- Veo 3.1 融入了原生音频并提高了对提示的遵循度，增强了剪辑的真实感。
- Flow 为成分、框架和扩展器添加音频，并允许您插入或删除具有集成照明和阴影的元素。
- 支持 1080p、16:9 和 9:16 格式，8 秒基本剪辑可扩展至 1 分钟以上，并集成 Gemini 和 Vertex AI。
- 关于 YouTube 使用数据、水印以及人工智能兴起的争论，这些都使得区分合成内容变得困难。
谷歌发布了Veo 3.1 ，这是其人工智能视频生成模型的最新版本，旨在以更高的保真度从图像和文本中创建视频片段。最显著的新功能是集成了原生音频和更精细的叙事控制，这两项功能结合起来可以生成更连贯、更逼真的视频效果。
新模型已完全集成到公司电影制作环境Flow中，并将在Gemini 应用以及Vertex AI和Gemini API中提供。Veo 3.1 拥有更精致的美学设计和更完善的指令执行功能，专注于专业用途，同时兼顾人工智能生成内容逼真度所带来的伦理挑战。
Veo 3.1 真正带来了什么
此版本基于 Veo 3，并在音频、叙事控制和提示准确性三个方面进行了关键改进。该公司强调，新版本能够更忠实地还原提示内容，实现更一致的画中画转换，并使纹理和动作更加自然流畅。
在输出方面，该系统可生成时长约8 秒、分辨率为1080p的基础视频片段，支持16:9 和 9:16 的宽高比，帧率为 24 FPS，呈现电影级画面。通过串联扩展，视频片段时长可超过一分钟，同时保持视听连贯性。
该功能可通过多种渠道使用：直接在Flow中创建、在Gemini 应用中使用、通过Gemini API集成，以及在Vertex AI中进行企业级部署。谷歌表示将按地区分阶段推出，并提供面向最终用户和专业人士的访问方案。
流程：跨所有工具的音频和更精确的编辑
- 视频中的配料：结合多个参考图像（人物、物体、风格）来产生带有音频的连贯场景。
- 帧到视频：初始图像和最终图像的一部分，并在两者之间生成视觉和声音转换。
- 扩展：以剪辑的最后一秒作为锚点来延长剪辑，从而创建超过一秒的长镜头。 分钟 没有突然的削减。
此外，该编辑器允许用户在镜头中插入和移除元素，并自动调整阴影、反射和光照，实现自然融合。其理念在于无需重做整个流程即可迭代优化结果，从而加快创作者的工作流程。
这套设备将 Flow 变成了一个制作空间，它不仅可以生成内容，还可以进行润色和修正，对连续性、舞台布置和构图细节有更大的控制。
质量、一致性和及时控制
Veo 3.1 提升了对包含多个对象、物理交互和自定义样式的复杂提示的响应速度。帧间角色稳定性显著提高，减少了特征、服装和色彩的不必要变化，材质和流体的物理效果也更加逼真。
视觉和听觉线索的整合有助于构建更连贯的叙事。过去人们通常会在剪辑过程中强化故事，而现在，新一代的创作者可以自行融入节奏、静默或音效，以支持创作提示中的意图。
在哪里使用它以及如何访问它
Veo 3.1 已在Flow中提供，用于引导式创作；在Gemini 应用中提供，供希望进行实验的用户使用；并通过Gemini和Vertex AI API提供给开发者和企业。谷歌还在探索将这些功能集成到YouTube中，以拓展其在短视频内容领域的覆盖范围。
该模型包含基于用户画像的套餐和使用配额，其可用性可能因市场而异。在专业领域，API 集成可以实现部分生产流程的自动化、原型设计以及更具个性化的内容扩展。
透明度、培训数据和滥用风险
人工智能生成的视频片段越来越逼真，以至于难以辨别其真伪，从而助长了所谓的“人工智能垃圾”或“数字垃圾”现象。专家警告称，大量合成内容的涌现可能会导致公众信任度下降，甚至影响到并非由人工智能创作的合法作品。
谷歌在每一帧画面中都添加了可见的水印和嵌入式SynthID，以识别素材的合成来源。这些用于审核和验证的信号旨在平衡创意与生态系统安全。
关于训练方面，最近的一份报告指出，一些机构使用了YouTube素材库的部分内容来改进Gemini和Veo等模型，并已签署协议保护知识产权。然而，一些创作者声称他们对此并不知情，法律专家也警告说，如果这些工具与基于这些素材的衍生作品存在竞争关系，而这些衍生作品又未获得署名或补偿，则可能引发利益冲突。
竞争和市场地位
在生成式视频领域竞争激烈的背景下，谷歌发布了 Veo 3.1。OpenAI Sora 2在社交媒体领域遥遥领先。谷歌将 Veo 3.1 的定位侧重于视频的连贯性和创作控制，而非即时影响力，其工具更适合制作精良的专业级作品。
其他型号往往优先考虑速度或视觉效果，而 Veo 3.1 则更注重平面间的一致性、元素稳定性以及时间上的连续性。它致力于打造更可预测的工作流程，这对于需要精细调整的作品尤为重要。
谷歌表示，Flow 的部署已经产生了数亿个视频，如此庞大的数据量推动了模型的不断迭代，并随着用户群的增长纠正了偏差和瑕疵。
当前用例和限制
对于新闻编辑室、通讯社和教育机构而言，Veo 3.1 可以轻松创建演示、情景再现和讲解视频，无需传统拍摄方式。在市场营销领域，它允许在大规模制作之前进行原型设计，并集成音频以减少后期制作时间。
即便如此，仍然存在一些局限性：在快速运动的场景中可能会出现瑕疵，而且唇形同步虽然有所改进，但如果不进行调整，也并非总能达到专业级的精准度。此外，在高强度工作流程中，计算/积分消耗也必须考虑在内。
Flow 中生成和编辑工具的结合减少了对外部资源的依赖，但也需要精心设计的提示和恰当的视觉参考。如果提示偏离视觉逻辑，可能会出现奇怪的过渡或镜头之间的不连贯性。
Veo 3.1 凭借原生音频、更强大的叙事控制和流畅的编辑功能，巩固了Flow作为专业级 AI 视频工作坊的地位。该产品在质量和易用性方面均有所提升，同时也引发了关于透明度、训练数据以及创作自由与创作者权益之间平衡等问题的讨论。
