Veo 3: cómo escribir prompts de vídeo con IA (y el audio nativo que lo cambia todo)

Durante años, generar vídeo con IA fue un truco de feria: clips de cuatro segundos, mudos, con manos que se derretían y caras que cambiaban a mitad de plano. Lo enseñabas en una story, gustaba, y luego no servía para nada serio. El salto que cambió la conversación no fue solo que la imagen mejorara. Fue que el vídeo empezó a sonar solo.

Eso es Veo 3. Y por eso, si haces contenido, conviene que entiendas cómo funciona y, sobre todo, cómo se le habla.

Qué es Veo 3 y qué lo distingue

Veo 3 es la familia de modelos de generación de vídeo de Google DeepMind. Le das un texto (o una imagen de partida) y te devuelve un clip. Hasta ahí, como el resto. La diferencia que lo separó del pelotón es una sola palabra: audio.

La mayoría de modelos de vídeo generan imagen muda. Tú luego, en otro programa, pegas música, efectos y voces a mano. Veo 3 genera el audio de forma nativa y sincronizada dentro del mismo plano: diálogos con la boca cuadrada, pasos que suenan cuando el pie toca el suelo, ambiente de cafetería de fondo, el chirrido de una puerta justo cuando se abre. No es una pista que añades después; nace pegada al vídeo.

Eso suena a detalle técnico, pero para un creador lo cambia todo. Significa que un solo prompt puede darte una escena lista para publicar: imagen, voz y sonido a la vez. El cuello de botella del montaje se reduce de golpe.

Las specs de hoy, sin inventar nada:

• Duración: clips de 4, 6 u 8 segundos. Para algo más largo, encadenas generaciones (y el coste sube en proporción).
• Resolución: 720p, 1080p y 4K (el 4K, vía Gemini API y Vertex AI, con sobrecoste).
• Formato: 16:9 y 9:16 (horizontal y vertical), justo lo que necesitas para YouTube o para reels y TikTok.
• Variantes: Veo 3.1 (calidad), Veo 3.1 Fast (más rápida y barata) y Veo 3.1 Lite (la más ligera). Todas con audio nativo.

Cómo se accede y cuánto cuesta

Veo 3 no vive en una sola puerta. Tienes varias entradas según para qué lo quieras:

• App de Gemini — la vía más directa para probarlo desde el móvil o el navegador.
• Google Flow — la herramienta de "cine con IA" de Google, pensada para encadenar planos y montar escenas. Es donde Veo brilla para quien produce de verdad.
• Gemini API — para desarrolladores que quieran integrarlo en su propio producto o flujo.
• Vertex AI — la versión empresa, con sus tres tiers (3.1, Fast y Lite) y opciones de upscaling.

Sobre el precio, sin marketing y con las cifras que da Google:

• Google AI Pro — unos 20 $/mes. Incluye una asignación de créditos de Flow (del orden de 1.000 al mes) que dan para unas pocas decenas de clips, según uses Lite, Fast o calidad. Por defecto tira de Veo 3.1 Lite y resuelve a 720p. Es el plan para probarlo en serio sin arruinarte.
• Google AI Ultra — unos 250 $/mes. El salto fuerte: del orden de 25.000 créditos y acceso completo a Veo 3 en calidad y Fast, con 1080p por defecto. Es el plan de quien produce vídeo a diario.
• Por API (Gemini / Vertex) — pago por segundo de vídeo generado, desde céntimos por segundo en Lite hasta tarifas más altas en calidad y 4K. Ideal si lo integras en un producto y quieres pagar exactamente lo que generas.

Cómo escribir un buen prompt de vídeo

Aquí está el verdadero oficio. Un prompt de vídeo no es un prompt de imagen con más palabras: tienes que dirigir movimiento, cámara y sonido a la vez. La buena noticia es que hay una estructura que funciona, y es la que recomienda la propia documentación de Veo.

Piensa en cinco capas, en este orden:

1. Sujeto — quién o qué protagoniza. No "un hombre", sino "un hombre mayor de barba blanca y abrigo de lana gastado". Cuanto más concreto, menos ambigüedad.
2. Acción — qué hace, en una frase con principio y fin. "Camina despacio hacia la cámara y se detiene".
3. Contexto — el entorno: lugar, hora del día, luz, clima, objetos, movimiento de fondo.
4. Cámara — el plano y su movimiento: "plano medio", "vista aérea", "travelling lateral", "a la altura de los ojos".
5. Audio — lo que se oye. El diálogo va entre comillas (eso activa la voz sincronizada), y describes aparte los efectos y el ambiente.

Tres reglas que marcan la diferencia:

• El orden importa. Veo interpreta la estructura de forma literal: lo que mencionas primero recibe más peso. Pon delante lo que de verdad debe protagonizar.
• La longitud justa. Apunta a 3-6 frases o 100-150 palabras. Ni una línea seca ni un párrafo infinito: lo segundo confunde al modelo.
• El audio se pide, no se asume. Si no nombras el sonido, Veo improvisa. Di explícitamente qué quieres oír y cuándo.

Galería de prompts copy-paste

Cinco prompts listos para pegar. Fíjate en cómo cada uno respeta las capas y, sobre todo, en cómo se pide el audio.

Plano medio, una mujer joven de pelo rizado y chaqueta vaquera, sentada en una cafetería luminosa por la mañana, hablando directamente a cámara con energía. Luz natural suave de ventana, fondo desenfocado con gente moviéndose. Cámara fija a la altura de los ojos. Ella dice: "Esto es lo que nadie te cuenta sobre empezar un negocio". Ambiente: murmullo de cafetería, taza posándose en el plato.

Plano detalle macro, unas zapatillas blancas minimalistas girando lentamente sobre una superficie de hormigón pulido. Iluminación de estudio limpia con un reflejo suave, fondo gris neutro. Cámara orbitando despacio alrededor del producto. Estilo publicitario premium, alta nitidez. Audio: un sutil zumbido grave de fondo y un ligero efecto de aire al girar.

Plano general, un detective con gabardina cruza una calle mojada de neón en una ciudad nocturna, retro años 80. Lluvia fina, charcos que reflejan letreros rojos y azules. Travelling lateral lento que lo acompaña. Estética de cine negro, grano de película, colores saturados. Audio: lluvia constante, pasos sobre el asfalto mojado, el rumor lejano del tráfico.

Vista aérea cenital, una costa rocosa donde las olas rompen contra acantilados al amanecer. Niebla baja sobre el agua, luz dorada rasante. Drone avanzando lentamente hacia el horizonte. Estilo documental natural, colores cálidos y realistas. Audio: olas rompiendo con fuerza, gaviotas distantes, viento suave sobre el micrófono.

Formato vertical 9:16, plano medio corto, un chef joven con delantal levantando la vista de golpe hacia la cámara en una cocina industrial. Luz cálida de focos, vapor subiendo en el fondo. Zoom rápido de acercamiento. Estilo dinámico de contenido para redes. Él dice, sorprendido: "¿Estabas grabando?". Audio: chisporroteo de sartén, ruido de cocina de fondo.

Los límites, sin maquillar

Veo 3 es lo mejor que hay en su parcela, pero no es magia infinita.

• 8 segundos de techo por generación. Para una pieza larga, encadenas clips, y eso multiplica coste y dificultad de mantener la coherencia entre planos.
• Los créditos vuelan. En el plan Pro, la calidad máxima se come los créditos rápido. Iterar a calidad alta sale caro; por eso conviene afinar en Fast.
• El audio no siempre clava el diálogo. La sincronía labial es buenísima, pero en frases largas o varios personajes a la vez aún patina. Frases cortas funcionan mejor.
• Control fino limitado. No esperes dirigir cada fotograma como en un editor. Diriges intención, no milímetros.
• 4K solo por las vías de pago serias (Gemini API y Vertex AI), con sobrecoste.

Comparación rápida: Veo 3, Kling y Higgsfield

El resumen honesto: si el audio importa en tu workflow, Veo 3 es la elección obvia. Kling brilla en duración y control de personaje; Higgsfield es la navaja suiza para no casarte con un solo modelo. No son lo mismo que Veo, son piezas distintas del mismo tablero.

¿Para quién es Veo 3?

Te interesa si eres creador de contenido que quiere clips listos para publicar con voz y sonido en un solo paso, si haces b-roll o anuncios donde el realismo y el audio integrado ahorran horas de montaje, o si ya vives en el ecosistema de Google (Gemini, Flow) y quieres todo en un sitio. También si estás dispuesto a aprender a dirigir por capas: el que escribe mejores prompts saca vídeos incomparablemente mejores con la misma herramienta.

No te interesa tanto si necesitas piezas largas de una sola generación, si tu prioridad absoluta es el coste por clip por encima de la calidad, o si quieres control fotograma a fotograma como en un editor profesional. Ahí, Veo te quedará corto o caro.

La pregunta de fondo no es "¿es Veo 3 el mejor modelo de vídeo?", porque en realismo y audio lo es a día de hoy. La pregunta es "¿sé escribir el prompt que lo desbloquea?". La herramienta ya está a la altura; el cuello de botella ahora eres tú dirigiendo. Y eso, a diferencia de pagar 250 $ al mes, se entrena gratis.