谷歌版Sora来了，4K高清暴击OpenAI！视频生图新卷王，更理解物理世界

新智元报道

编辑：编辑部 HYZ

【新智元导读】OpenAI的Sora翻车后，迎来谷歌的暴击：昨天深夜，Veo 2、Imagen 3、Whisk一套组合拳打来，AI视频和生图根据，再次被谷歌改变了。

就在昨天，谷歌再次爆打OpenAI。

全新发布的Veo 2，实测效果已经被许多人公认「超越Sora」。

作为谷歌最先进的视频生成模型，Veo 2更好地理解现实世界物理和运动的细微差别，理解电影摄影语言的能力（如镜头类型和效果），分辨率高达4K。

同时放出的，还有Imagen 3图像生成模型，和用图像而非文本作为prompt的工具Whisk。

无论是在LLM上，还是在视觉创作上，谷歌正在缩小和OpenAI的差距。

举个栗子，我们用相同的提示「A pair of hands skillfully slicing a ripe tomato on a wooden cutting board」生成一个切西红柿的视频。

在Veo 2中，西红柿不仅会随着刀子的前后移动而移动，并且其横断面清晰可见。切片虽略显厚实，但前后始终保持一致，而且还能正确地叠放起来。

相比之下，Sora不仅照着手指疯狂下刀，而且切了半天的西红柿依然「完好无损」……

Veo 2

Sora

难怪有网友说，在理解物理世界和一致性上，Veo 2已经到了next level。

高达4K的分辨率，大大提升的细节和真实感，人体动作和表情的改善，以及更好的物理建模和时间一致性，都让Veo 2达到了顶级AI视频模型的级别。

在Meta的Movie Gen Bench上，Veo已经可以和Kling、Minimax、Sora掰手腕了

Veo 2强势升级，4K电影级画质

想象一下，只用简单文字描述，就能生成高达4K、超长分钟的精美视频。

Veo 2正是这样一个颠覆性的创新。

它可以遵循简单和复杂的指令，并在物理模拟过程中，展现出令人惊叹的生成质量。

镜头如清风般轻柔地穿梭在粉彩色的木制蜂箱之间，勤劳的蜜蜂翩翩起舞，时隐时现于画框之中。画面缓缓停驻在场景中央那位气质优雅的养蜂人身上，他身着的洁白养蜂服在金色的午后阳光中熠熠生辉。他轻抬着一罐琥珀色的蜂蜜，略微倾斜着让阳光透过蜜液折射出温暖的光晕。在他身后，一片高大的向日葵随着微风轻轻摇曳，金黄的花瓣在温暖的阳光照耀下绽放出柔和的光芒。镜头徐徐上移，展现出一座典雅的乡村老宅，薄荷绿色的百叶窗点缀其间，摇曳的树影在墙面上织就出斑驳的光影图案。这组照片采用35毫米镜头搭配柯达Portra 400胶片摄制，浸润在金色光线中的每一个细节——养蜂人的手套、晶莹的蜂蜜罐、饱经岁月的蜂箱木纹，都呈现出丰富而细腻的质感层次

现在，Veo 2可以像电影摄影师一样和我们交流。不必再费力和它讨论技术参数、猜测Gemini的标题，只要用习惯的术语说出想要的内容即可。

Veo 2生成的经典追车场景

另外，我们还可以进行更精确的相机控制，比如下图就是一个包含第一人称视角、转移焦点的提示。

可以看到，车内的皮革内饰、车速表等高频细节，给人留下极其深刻的印象。

通过人类评估，Veo 2模型在与几大顶尖视频模型的对比中，脱颖而出。

它不仅仅是简单地生成视频，更是对现实世界物理规律、人类动作，表情方面得到了极致的理解。

对此，谷歌总结了新模型的三大亮点：

首先是， 增强的真实感和保真度。

相较于其他的AI视频模型，Veo 2在细节、真实感、伪影减少方面得到了显著的改进。

其次是，领先的运动能力。

Veo 2能以精确的方式生成运动画面，这主要归功于它对物理学的理解、和遵循详细指令的能力。

第三个是，更强大的相机控制选项。

它能精确理解指令，创建各种拍摄风格、角度、运动效果，以及这些元素的组合。

对于创作者而言，Veo 2就像是一个无所不能的AI导演。你可以指定电影类型、镜头风格，甚至是特定的电影技巧，它皆可完美呈现。

比如这位在显微镜前科学家的面部特写。

富有电影感的镜头捕捉了一位身着暗黄色生化防护服的女医生，实验室惨白的荧光灯将她的身影笼罩其中。镜头缓缓推进她的面部特写，细腻的横向推移突显出她眉宇间深深刻画的忧思与焦虑。她专注地俯身于实验台前，目不转睛地透过显微镜观察，手套包裹的双手正谨慎地微调着焦距。整个场景笼罩在压抑的色调之中，防护服呈现出令人不安的黄色，与实验室冰冷的不锈钢器械相互映衬，无声地诉说着事态的严峻和未知的威胁。景深精确控制下，镜头对准她眼中流露的恐惧，完美传达出她肩负的重大压力与责任

再比如，一个从场景中间滑过的低角度追踪镜头。

晨光徐徐升起，为这幅精心布置的早餐图景镀上一层温暖的金边。金黄色的枫糖浆如丝绸般缓缓流淌，轻柔地浇注在层层叠起的蓬松松饼上，每一片松饼都袅袅升起缕缕暖意盎然的水汽。特写镜头捕捉着金黄酥脆的培根，只见它滋滋作响，细小的油珠在阳光下化作金色光点翩翩起舞。醇香的咖啡优雅地旋转注入通透的玻璃杯中，逐渐在杯中漾开层层叠叠的焦糖色咖啡奶泡。最后，镜头如潜水般俯入一枚刚切开的鲜橙，以震撼的微距视角展现出饱满晶莹、汁水四溢的果肉纹理

更令人惊叹的是，Veo 2对专业术语的理解。

只需在提示中输入「18mm lens」，Veo 2就得知创建拍摄广角镜头，或在提示中加入「浅景深」（shallow depth of field）它便可模糊背景，突出主体。

不仅如此，Veo 2很少有「幻觉」，比如AI视频中多出的手指问题。

沃顿商学院教授Ethan Mollick实测Sora时，结果发现水獭在飞机上使用WiFi的画面中，长出了人类的手，非常诡异。

看看Veo 2在双手细节的生成，堪称极致。

当然，Veo 2生成的视频，并非没有破绽。

它在创建逼真、充满活力或复杂的视频，以及在复杂的运动场景中，难以保持一致性。

下面这位冰上舞者的双腿，在复杂的前进运动中，出现了变形。

滑滑板的男孩，在空中翻越时，双腿双手出现了幻觉。

在安全性方面，谷歌为Veo 2加入了隐形的SynthID水印，有助于一眼识别是AI生成的内容。

目前，Veo 2已经登录VideoFX，预计明年它将进军YouTube Shorts等平台，为内容创作者开启全新的可能性。

下面分享了Veo 2更多优秀的demo：

左右滑动查看

Imagen 3：颜色明亮，构图更精准

今天，备受期待的Imagen 3同时迎来了重大升级。

这次升级的提升，堪称革命性。首先是图像的整体质感，更加明亮，构图更为精准。

宛如知名漫画师创作的橙发少女，像游戏设定一般宏大的幻想世界，难以分辨是AI还是照片的黑白人像（左右滑动查看）

在艺术风格的表现上，从照片级写实到印象派绘画，从抽象艺术到动漫风格，Imagen 3都能实现更为准确的还原。

其次，它能精准执行用户的提示词指令，呈现出更为细腻的细节和更丰富的纹理效果。

在与其他顶级AI生图模型对决中，Imagen 3取得了最优的人工评估结果。

Imagen 3生成的图像，在所有风格上都得到了提示，包括照片写实主义、印象主义、动画和抽象主义。

特写镜头下，工匠的双手在陶轮上塑造着一件泛着光泽的陶器。金色的光芒如丝如缕，连接着陶艺师的手与黏土，随着动作优雅流转。工作室内充满丰富的质感——布满工具的尘旧架子、散落的陶土碎片，以及透过木制百叶窗洒落的自然光束。光线与能量的交织营造出一种空灵、近乎魔幻的氛围

下面这种冬日雪地中红松鼠的特写，仿佛高清大片，无论是松鼠的皮毛、空中的雪花，还是背景中松针的虚化，都体现出了细节的考究。

特写镜头捕捉了一个冬日仙境场景——柔软的雪花飘落在被雪覆盖的森林地面。在一根结霜的松枝后，一只红松鼠静静地坐着，它明亮的橘红色皮毛在白色背景中格外醒目。它捧着一颗榛子，享用美食时似乎完全忽视了周围飘落的雪花

在1940年代风格的欧洲火车站，一对恋人深夜在火车前相拥，整个场景让人想起众多电影中的离别场景。

1940年代的欧洲火车站笼罩在晨雾中，精致的铸铁拱门和蒙雾的玻璃窗勾勒出车站的轮廓。蒸汽从铁轨上袅袅升起，与浓雾交融。一对恋人在火车旁深情相拥，昏暗的琥珀色灯光将他们的身体勾勒成剪影。即将启程的火车若隐若现，红色的尾灯在雾中渐渐淡去。女子身着褪色的红色外套，紧握着一本小皮日记，男子则穿着饱经风霜的军装。空气中漂浮的尘埃在柔和的金色背光中闪烁。整个场景弥漫着忧伤而永恒的气息，令人联想起战时电影中那些刻骨铭心的离别场景

浅景深拍摄的亚洲女子肖像，光影效果一绝。

一幅亚洲女性的肖像，背景是幽绿的霓虹灯光，采用浅景深拍摄

超现实的场景，Imagen 3也能精准把握，比如下面这只草莓蜂鸟。整个图像呈现出高分辨率的专业摄影手法，景深控制让蜂鸟和花在虚化的背景中更显生动。

一张精妙的微距素材照片，展现了一颗精心雕刻成蜂鸟形状的草莓，栩栩如生地呈现出蜂鸟正在啜饮鲜艳管状花朵花蜜的瞬间，翅膀因快速振动而形成朦胧的动感。背景是一片生机盎然的彩色花园，经过柔化处理呈现出梦幻般的虚化效果。图像细节丰富，采用浅景深拍摄，使草莓蜂鸟保持锐利清晰的焦点，同时让背景自然柔和。高分辨率的专业摄影手法和柔和的打光让整个场景层次分明，专业的色彩分级更突显了画面的鲜艳色彩，创造出清晰度极高的视觉效果。精确的景深控制让蜂鸟和花朵在虚化的背景中更显生动突出

一拖一创，风格任意定

不仅如此，谷歌还推出了一个全新的尝试——生成式AI实验性项目Whisk。

以往，我们都需要输入冗长、详细的文字提示来生成图像，Whisk彻底改变了这一形式，现在只用图像就可了。

把图片简单一拖，Whisk就能帮我们创作。

在Whisk中，我们可以通过上传图片，来定义主体、场景和风格，然后将它们重新混合，创造出自己独特的作品，比如数字玩偶、珐琅徽章、精美贴纸。

下面，你会看到想象大开的梦幻鱼、粉色花环海象、糖粉甜甜圈和长角的奇幻生物猫。

左右滑动查看

为什么用图像的prompt就能生图？

这是因为在系统底层，Gemini模型会自动为我们上传的图片生成详细的文本，随后文本会被输入到Imagen 3中处理。

而这一过程，绝非简单地复制原图，而是重点提取主题的核心特征，由此才能让我们自由组合不同主题、场景和风格元素。

当然，由于Whisk只会提取图像中的几个关键特征，因此生成图像也可能会和我们的预期不同。

你可能也看出来了，Whisk并不像传统的图像编辑器，进行像素级的完美编辑，而是一种崭新的创意工具，让人创造性地探索天马行空的想法。

就如谷歌所说，它的核心价值，是自由尝试各种可能性，在各种创意方式中进行极致的探索，保留下自己最满意的作品。

参考资料：

https://blog.google/technology/google-labs/video-image-generation-update-december-2024/

https://blog.google/technology/google-labs/whisk/