OpenAI 前不久刚推出了 Sora 2 视频生成模型，势头相当凶猛，紧随其后，今天 Google 的 Veo 3.1 也迎来了一次重大升级。

具体来看，Google 这次的升级包括两个层面。

一是功能层面的完善。视频编辑功能得到了强化，用户现在可以对片段进行更细致的调整，对最终画面有了更精准的掌控。

更重要的是，Google 首次给「素材转视频（Ingredients to Video）」「帧转视频（Frames to Video）」和「延展（Extend）」这些功能配上了音频，让音频成为创作流程的一部分。

二是模型层面的进步。

今天发布的 Veo 3.1 在提示词理解和视听质量两个关键指标上都有了明显提升，从图像到视频的转化因此更加自然流畅。

相关阅读 🔗AI 视频新王全球爆火，威尔·斯密斯终于可以好好吃面（附大量实测演示）

众所周知，Veo 3 原本就有不少编辑能力在身——通过参考图像指导角色生成、用首尾两帧填充中间内容、基于视频末尾继续延展等操作都可以做。

Veo 3.1 的做法是在这些既有功能上全部加入音频支持，让用户能够打造更加完整的场景。这些功能目前还处于实验阶段，Google 表示会根据用户反馈继续优化迭代。

现在用户可以这样使用这些功能：

1、用多张参考图像定义角色、物体和风格，「素材转视频」功能就会根据这些素材生成最终场景。

2、或者提供起始和结束画面，让「帧转视频」功能在中间生成无缝过渡，这对需要艺术性转场的项目特别有用。

3、如果要生成更长的视频，「延展」功能可以生成超过一分钟的内容，基于前一段继续生成，保持故事的连贯性。

值得一提的是，Veo 3 的文本转视频此前只支持 720p 横屏输出，但随着竖屏视频成为互联网内容的主流格式，Veo 3.1 现在也可同时生成横屏和竖屏的 16:9 视频，更符合当前的内容消费习惯。
创意的打磨往往需要反复迭代。

自 Flow 于今年 5 月推出以来，用户已经在该应用中创作了超过 2.75 亿个视频。吸取用户的反馈之后，Flow 中新增的两个编辑功能就是为此而生——

「插入新元素」让用户可以随时添加内容，Flow 会自动处理阴影和光线，使新增部分自然融入原有画面；

「移除对象」功能（即将上线）则可以删除不需要的元素，Flow 自动重建背景保持一致性。这两个工具的组合能够让视频的编辑过程变得更加灵活。

目前 Veo 3.1 模型已经上线，开发者可以通过 Gemini API 使用，企业用户可在 Vertex AI 中访问，普通用户也可以在 Gemini 应用内体验。新功能也同步在 Gemini API 和 Vertex AI 中开放。

我们体验生成了 3 个 Veo 最实用的应用场景。

前些时间爆火的第一视角穿越、ASMR 切水果，金属、兔子蹦床的夜视监控等视频，都是使用 Veo 3 生成的。

比如这个生成玻璃柠檬的例子。提示词要求「用黄色玻璃制成的柠檬被水平切开，内部也是玻璃材质，里面有融化的闪粉，顶部柔和照亮」。

Veo 3 的输出是可用的，但 Veo 3.1 对「融化闪粉」的细节刻画更精准。

电商场景下，我们直接让他生成一段产品的广告。要知道，一般的 TVC（电视商业广告）也就是在 15s/30s 的时间左右来传递品牌信息。

Sora 2 贴心地用中文语音解说了商品信息，体现了更好的理解。但 Veo 3.1 这边只是简单地配了音乐，不如 Sora 2 周到，但从画面质量来看，Veo 3.1 的视觉呈现更高级、更有商业感。

我们也试了动漫生成，这次 Veo 3.1 的表现就比较一般了。

显然 Veo 3.1 在这块的训练数据还不够丰富，距离吉卜力工作室那种精致的动画风格还是有不少差距。莫名消失的狗，都是 AI 穿帮的典型特征。

X 网友 @aisearchio 分享的威尔·史密斯吃面测试 Demo 整体质感往上抬了一个档次，动作流畅度、光影细节都明显改善，表情丰富但也没有崩掉。

综合来看，Veo 3.1 在照片级、商业级的内容生成上已经足够可用，细节理解能力也有明显进步。但在特定风格的精准还原上——比如动漫、插画这类需要高度风格约束的领域，还是有相当的优化空间。
尽管如此，从 Veo 3 到 Veo 3.1，从 Sora 到 Sora 2，视频生成模型的迭代速度已经超过了大多数人的想象。

伴随着这类 AI 视频生成工具会从专业工具逐渐演变为大众应用，届时，你的朋友圈、短视频平台、甚至新闻源中，每一条内容都有可能是 AI 生成的。

这也意味未来你看到的每一条内容，都需要多一步确认——这来自真实拍摄，还是 AI 生成。

作者：莫崇宇

文章内视频链接：https://mp.weixin.qq.com/s/qBOkoWaGF5k7oPCR_H5aqA