Veo 3.1 Fastは、Google DeepMindのVeo 3.1動画モデルにおける、速度とコストの中間層です。標準のVeo 3.1より高速かつ低コストでありながら、ネイティブ音声の生成を維持しています。VIBE内では、フルスペックのVeo 3.1と、より安価なVeo 3.1 Liteの中間に位置し、テキストプロンプトまたは開始画像のどちらからでも生成できます。このガイドでは、3つのVeo 3.1ティア間で何が変わるのか——解像度、長さ、音声、トークンコスト——そしてどのティアをいつ選ぶべきかを詳しく解説します。
VIBEは、Kling、Sora、Veoといった最新のAIモデルを使い、テキストプロンプトや画像から見事な動画を作成できるAI動画生成アプリです。Veo 3.1 Fastは、VIBEのカタログにある5つのGoogle Veoモデルの1つで、Veo 2、Veo 3 Fast、標準のVeo 3.1、Veo 3.1 Liteと並んでいます。
Veo 3.1 Fastとは?
Veo 3.1 Fastは、Google DeepMindのVeo 3.1ファミリーの中間ティアで、標準のVeo 3.1およびVeo 3.1 Liteとともに2025年10月15日にリリースされました。3つのモデルはすべて、セリフ、効果音、環境音といったネイティブ音声を、別の編集ステップとしてではなく同じレンダリング内で生成し、いずれもテキストプロンプトまたは開始画像を入力として受け付けます。VIBE内では、このティアはプレミアム限定です。無料プランには含まれておらず、テキストから動画と画像から動画の両方を、720pまたは1080pで、4秒・6秒・8秒のクリップとしてサポートします。VIBE内のVeoモデルファミリーは現在5つのバージョンにわたり、オリジナルのVeo 2からVeo 3.1 Liteまで、それぞれ速度、品質、コストの異なるバランスに調整されています。
標準のVeo 3.1やVeo 3.1 Liteとどう違うのか?
VIBE内の3つのVeo 3.1ティアは、同じ解像度・長さ・アスペクト比を共有しますが、音声、参照画像、トークンコストが異なります。
- Veo 3.1 Fast — 720pまたは1080p、4・6・8秒、音声はオプションのトグル、よりスムーズな遷移のためのラストフレーム画像入力、音声ありで秒あたり15トークン(なしで10)。
- Veo 3.1(標準) — 720pまたは1080p、4・6・8秒、音声はオプションのトグル、被写体の一貫性のための最大3枚の参照画像とラストフレーム入力、音声ありで秒あたり27トークン(なしで14)。
- Veo 3.1 Lite — 720pのみ、4・6・8秒、トグルなしで音声は常にオン、参照画像入力、3つの中で最も安価な秒あたり10トークン。
コストは3つを最も明確に分ける要素です。標準のVeo 3.1は、同じ長さ・音声設定でこのティアのほぼ2倍のコストがかかり、Veo 3.1 Liteは音声トグルを考慮する前でも約3分の1安くなります。トレードオフとして、標準のVeo 3.1だけが一貫性のための複数参照画像を中心に設計されており、Veo 3.1 Liteは720pが上限で音声を常にオフにはできません。
Google DeepMind自身が公開している、数百のプロンプトにわたるモデル比較によると、Veo 3.1 Liteはテキストから動画の品質でVeo 3.1 Fastをわずかに上回っています——1,000件のプロンプトで54.6%の勝率——一方、画像から動画では646件のプロンプトで47.2%の勝率とわずかに劣っています。実際には、最速・最安のティアが自動的に最低品質になるわけではなく、正しい選択は生の出力品質よりも解像度と参照画像のニーズに大きく左右されます。
Veo 3.1 Fastは音声を生成するか?
はい——このティアはVIBE内で音声を生成しますが、トグルは常時オンではなくオプションです。音声をオンにすると秒あたり15トークン、同じクリップを無音で生成すると秒あたり10トークンです。このオプション音声の構造は標準のVeo 3.1(音声ありで秒あたり27トークン、なしで14)と同じで、Veo 3.1 Liteにはトグル自体が存在せず、このティアのすべてのクリップにデフォルトで音声が含まれます。Sora 2はVeo 3.1 Liteと同じ常時オンの方式を採用しており、すべてのクリップで同期したセリフと効果音を生成し、オフにする方法はありません。
音声トラックには、プロンプトで直接記述された環境音、効果音、セリフの手がかりを含めることができ、後から別の編集ステップで追加するのではなく、動画と同じパスで生成されます。これは会話シーンで重要です。口の動きと発言されるセリフが2回ではなく1回の生成から生まれるためです。
利用できる解像度・長さ・アスペクト比は?
このティアは720pまたは1080p解像度で生成され、デフォルトは1080p、クリップの長さは4秒・6秒・8秒です。アスペクト比は2種類——16:9の横型と9:16の縦型——が利用でき、水平のYouTubeアップロードと、同じモデルでの垂直なShorts・Reels・TikTokクリップの両方をカバーします。
生成前に知っておくべき実用的な制限がいくつかあります。
- 3つのVeo 3.1ティアのいずれにも4:3、1:1、正方形のオプションはなく、16:9と9:16のみが利用可能です。
- 8秒を超えるクリップは、3つのティアのいずれでも1回の生成では不可能であり、より長い完成動画を作るには複数のクリップを生成して後でつなぎ合わせる必要があります。
- 1080pはVeo 3.1 Fastと標準のVeo 3.1で利用可能ですが、Veo 3.1 Liteでは長さにかかわらず720pに制限されます。
60秒で、はじめてのAI動画を。
Kling、Veo、SoraなどでAI動画を生成 — iOS・Androidで無料。
Sora 2やKlingの代わりにこのモデルを使うべき場面は?
このティアは、標準のVeo 3.1よりも低いトークンコストでGoogleの音声・動画生成が必要でありながら、Veo 3.1 Liteの720p上限まで落としたくない場合に最適な選択です。Kling 3、Veo 3.1 Fast、Sora 2を並べて比較すると、同じプロンプトで音声処理、解像度、コストがどう異なるかがわかります。Sora 2は常にトグルなしで同期したセリフを1080pまで生成し、Veoの各ティアとは別に価格設定されています——直接的なトークンと機能の比較はVeo対Sora 2を参照してください。Klingのプレミアムティアはネイティブ音声よりも映画的なカメラワークを重視しているため、2つのファミリー間の選択は、特定のクリップにとってカメラワークと音声のどちらが重要かに左右されることが多いです。
目安として、1080pとオプション音声が重要でありながら標準のVeo 3.1の完全な参照画像ワークフローは不要な場合はこのティアを、キャラクターや製品が複数の生成クリップにわたって一貫している必要がある場合は標準のVeo 3.1を、720pで十分で追加のトグルなしにすべてのクリップに音声を含めたい場合はVeo 3.1 Liteを選びましょう。最高のAI動画モデルの月次まとめでは、新しいバージョンがリリースされるたびに、3つのVeo 3.1ティアがKling、Sora、Seedanceと比べてどう位置づけられるかを追跡しています。
セリフと環境音のプロンプトの書き方は?
このティアでは音声が動画と同じパスで生成されるため、プロンプトは映像シーンを描写するのと同じ具体性で、実際に画面で起きていることに根ざして音を描写する必要があります。一貫して機能するパターンがいくつかあります。
- 音源を直接名指しする——バリスタがミルクを泡立てる音、スチームノズルのシューという音——は、「カフェ」という一般的な描写よりも正確な環境音トラックを生み出します。
- セリフは独白ではなく、目に見える動作に結びついた短い引用符付きの一文として書く——スマートフォンをちらりと見て短い一言を言うキャラクターの方が、長いやり取りよりも確実に機能します。
- 音源だけでなく音響空間も描写する——空っぽの立体駐車場での反響は、空間の描写がない単なる足音とは異なる音でレンダリングされます。
- 後で編集ソフトでナレーションや音楽を追加する無音のBロール用に、音声をオフにしてコストを秒あたり15トークンから10トークンに下げます。
音声と動画を一緒にプロンプトする方が、2つの別々の指示よりも1つの組み合わせた描写として書く方がうまくいきます。このティアは1回のリクエスト、1回のパスで両方を生成するためです。
よくある質問
Veo 3.1 Fastとは?
Google DeepMindのVeo 3.1動画モデルの中間ティアで、標準のVeo 3.1より低いトークンコストで、最大1080pのクリップをオプションのネイティブ音声付きで生成します。VIBEは、Kling、Sora、Veoといった最新のAIモデルを使い、テキストプロンプトや画像から見事な動画を作成できるAI動画生成アプリで、このティアは利用可能な5つのVeoモデルの1つです。
Veo 3.1 Fastは音声を生成しますか?
はい、ただしオプションです。トグルをオンにするとVIBEで秒あたり15トークン、無音クリップの生成では秒あたり10トークンです。
VIBEの無料プランで利用できますか?
いいえ。プレミアム限定であり、3つのVeo 3.1ティアのいずれも現在VIBEの無料プランには含まれていません。
Veo 3.1 Fastの最大解像度は?
1080pです。3つのVeo 3.1ティアの中でこの上限を共有するのは標準のVeo 3.1のみで、Veo 3.1 Liteは720pに制限されています。
Veo 3.1 FastはVeo 3.1 Liteより優れていますか?
一貫してそうとは限りません。Google DeepMind自身が公開した比較によると、Liteはテキストから動画のプロンプトでより頻繁に勝ち、Fastは画像から動画のプロンプトでより頻繁に勝つため、どちらが良いかは生成モードと1080pが重要かどうかによります。
写真から動画を生成できますか?
はい。テキストから動画に加えて画像から動画にも対応しており、2つの生成クリップ間でよりスムーズな遷移を作るためのラストフレーム画像入力も受け付けます。
標準のVeo 3.1と比べてコストはどのくらいですか?
同じ音声設定で秒あたりのトークン数がほぼ半分です——音声ありで秒あたり15トークンに対し、標準のVeo 3.1は27トークンです。
まとめ
Veo 3.1 Fastは、VIBEのVeo 3.1ラインナップにおける中間設定です。標準のVeo 3.1より高速で低コストながら、より高い解像度上限と、Veo 3.1 Liteにはない音声トグルを備えています。3つのティアのどれが客観的に最良というわけではなく、参照画像による一貫性、1080p、あるいは可能な限り低いトークンコストのどれをプロジェクトが必要とするかによって決まります。VIBEは5つすべてのVeoモデルと、カタログ内の他のすべてのモデルを、iOSとAndroidの1つのピッカーにまとめています。VIBEをダウンロードして、同じプロンプトで3つのVeo 3.1ティアを直接比較し、その違いを自分の目で確かめてください。
