Google hat im Jahr 2025 mit der Einführung von Veo 3.1 einen bedeutenden Fortschritt in der KI-Videogenerierung präsentiert. Das neue Modell, das auf der im Frühjahr vorgestellten Veo 3-Architektur aufbaut, zielt darauf ab, hochauflösende Videos aus Text- und visuellen Eingaben zu erzeugen und dabei eine verbesserte Synchronisation von Dialogen, Musik und Soundeffekten zu gewährleisten. Diese Weiterentwicklung markiert einen wichtigen Schritt hin zu komplexen audiovisuellen Synthesen in der digitalen Kreation.
Der inoffizielle Härtetest für die Leistungsfähigkeit von KI-Videomodellen, das „Will Smith isst Spaghetti“-Szenario, wurde nun von Veo 3.1 erfolgreich gemeistert. Dieses Szenario, das bereits 2023 frühere Modelle an ihre Grenzen brachte und oft zu verzerrten, unheimlichen Darstellungen menschlicher Mimik und komplexer Handlungen führte, demonstriert nun eine signifikant verbesserte Wiedergabe von Details. Während frühere KI-Ergebnisse als „Albtraummaterial“ oder eine Mischung aus „Pixar trifft auf eine Müllentsorgung“ beschrieben wurden, zeigt Veo 3.1 eine weitaus höhere visuelle Genauigkeit.
Trotz der beeindruckenden visuellen Fortschritte, die eine Unterscheidung von authentischem Filmmaterial erschweren, verbleiben laut ersten Anwendern noch akustische Schwachstellen. Insbesondere das Knirschen beim Kauen der Spaghetti wurde teilweise als künstlich empfunden, was auf weiteren Verfeinerungsbedarf bei den Trainingsdaten für die akustische Authentizität hindeutet. Dennoch wird die Verbesserung gegenüber den verzerrten Darstellungen von 2023 als Beweis für die exponentielle Lernkurve der Technologie gewertet.
Um der zunehmenden Realitätsnähe der Kreationen entgegenzuwirken und Missbrauch einzudämmen, setzt Google auf Transparenzmechanismen. Alle mit Veo erstellten Videos werden mit dem unsichtbaren Wasserzeichen SynthID versehen, das Informationen direkt in die Pixel jeder Sequenz einbettet und selbst nach Transformationen nachweisbar bleibt. Zusätzlich kennzeichnet Google die Inhalte explizit mit dem Label „Veo“. Google unterstreicht damit sein Engagement für die Nachweisbarkeit der Herkunft, indem bereits über zehn Milliarden Inhaltselemente mit SynthID markiert wurden.
Veo 3.1, das über die Gemini API und in der Flow-Anwendung verfügbar ist, bietet erweiterte kreative Steuerungsmöglichkeiten. Nutzer können nun Referenzbilder verwenden, um Stil und Besetzung konsistent zu steuern, und sogar den ersten und letzten Frame definieren, damit die KI die Übergänge generiert. Diese technologischen Sprünge, die eine präzise filmische Steuerung komplexer Szenen ermöglichen, eröffnen neue Horizonte für die digitale Erzählung, wobei die Herausforderung in der verantwortungsvollen Nutzung dieser leistungsstarken Werkzeuge liegt.