Veo é uma família de modelos de geração de texto para vídeo desenvolvida pelo Google DeepMind, anunciada pela primeira vez em maio de 2024. Ela se baseia em pesquisas internas anteriores do Google sobre geração de vídeo, incluindo os sistemas de pesquisa Imagen Video e Lumiere, e foi posicionada como a concorrente direta do Google ao Sora da OpenAI no mercado emergente de geração de vídeo por IA de alta fidelidade.
Capacidades e lançamentos
O modelo Veo inicial podia gerar clipes de vídeo em resolução 1080p a partir de prompts de texto, com controle sobre estilos cinematográficos como planos aéreos, timelapses e movimentos específicos de câmera, e suportava clipes com duração superior a um minuto. O Veo também suportava geração de imagem para vídeo, usando uma imagem estática como quadro inicial para o movimento gerado. Uma capacidade significativa introduzida com o Veo 3 em 2025 foi a geração de áudio sincronizado, produzindo diálogos, efeitos sonoros e ruído ambiente correspondentes aos visuais gerados, um recurso que o distinguia da maioria dos modelos de vídeo concorrentes, que na época geravam vídeo silencioso exigindo trilhas de áudio produzidas separadamente.
Integração
O Google integrou o Veo em vários de seus próprios produtos, incluindo ferramentas experimentais de criação e filmagem, e, notavelmente, recursos que permitiam aos criadores do YouTube gerar conteúdo de vídeo, incluindo Shorts, diretamente da plataforma usando o Veo. Essa integração estreita com o YouTube deu ao Veo uma vantagem de distribuição em relação aos produtos independentes de geração de vídeo, incorporando a geração de vídeo por IA diretamente em uma das maiores plataformas de vídeo do mundo, em vez de exigir um aplicativo ou fluxo de trabalho separado. O Veo também foi disponibilizado por meio do aplicativo Gemini do Google e da plataforma empresarial Vertex AI, ecoando a estratégia de distribuição mais ampla que o Google aplicou à família de modelos de linguagem Gemini.
Cenário competitivo
O Veo entrou em um campo em rápida evolução ao lado do Sora, do Kling da Kuaishou, do Seedance da ByteDance e de laboratórios independentes como o Runway, com cada concorrente iterando em resolução, duração de clipe, coerência física e aderência ao prompt ao longo de 2024 e 2025. Rankings comparativos em benchmarks de geração de vídeo e arenas da comunidade mudaram repetidamente à medida que cada laboratório lançava versões atualizadas, com diferentes modelos liderando em diferentes eixos, como realismo de movimento, sincronização de áudio ou fidelidade ao prompt em vários momentos. A capacidade de áudio do Veo 3, em particular, foi amplamente citada por revisores como um diferencial significativo em seu lançamento, já que o som realista sincronizado ficava atrás da qualidade visual em todo o campo de geração de vídeo.
Recepção e preocupações
Como outros sistemas avançados de geração de vídeo, o Veo atraiu escrutínio sobre seu potencial de uso indevido na criação de deepfakes convincentes e representações não autorizadas de pessoas reais, e o Google implementou salvaguardas, incluindo marca d'água visível e invisível do conteúdo gerado, parte dos esforços mais amplos da empresa em marca d'água de IA sob seu sistema SynthID. O desenvolvimento do Veo também foi discutido no contexto do interesse de pesquisa do Google em modelos de mundo, com alguns pesquisadores e as próprias comunicações do Google DeepMind enquadrando a geração de vídeo de alta fidelidade como um passo em direção a sistemas que modelam dinâmicas físicas em vez de meramente produzir imagens visualmente plausíveis, um enquadramento que ecoava afirmações feitas sobre o Sora e que permaneceu um tema de debate sobre quanto entendimento físico genuíno esses sistemas realmente codificam.