Google Veo 3.1 : la vidéo IA avec audio natif

Veo est le générateur vidéo de Google, et le premier à avoir fait parler ses vidéos : depuis la version 3, en mai 2025, un clip sort avec ses dialogues, ses bruitages et son ambiance, synchronisés avec l’image. La version 3.1, arrivée à l’automne 2025, a ajouté ce qui manquait pour travailler : des images de référence pour tenir un personnage ou un produit d’un plan à l’autre, la génération entre deux images clés, l’extension d’un clip, et trois niveaux de qualité à trois prix. En France, tout cela s’utilise sans détour depuis 2025, dans l’application Gemini, dans le studio Flow, ou par l’API pour les équipes techniques. Ce guide explique ce que Veo 3.1 fait et ne fait pas, comment y accéder depuis la France, ce que valent ses crédits et ses plans, comment produire un premier clip sonore dans Flow, et comment le formuler pour que le son serve l’image.

Il complète notre guide complet des générateurs vidéo IA, qui situe Veo dans la famille cinématographique, et notre guide de Runway, depuis lequel Veo est aussi accessible.

En bref

• Veo 3.1 génère des clips de huit secondes avec son natif : dialogues, bruitages, ambiance, synchronisés, en 720p ou 1080p, et jusqu’en 4K par l’API, détaille CostGoat.
• Trois niveaux : Lite pour les brouillons, Fast pour la production, Quality pour les plans finaux, à 10, 20 et 100 crédits Flow par génération (moitié prix sur Ultra).
• Accessible en France dans l’application Gemini et dans Flow avec les plans Google AI Plus (200 crédits), Pro (1 000 crédits) et Ultra (10 000 à 25 000), selon la page officielle ; Flow offre 50 crédits par jour sans abonnement.
• Par l’API, comptez 0,03 à 0,40 $ la seconde selon le niveau, la résolution et l’audio, soit un clip Fast 1080p avec son autour d’un dollar.
• Le son se dirige dans le prompt : dialogue entre guillemets, bruitages nommés, ambiance décrite. Sans consigne, Veo invente.
• Verdict : le meilleur réalisme du marché grand public et le seul son natif abouti ; à réserver aux plans qui doivent être parfaits, avec Lite pour tout le reste.
• CTA : Proactive Academy vous aide à produire des séquences vidéo IA sonores pour vos contenus.

Veo, c’est quoi exactement

Veo est le modèle de génération vidéo de Google DeepMind. Veo 2, début 2025, était un générateur muet parmi d’autres. Veo 3, présenté en mai 2025, a changé la catégorie en générant le son avec l’image : un personnage qui parle avec des lèvres synchronisées, une porte qui claque au bon moment, une rue qui bruisse. Les concurrents ont mis un an à suivre. Certains n’y sont pas encore.

Veo 3.1, déployé à l’automne 2025, est la version de travail. Elle ajoute les « ingrédients », des images de référence qui fixent un personnage, un objet ou un décor pour toute une série de clips ; la génération entre une première et une dernière image, qui donne le contrôle des transitions ; l’extension d’un clip existant pour dépasser huit secondes ; et un rendu 1080p natif. En 2026, la famille compte trois modèles, Lite, Fast et Quality, qui partagent les mêmes capacités à trois niveaux de finesse et de prix. Les anciens points d’accès Veo 3 ont été fermés le 30 juin 2026 ; tout passe désormais par 3.1.

Sur les classements indépendants, Veo 3.1 se place dans le premier groupe en image-vers-vidéo avec son, derrière Runway sur le texte-vers-vidéo pur mais devant tous les autres sur la vraisemblance physique et sonore. C’est l’outil des plans où l’on ne veut pas que ça se voie.

Accéder à Veo depuis la France

C’est le point que la première version de cet article, publiée en juin 2025, avait faux, et il faut le dire net : Veo s’utilise en France, sans VPN, depuis 2025. Trois portes.

L’application Gemini. Avec un plan Google AI Plus, Pro ou Ultra, l’application Gemini génère des clips Veo directement dans la conversation, avec des limites d’usage par plan. C’est la porte des essais rapides, pas celle de la production.

Google Flow. Le studio de création vidéo de Google, flow.google, est le vrai outil. Il donne accès aux trois niveaux de Veo, aux ingrédients, au Scenebuilder pour enchaîner des plans, aux contrôles de caméra, et à une bibliothèque d’éléments réutilisables. Chaque plan Google AI y verse des crédits mensuels, et un compte sans abonnement reçoit 50 crédits par jour pour tester, d’après Veo3AI.

L’API Gemini et Vertex AI. Pour une équipe technique qui intègre la génération dans un outil interne ou un pipeline, la facturation est à la seconde, sans plan gratuit, avec des tarifs différents selon le niveau, la résolution et l’audio. Les crédits Flow et l’API sont deux systèmes séparés : un abonnement Google AI ne donne pas de crédits API.

Pour un formateur ou un communicant, la réponse est Flow avec un plan Pro. Pour une DSI, Vertex AI, qui apporte le cadre contractuel de Google Cloud.

Les crédits Flow : ce que chaque plan achète

Flow ne facture pas à la seconde mais à la génération, en crédits, selon le niveau choisi. Relevé au 15 septembre 2026 d’après CostGoat et la page officielle des abonnements.

Et ce que les plans donnent chaque mois : Google AI Plus, 200 crédits ; Google AI Pro, 1 000 crédits ; Google AI Ultra, 10 000 ou 25 000 crédits selon le palier. Les prix en France s’affichent sur la page officielle et ont bougé en 2026, en particulier pour Ultra, restructuré avec un palier d’entrée et un palier supérieur ; vérifiez-les au moment de souscrire.

Le calcul qui compte, sur Pro : 1 000 crédits font 100 générations Lite, 50 Fast ou 10 Quality par mois. Chaque génération rend jusqu’à huit secondes. Un formateur qui produit deux plans d’illustration par module, en Fast pour la production et Quality pour un plan final, tient une dizaine de modules par mois sur Pro. Les crédits supplémentaires s’achètent.

Votre premier clip sonore dans Flow : six étapes

Comptez vingt minutes. Le cas : un plan d’ouverture de huit secondes pour un module sur l’accueil client, avec une phrase de dialogue.

Étape 1 : ouvrir Flow et créer un projet

Rendez-vous sur flow.google avec un compte Google. Sans abonnement, vous avez 50 crédits par jour ; avec un plan Pro, 1 000 par mois. Créez un projet : Flow range les clips, les ingrédients et les scènes par projet, et c’est ce qui rend les séries cohérentes.

Étape 2 : choisir le niveau et le mode

Dans la barre de génération, choisissez Veo 3.1 Lite pour ce premier essai, le mode texte-vers-vidéo, le format 16:9, la durée de huit secondes. Vous passerez en Fast quand le prompt sera au point.

Étape 3 : écrire un prompt qui décrit aussi le son

C’est la différence avec les autres outils. En anglais :

Interior, bright modern reception desk, morning light, a receptionist in her thirties looks up and smiles at the camera and says "Bonjour, bienvenue, je peux vous aider ?", soft office ambience, distant phone ring, slow push-in, realistic, 8 seconds

Cinq éléments d’image (lieu, lumière, sujet, action, caméra), trois éléments de son (le dialogue entre guillemets, l’ambiance, un bruitage). Le dialogue en français entre guillemets est prononcé en français, même si le prompt est en anglais.

Étape 4 : générer et écouter avant de regarder

Le clip arrive en une à deux minutes. Écoutez-le une première fois sans regarder : le dialogue est-il intelligible, l’ambiance crédible, le bruitage au bon moment. Puis regardez : lèvres, mains, arrière-plan.

Étape 5 : fixer un ingrédient

Si la réceptionniste doit revenir dans d’autres plans, extrayez une image du clip ou importez une image de référence, et enregistrez-la comme ingrédient du projet. Les générations suivantes qui citent cet ingrédient garderont le même visage, la même tenue.

Étape 6 : régénérer en Fast, étendre si besoin

Relancez le prompt validé en Fast pour la version de production, ou en Quality pour un plan d’ouverture qui doit être parfait. Si huit secondes ne suffisent pas, utilisez l’extension : Flow prolonge le clip en gardant la continuité, par tranches de huit secondes. Exportez, et notez le prompt, le niveau et l’ingrédient dans le dossier du module.

Diriger le son : ce que Veo fait avec l’audio

Le son natif est la raison de choisir Veo, et il se dirige comme l’image. Quatre règles tirées de nos tests.

Le dialogue entre guillemets. Tout ce qui est entre guillemets est dit par le personnage, dans la langue écrite. Une phrase courte, dix mots au plus pour huit secondes. Sans guillemets, Veo peut faire parler le personnage de lui-même, en anglais, avec un texte inventé.

Les bruitages nommés. « A door closes », « footsteps on gravel », « a phone rings once ». Chaque bruitage nommé est placé au moment plausible. Un bruitage non nommé peut apparaître ou non.

L’ambiance décrite. « Quiet office ambience », « busy street », « silence with a light wind ». C’est la couche que Veo remplit toujours ; autant la choisir.

Le silence demandé. « No music », « no dialogue » : sans ces consignes, Veo ajoute parfois une musique de fond ou un murmure. Pour une séquence qui recevra une voix off, demandez « ambient sound only, no dialogue, no music ».

Le son natif a une limite : il ne remplace pas une voix off produite avec un outil vocal, plus contrôlable et modifiable après coup. Pour un module, gardez le son Veo pour l’ambiance et les bruitages, et produisez la narration ailleurs, comme le détaille notre guide de l’IA audio.

Ingrédients, images clés, extension : la cohérence

Trois fonctions. Elles font passer Veo d’un générateur de clips à un outil de séquences.

Les ingrédients. Jusqu’à trois images de référence par génération : un personnage, un objet, un décor. Veo les tient d’un clip à l’autre. Pour une série de modules avec un présentateur ou un produit récurrent, c’est la fonction qui rend la série possible.

La génération entre deux images. Vous donnez la première et la dernière image, Veo génère le mouvement entre les deux. C’est le contrôle le plus précis sur une transition, et la façon la plus sûre d’obtenir un plan qui se termine exactement où vous voulez.

L’extension. Un clip de huit secondes se prolonge par tranches, en gardant le mouvement et le son. Trois extensions donnent une trentaine de secondes cohérentes, à condition d’accepter que la qualité baisse un peu à chaque tranche.

Le Scenebuilder de Flow assemble ces clips en séquence, avec des contrôles de caméra par plan, et s’il ne remplace pas un logiciel de montage pour le rythme et le son, il évite de sortir de l’outil pour vérifier qu’une séquence tient avant d’avoir dépensé des crédits en Quality. Un aller-retour de moins.

Trois prompts sonores prêts à l’emploi

Trois cas. Ceux que nous faisons pratiquer en formation, avec le prompt à coller, tous en anglais et le dialogue en français entre guillemets.

Le plan d’illustration sans dialogue, destiné à recevoir une voix off :

Exterior, small industrial workshop at midday, a technician in her fifties checks a machine panel and nods, natural daylight, handheld feel but stable, ambient sound only: machine hum, distant tools, no dialogue, no music, 8 seconds

Le plan de dialogue court, pour ouvrir ou clore une partie :

Interior, quiet training room, a man in his forties turns to the camera and says "On fait une pause, on reprend dans dix minutes.", warm light, static shot, light room tone, no music, 8 seconds

Le plan produit, avec un ingrédient :

Using the reference product as ingredient: the device sits on a white desk, slow 90-degree orbit, soft studio light, a hand enters frame and presses the top button, a single soft click, no dialogue, no music, 8 seconds

Dans les trois, le son est dit : ce qu’on veut, ce qu’on ne veut pas. C’est ce qui évite la musique surprise et le dialogue inventé.

Une séquence de trente secondes, de A à Z

Un module a rarement besoin de huit secondes. Voici comment nous faisons construire une ouverture de trente secondes dans Flow, en quarante minutes et environ 250 crédits sur un plan Pro.

Minute 0 à 10 : l’ingrédient et le plan. Une image de référence du présentateur ou du décor, enregistrée comme ingrédient. Trois plans écrits sur une feuille : large, moyen, dialogue. Un prompt par plan, son compris.

Minute 10 à 25 : les trois plans en Lite. Deux générations par plan si la première dérive. Soixante crédits. On écoute avant de regarder, on note ce qui cloche, on corrige les prompts.

Minute 25 à 35 : les trois plans en Fast, ou le plan de dialogue en Quality. Cent soixante crédits. C’est la version de production.

Minute 35 à 40 : le Scenebuilder pour vérifier l’enchaînement, puis l’export des trois clips et le montage dans votre logiciel, avec la voix off produite ailleurs et posée sur les plans « ambient only ». Une ligne dans le dossier du module : prompts, niveaux, ingrédient.

Quarante minutes, 250 crédits, une ouverture cohérente. Sur Pro, il en reste pour trois autres ce mois-ci.

Par l’API : ce que coûte une seconde

Pour une équipe qui intègre Veo dans un outil, la facturation est à la seconde de vidéo produite, sans plan gratuit. Relevé en septembre 2026 d’après DIY AI et CostGoat.

Deux précisions. Ces montants supposent que chaque clip est accepté ; avec un taux de rejet normal, doublez. Et l’audio est optionnel par l’API et majore le tarif : pour une séquence qui recevra une voix off, générez sans audio. Pour moins de cinq clips par mois, l’API revient moins cher qu’un abonnement ; au-delà, Flow avec un plan Pro est plus simple et plus prévisible.

Cas d’usage en formation et en communication

Le plan d’ouverture d’un module. Huit secondes, un lieu, une personne, une phrase d’accueil dite à la caméra. Quality, une fois, pour donner le ton. C’est l’usage où le son natif change la perception d’un module.

Les séquences d’illustration. Un contexte, un geste, une situation, sans dialogue, en Fast, avec une consigne « ambient only » pour poser la voix off dessus. Deux ou trois par module.

La vidéo produit. Un objet en ingrédient, trois plans en Fast, un en Quality, l’extension pour un plan long. Le son natif donne le clic, le frottement, le bruit du produit.

Le prototype avant tournage. Storyboard animé en Lite, cinquante clips pour cent crédits, avant d’engager une équipe. C’est l’usage le moins visible et le plus rentable.

Dans les quatre cas, la même discipline : ingrédient d’abord si un élément revient, Lite pour itérer, Fast pour produire, Quality pour le plan qui compte, et le son dirigé dans le prompt. C’est ce cadre que Proactive Academy formalise avec les équipes qui produisent leurs vidéos en interne.

Limites et pièges

Huit secondes. C’est la longueur d’une génération. Une séquence se construit par extensions ou par montage, avec des raccords à soigner.

Les 720p par défaut sur Pro. Le plan Pro rend en 720p par défaut, Ultra en 1080p. Vérifiez le réglage avant un export destiné à un grand écran.

Le son inventé. Sans consigne, Veo ajoute une musique ou fait parler un personnage. Dites ce que vous ne voulez pas.

Les crédits perdus sur les ratés. Une génération ratée coûte autant qu’une réussie. Itérez en Lite.

L’API et Flow ne se parlent pas. Deux systèmes, deux factures. Ne comptez pas sur votre abonnement pour un usage technique.

Les personnes réelles. Un ingrédient à partir de la photo d’un collaborateur demande son consentement écrit, et le clip diffusé doit être signalé comme synthétique, comme l’exige l’AI Act depuis août 2026.

Le filigrane. Les clips Veo portent un filigrane invisible SynthID. Ne cherchez pas à le retirer : c’est votre preuve de bonne foi.