15s. Rain intensity increases at 3.5s.
Style: intimate, cinematic. Lip sync and SFX must match timings."
5 — Ambiyans öncelikli sahne (hava, daha az katı SFX)
"Prompt: A seaside boardwalk at sunset. Create a dreamy soundscape with gulls, distant music from a radio, and rolling waves. No spoken lines. Prefer a slow, swelling musical bed under the ambience. Style: nostalgic documentary."
6 — Çok konuşmacılı konuşma (kademeli)
"Prompt: Two people in a busy market, speaking in English and occasionally in Japanese — short lines. Tag speakers clearly. Include periodic vendor shouts (market ambience) and a passing motorcycle SFX at 2.4s."
Veo 3.1’in sesi Sora 2’nin sesiyle nasıl karşılaştırılır?
Her ikisi de Veo 3.1 ve OpenAI’nin Sora 2’si, üretilen videoya bağlı olarak senkronize ses çıkışını destekler. Her ikisi de kendi satıcılarının amiral gemisi medya üretim modelleri olarak konumlandırılmıştır ve gerçekçi ses–video uyumunu vurgular. Her ikisi de API’ler yayımlar.
Temel farklar
- Model odağı ve uzunluk: Veo 3.1, daha uzun diziler için ilk/son kare, sahne uzatma ve çoklu istem dizileri gibi kontrol edilebilirliği vurgular; karakter ve ses sürekliliğini çok çekim boyunca korumaya yardımcı olacak açık referans görsel koşullandırmasını içerir. Sora 2, senkronize ses ve harekette fiziksel doğruluğa odaklanır; ikisi de kontrol sunar, ancak deyimleri ve SDK’ları farklıdır.
- Platform entegrasyonu: Veo 3.1, Google’ın Gemini ekosistemine (Gemini uygulaması, Flow, Gemini API, Vertex AI) entegredir; Sora 2 ise OpenAI’nin platform modeli olarak API uç noktaları ve iOS için bir Sora uygulamasıyla sunulur; fiyatlandırma ve uç nokta yapıları farklıdır (Sora 2 dokümanları saniye başına fiyat katmanları gösterir). Mevcut bulut altyapınız ve uyumluluk ihtiyaçlarınıza göre seçin.
- İnce ayarlı video kontrolleri: Veo 3.1, anlatı iş akışlarında yineleme süresini azaltan birkaç spesifik yaratıcı kontrolü (Ingredients to Video, Scene Extension, First/Last Frame) öne çıkarır. Sora 2, senkronize ses ve harekette fiziksel doğruluğa odaklanır; her ikisi de kontroller sunar, ancak yaklaşım ve SDK’lar farklıdır.
Ses ağırlıklı projeler için pratik çıkarımlar
Kutu dışı, yüksek sadakatli tek çekim video ile senkronize ses ve basit saniye başına fiyatlandırmayı önceliklendiriyorsanız → Sora 2 güçlü bir rakiptir; hedef varlıklarınız ve bütçeleriniz üzerinde her ikisini de test edin.
Çok çekim boyunca tutarlı ses motifleriyle uzun, kesintisiz bir anlatı istiyorsanız → Veo 3.1’in Sahne Uzatma ve referans görsel koşullandırması caziptir.
Son değerlendirme: Veo 3.1 ne zaman kullanılmalı (ses odaklı öneriler)
Veo 3.1’i, tutarlı karakterlere sahip kontrollü çok çekimli dizilere ve anlatı sürekliliğini destekleyen entegre sese ihtiyaç duyduğunuzda kullanın. Veo 3.1’in belirgin güçlü yönleri sahne uzatma, ilk/son kare kontrolü ve referans görsel koşullandırmasıdır — bu da onu ses sürekliliği olan bölümlü veya dizisel kısa içerikler için mükemmel kılar.
Geliştiriciler, CometAPI aracılığıyla Veo 3.1 ve Sora 2 modellerine erişebilir. Başlamak için CometAPI model yeteneklerini Playground içinde keşfedin ve ayrıntılı yönergeler için API kılavuzuna başvurun. Erişmeden önce, lütfen CometAPI’ye giriş yaptığınızdan ve API anahtarını aldığınızdan emin olun. CometAPI, entegrasyonunuza yardımcı olmak için resmi fiyattan çok daha düşük bir fiyat sunar.
Hazır mısınız?→ Veo 3.1’in ücretsiz denemesi!