应对Sora 2，谷歌发布新AI视频模型Veo 3.1：能精准可控视频生成

美国当地时间周三，谷歌正式推出新一代AI视频生成模型Veo 3.1，通过一系列创意与技术升级，显著提升了AI视频的叙事控制能力、音频融合度与画面真实感。

此次更新不仅为使用谷歌AI创作应用Flow的爱好者和创作者拓展了可能性，更为企业用户、开发团队和创意机构带来了可扩展、可定制的视频解决方案。

新模型在画质、物理模拟效果上均有明显提升，同时保持了与前代一致的定价体系。控制与编辑功能更加丰富多样，操作体验更为流畅。

与OpenAI上月发布的Sora 2相比，Veo 3.1的画面风格更偏向电影质感，视觉效果更加精致，但同时也稍显"人工化"。这种差异各具特色：Sora 2擅长营造手持拍摄的"自然抓拍"风格，而Veo 3.1则更适合追求精雕细琢的视觉呈现效果。

叙事与音频控制能力升级

Veo 3.1在前代基础上，增强了对对话、环境音效及其他音频元素的处理能力。值得关注的是，原生音频生成现已全面集成到Flow平台的三大核心功能中：

●"帧转视频"：将静态图像转化为动态场景

●"素材转视频"：整合多张图像中的元素，创作复合视频

●"延伸视频"：基于已有片段持续生成，将初始视频延伸至30秒甚至1分钟以上

这些功能此前需要用户手动添加音频，现在则实现了音画同步生成。这不仅让用户能更好地掌控作品的情感基调和叙事节奏，也省去了后期制作的繁琐步骤。

对企业用户而言，这种集成化的音视频处理方式，使得制作培训材料、营销视频等专业内容更加高效，显著降低了制作门槛。

多模态输入架构支撑精细编辑

Veo 3.1支持文本、图像、视频片段等多种输入形式，并在输出控制上更加精细。新引入的功能包括：

● 最多支持3张参考图像，精准把控输出内容的视觉风格

● 首尾帧插值技术，实现不同场景间的自然无缝过渡

● 场景延伸功能，突破单次生成时长限制，智能延续原有视频的动作与运镜逻辑

这些工具让企业用户能够精细调整内容的外观质感，确保符合品牌规范或创意要求。

此外，"插入对象"和"移除元素"等编辑功能也同步推出，不过部分功能尚未完全开放给Gemini API用户。

全平台部署策略满足多元需求

Veo 3.1通过以下渠道提供服务：

Flow：面向普通用户的AI辅助视频创作平台

Gemini API：为开发者提供视频能力集成方案

Vertex AI：即将支持"场景延伸"等企业级功能

透明定价，成本可控

目前Veo 3.1处于预览阶段，仅面向Gemini API付费用户开放。计费标准延续前代：

●标准版：每秒视频0.40美元

●Fast版：每秒视频0.15美元

采用按需计费模式，仅对成功生成的视频收费，无免费额度。这种透明的定价策略便于企业团队进行预算管理。

专业级输出规格拓宽应用场景

Veo 3.1支持720p与1080p分辨率输出，帧速率稳定在24帧/秒。基础视频生成长度提供4秒、6秒或8秒选项，通过延伸功能最长可达148秒的连续片段。

特别值得一提的是，企业用户上传产品图片或风格参考后，模型能够准确保持这些视觉元素的一致性，这一特性对零售、广告等行业的内容标准化生产极具价值。

早期用户反馈：还有改进空间

业界对Veo 3.1的评价呈现两极分化。

Otherside AI创始人Matt Shumer坦言"有些失望"，认为其"效果明显逊于Sora 2，价格却高出不少"。但他也承认，谷歌在参考图像支持和场景延伸等工具链方面的优势值得肯定。

3D数字艺术家Travis Davids指出，虽然音频质量确有提升，但模型仍存在明显局限："缺乏自定义语音选项，无法直接选择生成语音，基础生成时长仍卡在8秒上限。"他还提到，在多角度拍摄中保持角色一致性仍需精细的提示词设计，而Flow Pro付费用户仍无法直接获取1080p输出也令人不解。

不过，AI领域创作者@kimmonismus则给予了"Veo 3.1令人惊艳"的评价，尽管他也认为OpenAI的最新模型在整体体验上仍略胜一筹。

这些早期反馈表明，尽管Veo 3.1在工具完善度和创作控制上取得了进步，但随着竞争对手不断抬高行业标准，用户对真实性、语音控制和生成长度等方面的期待也水涨船高。

技术演进与市场竞争新格局

谷歌Veo 3今年在I/O开发者大会亮相后迅速赢得口碑，成为首个实现原生AI同步音频生成的视频模型。 然而，OpenAI Sora的强势崛起改变了竞争态势。

随着两大科技巨头在AI视频领域持续加码，这场关乎技术创新、创作生态与知识产权保护的复杂博弈正进入全新阶段。