谷歌Veo 3.1：AI视频生成的新里程碑

谷歌最新视频生成模型Veo 3.1震撼登场！即时体验，精彩不断。

北京时间10月16日，谷歌在Gemini API中推出了Veo 3.1及Veo 3.1 Fast付费预览版。新模型一经发布，便引发了业界的广泛关注。与近期发布的Sora 2类似，Veo 3.1也新增了音频功能。

相较于上一代Veo 3，Veo 3.1在以下三大方面进行了显著提升：

首先，AI生成视频从默片跃升至有声电影。 Veo 3.1不仅能要求AI视频实现声音与画面的同步，还能要求AI更好地理解画面内容，并配以合适的音乐。

其次，Veo 3.1支持设定AI视频的开头和结尾画面。这不仅使得短视频之间的过渡更加自然，还能更好地控制AI视频的首尾观感。甚至，Veo 3.1能实现每个新视频基于上一个视频的最后一个画面继续生成，以叠加的Buff实现了“AI长视频”的另类生成。

例如，当你告诉Veo 3.1以下两张图片分别是AI视频的开头和结尾画面：

来源：谷歌官网

就会生成如下视频片段：

来源：谷歌官网

第三，Veo 3.1可通过三张图打造个性化角色。当你为Veo 3.1提供三张图片（分别为女性头像、服装参考图及场景设定），并根据提示词要求，它能直接通过这三张画面设定AI人物形象，并让其自然说出目标台词。

来源：谷歌官网

此次，Veo 3.1主打进一步优化AI视频在视听观感上的体验。同时，谷歌也在寻找在AI视频生成片段时间较短的前提下，实现“AI长视频叙事”的解决方案。

01 亲测Veo 3.1三大功能，五个月谷歌前行“0.1 步”

目前，普通用户可在Gemini应用程序和Flow免费使用（机会有限）。我们发现多个国内AI视频生成平台迅速跟进。不到一天时间，Imagine.art、Fal-ai及Lovart均表示支持Veo 3.1模型调用。我们此次也在Lovart上对Veo 3.1进行了快速体验。

首先测试了Veo 3.1生成的AI视频是否能实现音画统一。第一次，我们给出的英文提示词是：“纽约街头正在下雨，突然一道闪电伴随雷声而来。”

结果显示，闪电和雷声几乎同时出现，完成了声音与画面的同步。我们还能更细致地观察到每辆车开过水坑时，声音从远到近、从大到小的变化。令人意外的是，在约3分钟的生成倒计时中，Veo 3.1的生成时间大约在1分钟左右就完成了，但生成的视频片段大多在6秒左右，与Sora 2的10-20秒相比并不占优势。

此外，我们发现整个画面中只有车、雨滴和闪电是动态的，两旁的行人和树木都是静止的，因此视频片段显得有些违和，容易看出是AI视频。

接下来，我们测试了给Veo 3.1两张照片并分别设定为开头和结尾画面后，看看AI视频的首尾稳定性如何。以及Veo 3.1是否能通过拼接方式实现两段视频的直接连接。

为了获得更好的生成效果，我们给出的第一段提示词是：“一只顽皮的虎斑猫以流畅、连续的动作跃上办公桌。以上两张图片分别为视频的首个画面和结束画面。”

在视频前半部分表现自然。但在小猫咪跳到电脑后时，似乎变成了另一只小猫，“魔法感”突然袭来。此外，视频最后几秒似乎有个开灯设定，将画面调得更亮。

同时，我们给出的第二段英文提示词是：“跳上办公桌的虎斑猫趴下睡着了。以上两张图片分别为视频的首个画面和结束画面。”

可以看出，Veo 3.1生成的AI视频相当真实。将两个视频片段拼接在一起后，效果如下：

可以看出，两个视频拼接后除了“魔法感”有些突兀外，整体保持了连贯性并实现了场景拓展。

最后，我们测试了如何使用Veo 3.1通过三张图设定一个人物主角形象。我们给出了一段英文指令：“一个中景镜头...”

遗憾的是，我们发现AI视频中的人物建模感严重，服装和场景与参考图片有明显差别，AI感极重。

总体来看，此次Veo 3.1在音画同步及首尾画面稳定上表现不错。但在用图片设定人物形象方面并未达到预期效果。

02 谷歌“暗踩”Sora2，AI大佬们纷纷反对

“胜，大获全胜。”谷歌试图在官网昭告这一点。据谷歌介绍，其在文生视频的总体观感、视频对齐程度及视觉质量等方面均优于Sora 2 Pro、海螺2.0等一众视频模型。

阿里云服务器云服务器免费服务器