Veo 3.1 Lite Image-to-Video API: 完全開発者ガイド

Veo 3.1 Lite の image-to-video API を本番環境に導入すべきか判断するための、スペック・ベンチマーク・コスト比較をまとめたリファレンスガイド。

---

Veo 3.1 Lite とは何か

Google が Gemini API 経由で提供する veo-3.1-lite-generate-preview は、静止画を入力として高品位な動画を生成するモデルだ。最大の特徴は ネイティブ音声生成（BGM・環境音）が同時に出力される点で、別途 TTS や音声合成パイプラインを組む必要がない。

位置づけとしては、フルモデルの veo-3.1-generate-preview よりも低レイテンシ・低コストに調整された「開発者向けエントリーポイント」だ（Google AI for Developers）。

---

Veo 3.0 からの変更点

現時点で Google が公式に開示している差分は限られているが、以下の点が確認されている。

項目	Veo 3.0 (参考値)	Veo 3.1 Lite	備考
ネイティブ音声出力	なし	あり	BGM・効果音を同時生成
最高解像度	720p	1080p	WaveSpeed AI ドキュメントより
アスペクト比の選択肢	16:9 のみ	16:9 / 9:16 / 1:1 他	Fal.ai ドキュメントより
API エンドポイント	非同期のみ	非同期（poll ベース）	変わらず
価格帯	より高い	Veo 3.1 フルの削減版	後述の料金表参照

「Lite」というサフィックスが示す通り、品質よりもスループットとコストを優先したチューニングだ。具体的な VBench スコアや FID 値は 2025 年 7 月時点で Google から公開されていないため、本ガイドでは第三者プロバイダのドキュメントから得られる実測情報を中心に記載する。

---

技術仕様

パラメータ	値
モデル ID	veo-3.1-lite-generate-preview
入力	静止画 (JPEG / PNG / WebP) + テキストプロンプト
出力解像度	720p または 1080p
アスペクト比	16:9, 9:16, 1:1（プロバイダにより差異あり）
出力フォーマット	MP4 (H.264)
動画長	〜8 秒（モデルの標準出力）
音声出力	BGM・環境音をネイティブ生成（オプション有効時）
API 方式	非同期タスクキュー（submit → poll → retrieve）
公式エンドポイント	https://generativelanguage.googleapis.com/v1beta/
認証	API Key または OAuth 2.0
レート制限	Gemini API の共通クォータに依存（プレビュー段階）
地域	グローバル（一部リージョン制限あり）

注意: generate-preview の名称が示す通り、これは GA（Generally Available）ではなくプレビュー段階のモデルだ。本番環境での SLA は保証されていない。

---

競合モデルとのベンチマーク比較

公式の VBench スコアが非公開のため、各モデルの公開スペックと実用面での比較を行う。

モデル	最高解像度	音声出力	最大動画長	API 方式	備考
Veo 3.1 Lite	1080p	✅ ネイティブ	~8 秒	非同期	Google / Gemini API
Runway Gen-4	1080p	❌	10 秒	非同期	映像品質は高評価
Kling 2.1	1080p	❌	10 秒	非同期	コスト効率が高い
Pika 2.2	1080p	✅ (追加オプション)	10 秒	非同期	音声は別処理

差別化ポイント: ネイティブ音声生成は Veo 3.1 系列の固有機能だ。Runway や Kling はビデオ単体出力で、音声を付加するには別パイプラインが必要になる。一方、映像の時間的一貫性やモーションクオリティについては、Runway Gen-4 が依然として業界でのリファレンスとなっているため、映像品質が最優先なら Runway も評価する価値がある。

---

料金比較

WaveSpeed AI・Fal.ai・AIML API など複数のプロキシプロバイダ経由でも利用可能。以下は 2025 年 7 月時点の参考値。

プロバイダ	モデル	料金（1 動画あたりの目安）	備考
Google AI Studio	Veo 3.1 Lite	無料枠あり（プレビュー期間中）	本番用途はクォータ要確認
Fal.ai	fal-ai/veo3.1/lite/image-to-video	従量課金（公式サイト参照）	最小セットアップで利用可能
WaveSpeed AI	Google Veo 3.1 Lite	従量課金	1080p 対応を明記
AIML API	Veo 3.1 Image-to-Video	従量課金	/v2 エンドポイント
Runway Gen-4	Gen-4 Turbo	$0.05 / 秒（参考）	音声出力は別途
Kling 2.1	Standard	$0.028 / 秒（参考）	コスト最安クラス

料金は変動する。実際の単価は各プロバイダの公式ドキュメントで確認すること。Veo 3.1 Lite は「best prices for developers」と Google が明言しており（Gemini API Docs）、フルモデルより低コストに設定されている。

---

ワークフローと API 設計

Veo 3.1 Lite のリクエストは 非同期の 2 ステップで構成される。

1. Submit: generateVideos にプロンプト・画像・パラメータを送信 → operationId を取得
2. Poll: operationId でステータスをポーリング → done: true になったら動画 URL を取得

生成時間は解像度・キュー状況によるが、720p で 30〜90 秒、1080p で 60〜180 秒が現実的なレンジだ。タイムアウト設定は最低 3 分以上にしておくこと。

---

最小動作コード例（Python / Gemini API）

import time
import google.generativeai as genai
from google.generativeai import types
import PIL.Image

genai.configure(api_key="YOUR_API_KEY")
client = genai.Client()

image = PIL.Image.open("input.jpg")
operation = client.models.generate_videos(
    model="veo-3.1-lite-generate-preview",
    prompt="The subject slowly turns to face the camera, cinematic lighting",
    image=image,
    config=types.GenerateVideosConfig(aspect_ratio="16:9", duration_seconds=8),
)
while not operation.done:
    time.sleep(10)
    operation = client.operations.get(operation)

operation.result.generated_videos[0].video.save("output.mp4")

このコードは Google AI for Developers の公式ドキュメントを参考に構成した。google-generativeai SDK の最新バージョン（0.8 以降）が必要。

---

ユースケースと具体例

適しているケース:

• Eコマース商品動画: 商品画像から自動的に 360° 風の動画を生成。音声不要ならオフにもできる。
• SNS 向けショートコンテンツ: 9:16 出力に対応しているため、TikTok・Instagram Reels 向けのポートレート動画をそのまま生成できる。
• プロトタイプ・スタブ映像: 本番撮影前の絵コンテ代替。ネイティブ音声が入るためステークホルダーへのプレゼンが早い。
• ゲーム内カットシーン生成: キャラクターのコンセプトアートを動かすプロトタイプ。
• 教育コンテンツ: 図解画像を動画化し、ナレーションとは別に環境音で臨場感を追加。

向いていないケース（後述）:

• 長尺（8 秒超）のシームレスな映像
• 映像品質が最優先の商業映像制作

---

制限事項と使うべきでないケース

制限	詳細
プレビュー段階	SLA なし。本番トラフィックに組み込む場合はフォールバックを必ず実装すること
動画長の上限	~8 秒。それ以上が必要な場合は複数セグメントをつなぐか、別モデルを選択
音声制御の粒度	ネイティブ音声は自動生成で、個別の楽曲指定・ボーカル挿入は不可
一貫したキャラクター	顔・衣装の一貫性は保証されない。IP2P（Image-to-Image-to-Video）ワークフローでの精度向上が必要
テキストレンダリング	動画内の文字を正確に生成するのは苦手（他のビデオモデル全般の問題でもある）
レート制限	プレビュー期間のクォータはタイトな可能性がある。大量バッチ処理には不向き

使うべきでない具体的なシナリオ:

1. 映画・CM レベルの映像品質が求められる制作: VBench での比較データがない現時点では、Runway Gen-4 の方が実績がある
2. リアルタイム性が必要なアプリ: 最低でも 30 秒以上の生成時間がかかるため、ユーザーが即時の結果を期待するフローには組み込めない
3. 8 秒以上のシームレスな映像: 複数クリップを結合する場合、接続部の品質維持は自前で対応が必要
4. プレビュー期間中の高可用性要件: generate-preview モデルはいつでも仕様変更・廃止される可能性がある

---

導入時のチェックリスト

• Google AI Studio でプロジェクトを作成し、Gemini API キーを取得
• veo-3.1-lite-generate-preview がアカウントのリージョンで利用可能か確認
• ポーリング間隔を 10 秒以上に設定し、タイムアウトを 3〜5 分に設定
• done: false 継続時のリトライロジックと、エラー時のフォールバックを実装
• 音声出力が不要な場合は generate_audio: false を明示して帯域を節約
• プレビュー段階のため、モデル ID の変更通知（Gemini API changelog）を監視する仕組みを作っておく

---

結論

Veo 3.1 Lite の image-to-video API は、ネイティブ音声生成と 1080p 出力を低コストで利用できる点で、音声付きショート動画のプロトタイプや Eコマース向け自動動画生成のユースケースに対して現実的な選択肢だ。ただし、generate-preview というステータスが示す通り SLA は保証されず、映像品質の客観的ベンチマークも未公開のため、品質要件が厳しい本番環境に組み込む前には必ず Runway Gen-4 や Kling 2.1 との並列評価を行うことを推奨する。

メモ： 複数の AI モデルを一つのパイプラインで使う場合、AtlasCloud は Kling、Flux、Seedance、Claude、GPT など 300+ モデルへの統一 API アクセスを提供します。API キー一つで全モデル対応。新規ユーザーは初回チャージで 25% ボーナス（最大 $100）。