谷歌发布视频大模型Veo 3.1：电影级别的视频生成，声音合成和同步能力大幅提升，但相比较Sora2依然有明显差距！

就在今日，Google 正式推出 Veo 3.1 和 Veo 3.1 Fast，这两款升级版视频生成模型以付费预览形式登陆 Gemini API。Veo 3.1的核心亮点是：更丰富的原生音频（从自然对话到同步音效）、更强的电影风格理解与叙事控制、以及显著增强的图生视频（Image-to-Video）质量与一致性。

Google的Veo系列视频生成大模型简介以及问题

Veo 是 Google 的生成式视频模型系列，专注于从文本、图像或其他输入生成高品质视频内容。2024年5月份谷歌首次发布了Veo 1模型，用于挑战OpenAI的Sora系列。7个月后的2024年12月份，谷歌发布了Veo 2，提升状态艺术级的视频和图像生成，可以和Imagen3结合，同时在物理模拟和风格一致性上有了不小的改进。

2025年5月份，谷歌推出了Veo 3，定位为电影级文本到视频与图像到视频的创作引擎：它强调镜头语言理解（景别、机位、运动、光影）、原生音频合成（对白与声效同步）、以及角色/风格一致性控制等能力。支持多人物互动和复杂场景。同时推出了Flow工具，也就是Google 的 AI 电影制作工具，半年后的今天，全球用户已经在Flow中生成了2.75亿个视频。

2025年，10月15日，谷歌发布了Veo 3.1，用以改进前代模型的问题。

Veo的关键里程碑总结如下：

版本	发布日期	核心亮点
Veo 1	2024 年 5 月	首次公开，支持 1080p 分辨率视频生成，时长超过 1 分钟；强调创意控制和真实感，挑战 OpenAI 的 Sora。
Veo 2	2024 年 12 月	提升状态艺术级视频和图像生成，与 Imagen 3 结合；改进物理模拟和风格一致性。
Veo 3	2025 年 5 月（Google I/O 2025）	电影级叙事能力，支持多人物互动和复杂场景；生成高清视频，集成编辑工具如场景扩展。
Veo 3.1	2025 年 10 月	引入原生音频生成（对话、音效、环境声）；增强编辑功能（如 Insert/Remove），支持多参考图像保持一致性。

Google Veo 3.1的核心特点

尽管Veo 3的用户很多，但是该版本仍面临一些痛点：音频生成往往局限于简单背景音，缺乏真实对话的自然流畅；叙事控制也难以精准捕捉导演意图，导致角色在多场景切换时出现不一致。更别提从图像起步的视频创作，经常因提示词偏差而产生视觉 artifact，浪费宝贵计算资源。这些不足在高强度生产环境中尤为突出，尤其当开发者需要快速迭代长篇故事时，Veo 3 的 8 秒上限和有限的风格适应性常常成为瓶颈。

本次谷歌发布的Veo 3.1是Veo 3的小幅改进版本，进一步加强了叙事控制与图生视频贴合度，并新增参考图引导、镜头延展、首末帧过桥三大控件，用于把“灵感片段”拼接成更可交付的成片。

Veo 3.1继承了 Veo 3 的核心架构，但在模型训练数据上进行了大规模优化，融入了更多高质量的电影级视频样本——据估算，训练数据集规模较前代扩展了 至少 50%，这直接提升了模型对复杂提示的理解深度。

Veo 3.1最大的特点是无缝构建连贯的叙事链条。举个例子，过去生成一个科幻短片的音频可能听起来像机器人朗读，而现在，Veo 3.1 能模拟出紧张的背景配乐与人物低语交织，宛如专业后期制作。这不仅仅是技术迭代，更是向全景视听创作的跃进，帮助无数创作者从“技术障碍”中解放出来，专注于故事本身。具体特点总结如下：

• 丰富的原生音频生成：首次在“Ingredients to Video”、“Frames to Video”和“Extend”等功能中集成音频，支持自然对话（多人物互动）、音效（e.g., 轮胎尖叫）和环境噪音（e.g., 远处雷鸣）。音频与视频同步，无需后期处理。改进后，音频质量更逼真，尤其在对话和 SFX 上，但不支持自定义语音选择。
• 增强的叙事控制：模型对故事结构、电影风格和角色互动有更深理解。支持多参考图像（最多 3 张）保持角色/物体一致性（如人物从不同角度保持面部特征）。提示遵守更强，减少无效生成。
• 真实主义提升：捕捉真实纹理（如皮肤、布料）、物理模拟（如影子、光照）和复杂场景（如雾气峡谷）。图像到视频转换的视听质量大幅提升。
• 编辑工具集成：
  • Insert：在任意场景添加元素（如奇幻生物），自动调整影子和光照。
  • Remove：无缝移除物体/人物，重构背景（即将上线）。
  • Ingredients to Video：结合多图像生成一致场景。
  • First and Last Frame：从起始/结束图像生成平滑过渡，支持 180 度弧形镜头。
  • Scene Extension：基于前一剪辑的最后一秒扩展视频，实现 1 分钟+ 长片。
• 其他：支持电影术语（如“dolly shot”、“shallow depth of field”）和情绪氛围（如“忧郁蓝调”）。生成过程异步，延迟 11 秒至 6 分钟。

与 Veo 3 相比，Veo 3.1 在提示遵守（减少计算浪费）、视听质量（尤其是图像动画）和音频支持上提升 20-30%（基于用户反馈）。但早期测试显示，它更“电影化”和“人工感”。

本次Veo 3.1还有一个Fast版本，即Veo 3.1 Fast，它的视频生成速度很快，适合快速原型，但输出质量略低于标准版。

Veo 3.1实测：与Sora2依然有明显差距

虽然Veo 3.1在视频生成的质量、连贯性、物理世界理解、配音等方面有明显提升，但根据当前大家的测试，OpenAI的Sora 2在多个方面依然明显优于Veo 3.1。

Sora 2 在微观写实、光影与物理细节上更常被认可，Veo 3.1则经常出现与物理世界不符的情况，此外，配音方面也有许多测试显示Sora 2的音频更加自然。

例如，kongmindset做了一个大猩猩和猴子合唱的视频，Veo 3.1输出的视频动物表情丰富，合唱节奏感强，背景丛林细节出色，但动作略显卡顿。但是Sora2视频包含更狂野的互动，猴子跳跃物理真实，但声音同步稍弱。

另一个用户Matt测试了一群人在沙滩上打排球，Veo 3.1输出（左）：球员动作一致，沙滩纹理细腻，但跳跃高度不准，球轨迹略假。Sora 2输出（右）：物理碰撞真实，汗水和沙尘效果出色，整体更活力四射。

其它还有很多案例，都是类似。总之，Veo 3.1最大的问题还是物理世界的理解比较差，不太真实。

我们也总结一下Veo 3.1和Sora2的对比：

参数类别	OpenAI Sora 2	Google Veo 3.1	优胜方
输出格式	MP4，24 fps；同步音频（对话/SFX）。	MP4，24 fps；同步音频（对话/SFX）。	平手。
分辨率	1080p（默认，1920x1080）；4K 测试中（Pro 版）。	720p（默认）；1080p（限 8s）。	Sora 2（更高清）。
宽高比	16:9/9:16；支持自定义。	16:9（默认）；9:16。参考图像限 16:9。	平手。
持续时间	5-10s（默认）；Pro 扩展至 60s。	4-8s（默认）；扩展至 148s（最多 20 次）。	Veo 3.1（更长）。
输入模态	文本（≤2048 tokens）；图像/Cameo（多变体）；视频续接。负提示支持。	文本（≤1024 tokens）；最多 3 张图像；视频扩展。负提示。	Sora 2（更多变体）。
生成限制	每次 1-5 个；种子可选；高峰延迟 2-5 分钟。安全过滤阻塞 NSFW。	每次 1 个；种子可选；延迟 11s-6min。欧盟限人物生成。	Veo 3.1（更快 Fast 版）。

Veo 3.1总结

目前，大家已经可以在Gemini API / Vertex AI / Gemini 应用 / Flow上面使用Veo 3.1了，都是付费才可以使用。

接口价格方面，Veo 3.1 标准版是0.4美元/秒，而对比一下Sora2是0.1美元/秒，Sora2-pro是0.3美元/秒，似乎吸引力也是一般般。

关于Veo 3.1更多信息参考DataLearnerAI模型信息卡：https://www.datalearner.com/ai-models/pretrained-models/veo-3-1-generate-preview