Veo 3.1 Fast ist die mittlere Geschwindigkeits- und Kostenstufe von Google DeepMinds Veo 3.1 Videomodell: schneller und günstiger als das Standard-Veo 3.1, aber weiterhin mit nativem Ton. Innerhalb von VIBE liegt es zwischen dem vollen Veo 3.1 und dem günstigeren Veo 3.1 Lite, und es funktioniert sowohl mit einem Text-Prompt als auch mit einem Startbild. Dieser Guide zeigt genau, was sich zwischen den drei Veo 3.1 Stufen unterscheidet — Auflösung, Länge, Ton und Tokenkosten — und wann welche Stufe die richtige Wahl ist.
VIBE ist eine KI-Video-App, mit der du aus Text-Prompts oder Bildern beeindruckende Videos erstellst, mit den neuesten KI-Modellen wie Kling, Sora und Veo. Veo 3.1 Fast ist eines von fünf Google-Veo-Modellen im Katalog von VIBE, neben Veo 2, Veo 3 Fast, dem Standard-Veo 3.1 und Veo 3.1 Lite.
Was ist Veo 3.1 Fast?
Veo 3.1 Fast ist die mittlere Stufe von Google DeepMinds Veo 3.1 Familie, veröffentlicht zusammen mit dem Standard-Veo 3.1 und Veo 3.1 Lite am 15. Oktober 2025. Alle drei Modelle erzeugen Video mit nativem Ton im selben Rendering-Durchgang — Dialog, Soundeffekte und Umgebungsgeräusche — statt als separaten Bearbeitungsschritt, und alle drei akzeptieren entweder einen Text-Prompt oder ein Startbild als Eingabe. Innerhalb von VIBE ist diese Stufe ausschließlich für Premium-Nutzer verfügbar: Sie ist nicht Teil der kostenlosen Stufe und unterstützt sowohl Text-zu-Video als auch Bild-zu-Video in 720p oder 1080p, in Clips von 4, 6 oder 8 Sekunden. Die Veo-Modellfamilie in VIBE umfasst inzwischen fünf Versionen, vom ursprünglichen Veo 2 bis Veo 3.1 Lite, jede auf eine andere Balance aus Geschwindigkeit, Qualität und Kosten abgestimmt — die richtige Wahl zu treffen ist wichtiger, als nach dem einen "besten" Veo-Modell zu suchen.
Wie unterscheidet es sich vom Standard-Veo 3.1 und Veo 3.1 Lite?
Die drei Veo 3.1 Stufen in VIBE teilen dieselben Auflösungen, Längen und Seitenverhältnisse, unterscheiden sich aber bei Ton, Referenzbildern und Tokenkosten:
- Veo 3.1 Fast — 720p oder 1080p, 4, 6 oder 8 Sekunden, Ton ist ein optionaler Schalter, Last-Frame-Bildeingabe für sanftere Übergänge, 15 Tokens pro Sekunde mit Ton (10 ohne).
- Veo 3.1 (Standard) — 720p oder 1080p, 4, 6 oder 8 Sekunden, Ton ist ein optionaler Schalter, bis zu drei Referenzbilder für Konsistenz plus Last-Frame-Eingabe, 27 Tokens pro Sekunde mit Ton (14 ohne).
- Veo 3.1 Lite — nur 720p, 4, 6 oder 8 Sekunden, Ton immer aktiv ohne Schalter, Referenzbild-Eingabe, die günstigste der drei Stufen mit 10 Tokens pro Sekunde.
Die Kosten trennen die drei Stufen am klarsten: Das Standard-Veo 3.1 kostet fast doppelt so viel wie die Fast-Stufe bei gleicher Länge und Toneinstellung, und Veo 3.1 Lite unterbietet sie um etwa ein Drittel — noch bevor der Ton-Schalter berücksichtigt wird. Der Kompromiss: Nur das Standard-Veo 3.1 bietet mehrere Referenzbilder für Konsistenz, während Veo 3.1 Lite bei 720p endet und den Ton nie abschalten kann.
Google DeepMinds eigener veröffentlichter Modellvergleich über Hunderte von Prompts ergab, dass Veo 3.1 Lite die Fast-Stufe bei Text-zu-Video-Qualität tatsächlich leicht schlägt — eine Gewinnrate von 54,6 % über 1.000 Prompts — während es bei Bild-zu-Video mit einer Gewinnrate von 47,2 % über 646 Prompts leicht zurückliegt. In der Praxis bedeutet das: Die schnellste, günstigste Stufe ist nicht automatisch die mit der niedrigsten Qualität. Die richtige Wahl hängt stärker von Auflösung und Referenzbild-Bedarf ab als von der reinen Ausgabequalität.
Hat Veo 3.1 Fast Ton?
Ja — diese Stufe erzeugt Ton in VIBE, aber der Schalter ist optional statt immer aktiv. Ton einzuschalten kostet 15 Tokens pro Sekunde; denselben Clip stumm zu erzeugen kostet 10 Tokens pro Sekunde. Diese optionale Tonstruktur entspricht dem Standard-Veo 3.1 (27 Tokens pro Sekunde mit Ton, 14 ohne), während Veo 3.1 Lite gar keinen Schalter hat — jeder Clip dieser Stufe enthält standardmäßig Ton. Sora 2 geht denselben immer-aktiven Weg wie Veo 3.1 Lite und erzeugt bei jedem Clip synchronisierten Dialog und Soundeffekte, ohne Möglichkeit, dies abzuschalten.
Die Tonspur kann Umgebungsgeräusche, Soundeffekte und Dialogzeilen enthalten, die direkt im Prompt beschrieben werden, erzeugt im selben Durchgang wie das Video statt nachträglich in einem separaten Bearbeitungsschritt. Das ist bei einer Sprechszene wichtig: Lippenbewegung und gesprochene Zeile stammen aus einer einzigen Erzeugung statt aus zwei.
Welche Auflösungen, Längen und Seitenverhältnisse sind verfügbar?
Diese Stufe erzeugt in 720p oder 1080p Auflösung, mit 1080p als Standard, in Clips von 4, 6 oder 8 Sekunden. Zwei Seitenverhältnisse stehen zur Verfügung — 16:9 im Querformat und 9:16 im Hochformat — und decken damit sowohl einen horizontalen YouTube-Upload als auch einen vertikalen Shorts-, Reels- oder TikTok-Clip mit demselben Modell ab.
Ein paar praktische Grenzen solltest du vor dem Generieren kennen:
- Es gibt kein 4:3-, 1:1- oder quadratisches Format bei keiner der drei Veo 3.1 Stufen — nur 16:9 und 9:16 sind verfügbar.
- Clips über 8 Sekunden sind bei keiner der drei Stufen in einer einzigen Erzeugung möglich; ein längeres fertiges Video bedeutet, mehrere Clips zu erzeugen und sie danach zusammenzufügen.
- 1080p ist bei Veo 3.1 Fast und dem Standard-Veo 3.1 verfügbar, aber nicht bei Veo 3.1 Lite, das unabhängig von der Länge auf 720p begrenzt ist.
Erstelle dein erstes KI-Video in 60 Sekunden
Generiere KI-Videos mit Kling, Veo, Sora und mehr – kostenlos auf iOS und Android.
Wann solltest du dieses Modell statt Sora 2 oder Kling nutzen?
Diese Stufe ist die bessere Wahl, wenn ein Projekt Googles Audio-und-Video-Erzeugung zu geringeren Tokenkosten als das Standard-Veo 3.1 braucht, ohne ganz auf die 720p-Grenze von Veo 3.1 Lite herunterzugehen. Der direkte Vergleich von Kling 3, Veo 3.1 Fast und Sora 2 zeigt, wie sich die drei bei Ton, Auflösung und Kosten am selben Prompt unterscheiden. Sora 2 erzeugt immer synchronisierten Dialog ohne Schalter, bis zu 1080p, und wird unabhängig von jeder Veo-Stufe bepreist — siehe Veo gegen Sora 2 für einen direkten Token- und Funktionsvergleich. Klings Premium-Stufen setzen eher auf kinematische Kamerafahrten als auf nativen Ton, weshalb die Wahl zwischen beiden Familien meist davon abhängt, ob Kameraarbeit oder Ton für einen bestimmten Clip wichtiger ist.
Als Faustregel: Greife zu dieser Stufe, wenn 1080p und optionaler Ton wichtig sind, der volle Referenzbild-Workflow des Standard-Veo 3.1 aber nicht gebraucht wird; greife zum Standard-Veo 3.1, wenn eine Figur oder ein Produkt über mehr als einen erzeugten Clip hinweg konsistent bleiben muss; und greife zu Veo 3.1 Lite, wenn 720p ausreicht und jeder Clip ohne zusätzlichen Schalter Ton enthalten soll. Die monatliche Übersicht der besten KI-Videomodelle verfolgt, wie sich alle drei Veo 3.1 Stufen gegenüber Kling, Sora und Seedance schlagen, sobald neue Versionen erscheinen.
Wie prompted man Dialog und Umgebungston?
Da der Ton auf dieser Stufe im selben Durchgang wie das Video erzeugt wird, muss der Prompt den Klang genauso beschreiben wie die visuelle Szene — konkret und an das gebunden, was tatsächlich auf dem Bildschirm passiert. Ein paar Muster funktionieren zuverlässig:
- Benenne die Klangquelle direkt: Ein Barista, der Milch aufschäumt, das Zischen der Dampfdüse, erzeugt eine genauere Umgebungsspur als eine allgemeine Beschreibung wie "ein Café".
- Schreibe Dialog als kurze, in Anführungszeichen gesetzte Zeile, gebunden an eine sichtbare Handlung, statt als Monolog — eine Figur, die auf ihr Handy schaut und einen kurzen Satz sagt, funktioniert zuverlässiger als ein ganzer Austausch.
- Beschreibe den akustischen Raum, nicht nur die Klangquelle: Hall in einer leeren Parkgarage klingt anders im Rendering als Schritte allein, ohne Raumbeschreibung.
- Schalte den Ton aus — die Kosten sinken von 15 auf 10 Tokens pro Sekunde — für stummes B-Roll, das später unter Erzählung oder Musik in einem Editor liegen soll.
Ton und Video gemeinsam zu prompten funktioniert am besten als eine kombinierte Beschreibung statt als zwei getrennte Anweisungen, da diese Stufe beides aus einer einzigen Anfrage in einem Durchgang erzeugt.
Häufig gestellte Fragen
Was ist Veo 3.1 Fast?
Google DeepMinds mittlere Veo 3.1 Videostufe, die Clips bis zu 1080p mit optionalem nativem Ton zu geringeren Tokenkosten als das Standard-Veo 3.1 erzeugt. VIBE ist eine KI-Video-App, mit der du aus Text-Prompts oder Bildern beeindruckende Videos erstellst, mit den neuesten KI-Modellen wie Kling, Sora und Veo, und diese Stufe ist eines von fünf verfügbaren Veo-Modellen.
Hat Veo 3.1 Fast Ton?
Ja, aber optional. Den Schalter einzuschalten kostet 15 Tokens pro Sekunde in VIBE; einen stummen Clip zu erzeugen kostet 10 Tokens pro Sekunde.
Ist es in der kostenlosen Stufe von VIBE verfügbar?
Nein. Es ist ausschließlich für Premium-Nutzer, und keine der drei Veo 3.1 Stufen ist derzeit in der kostenlosen Stufe von VIBE enthalten.
Was ist die maximale Auflösung von Veo 3.1 Fast?
1080p. Nur das Standard-Veo 3.1 teilt diese Obergrenze unter den drei Veo 3.1 Stufen — Veo 3.1 Lite ist auf 720p begrenzt.
Ist Veo 3.1 Fast besser als Veo 3.1 Lite?
Nicht durchgehend. Google DeepMinds eigener veröffentlichter Vergleich ergab, dass Lite bei Text-zu-Video-Prompts häufiger gewinnt, während Fast bei Bild-zu-Video-Prompts häufiger gewinnt — die bessere Wahl hängt also vom Generierungsmodus und davon ab, ob 1080p wichtig ist.
Kann es ein Video aus einem Foto erzeugen?
Ja. Es unterstützt Bild-zu-Video ebenso wie Text-zu-Video und akzeptiert eine Last-Frame-Bildeingabe für sanftere Übergänge zwischen zwei erzeugten Clips.
Wie viel kostet es im Vergleich zum Standard-Veo 3.1?
Ungefähr halb so viele Tokens pro Sekunde bei gleicher Toneinstellung — 15 Tokens pro Sekunde mit Ton gegenüber 27 beim Standard-Veo 3.1.
Fazit
Veo 3.1 Fast ist die mittlere Einstellung in VIBEs Veo-3.1-Lineup: schneller und günstiger als das Standard-Veo 3.1, mit einer höheren Auflösungsgrenze und einem Ton-Schalter, den Veo 3.1 Lite nicht hat. Keine der drei Stufen ist objektiv die beste — die richtige hängt davon ab, ob ein Projekt Referenzbild-Konsistenz, 1080p oder die niedrigsten möglichen Tokenkosten braucht. VIBE bringt alle fünf Veo-Modelle, plus jedes andere Modell im Katalog, in einen einzigen Picker auf iOS und Android. Lade VIBE herunter und vergleiche alle drei Veo 3.1 Stufen direkt am selben Prompt, um den Unterschied selbst zu sehen.
