刚刚，谷歌Veo 3.1迎来重大更新，硬刚Sora 2

机器之心报道

机器之心编辑部

正如前几天网上泄露与传闻所预料的那样，深夜，谷歌发布了最新的 AI 视频生成模型 Veo 3.1。

Veo 3.1 带来了更丰富的音频、叙事控制，以及更逼真的质感还原。在 Veo 3 的基础上，Veo 3.1 进一步提升了提示词遵循度，并在以图生视频时提供更高的视听质量。

随着新模型的发布，由其驱动的 AI 电影创作工具 Flow 也迎来了更新，可以帮助你更精细地编辑视频片段，对最终场景实现更颗粒化的控制。并且，谷歌首次将音频引入到现有能力中，例如「素材生成视频（Ingredients to Video）」「连帧成片（Frames to Video）」以及「延展（Extend）」。

更强的叙事与音频控制

Veo 3.1 在其前代版本 Veo 3（于 2025 年 5 月发布） 的基础上进行了升级，增强了对对话、环境音效以及其他音频效果的支持。

如今，在 Flow 的多个核心功能中，包括连帧成片、素材生成视频和延展，均已支持原生音频生成。这些功能允许用户：

• 将静态图像转换为视频；
• 将多张图像中的人物、物体或元素整合进同一视频中；
• 生成比原始 8 秒更长的视频片段，可延展至 30 秒甚至 1 分钟以上，并从上一段的最后一帧自然衔接延续。

提供包含不同人物和物体的多个参考图像，Veo 3.1 可以将它们整合成一个完整的场景，并带有声音。

Veo 3.1 可以创建更长的剪辑，甚至可以持续一分钟或更长时间，以延续原始镜头中的动作。生成的每个视频都基于前一个剪辑的最后一秒，以帮助延续故事，并保持背景和人物的一致性。

在此之前，用户必须在使用这些功能后手动添加音频。

如今，原生音频的引入让用户能更好地掌控视频的情绪、节奏与叙事基调，这些以往只能通过后期制作实现的能力，现在可以直接在生成阶段完成。

在企业场景中，这种更高层次的控制有望减少独立音频制作流程的需求，提供一种音画同步的集成式创作方式，便于制作培训内容、营销视频或数字体验作品。

更丰富的输入与编辑能力

借助 Veo 3.1，谷歌引入了对多种输入类型的支持，并提供了对生成结果更精细的控制。该模型可接受文本提示、图像以及视频片段作为输入，并进一步支持：

• 参考图像（最多三张），用于引导最终输出画面中的外观与风格；
• 首帧与末帧插值，可在固定的起止画面之间生成平滑衔接的过渡场景；
• 场景延展，可让视频的动作或运动超出原本时长继续发展。

给出第一帧和最后一帧，Veo 将使整个场景栩栩如生，帮助用户创建具有史诗般过渡的无缝视频。

此外，谷歌还引入了如插入（Insert）（向场景中添加物体）和移除（Remove）（删除元素或角色）等新功能，但并非所有功能目前都能通过 Gemini API 即时使用。

多平台部署

Veo 3.1 可通过谷歌旗下多项现有 AI 服务访问：

• Flow：谷歌自家的 AI 辅助电影创作平台；
• Gemini API：面向希望在应用中集成视频生成功能的开发者；
• Vertex AI：企业级集成平台，后续将支持 Veo 的「场景延展」等核心功能。

价格与访问方式

Veo 3.1 模型目前处于预览阶段，仅在 Gemini API 的付费层级中可用。其收费结构与上一代 AI 视频模型 Veo 3 保持一致：

• 标准模型（Standard model）：每秒视频 0.40 美元
• 快速模型（Fast model）：每秒视频 0.15 美元

目前尚无免费层级，且仅在视频成功生成后才会计费。这种计费方式与此前的 Veo 系列保持一致，为注重成本管理的企业团队提供了可预测的预算模式。

技术规格与输出控制

Veo 3.1 支持输出 720p 或 1080p 分辨率的视频，帧率为 24 帧 / 秒（fps）。

• 在使用文本提示或上传图像生成视频时，时长可选 4 秒、6 秒或 8 秒；
• 若使用 Extend 功能，视频最长可扩展至 148 秒（超过两分半）。

新功能还带来了对主体与环境的更精确控制。

例如，企业用户可以上传一张产品图片或视觉参考，Veo 3.1 将在整个视频中生成保持其外观特征与风格一致性的场景。

这一能力有助于简化创意生产流程，特别适用于零售、广告以及虚拟内容制作等需要品牌一致性和视觉延续性的团队。

最后，我们看看网友脑洞大开的创意：

不过，话说回来，与 Sora 2 相比，你更看好哪家？

文中视频链接：https://mp.weixin.qq.com/s/RCDfqh1BmJWX31B0cGbJxA