谷歌今天发布了Veo 3.1，这是其AI视频生成器的更新版本，增加了音频功能，并引入了新的编辑能力，旨在让创作者对他们的剪辑有更多的控制权。

这一公告正值OpenAI的竞争应用Sora 2在应用商店排行榜上攀升，并引发关于AI生成内容充斥社交媒体的辩论。

这一时机表明谷歌希望将Veo 3.1定位为Sora 2病毒式社交动态的专业替代品。OpenAI于9月30日推出了Sora 2，采用了优先考虑分享和重混的TikTok风格界面。

该应用在五天内达到了100万次下载，并在苹果App Store中位居榜首。Meta采取了类似的方法，推出了由AI视频驱动的虚拟社交媒体。

用户现在可以使用“视频成分”工具创建带有同步环境噪音、对话和音效的影片，该工具将多个参考图像组合成一个场景。

“帧到视频”功能在起始图像和结束图像之间生成过渡，而“延续”功能通过延续现有视频最后一秒的动作，创建持续最长达一分钟的剪辑。

新的编辑工具允许用户从生成的场景中添加或移除元素，并自动调整阴影和光照。该模型以1080p分辨率生成视频，支持横向或纵向的宽高比。

该模型通过Flow供消费者使用，通过Gemini API供开发者使用，以及通过Vertex AI供企业客户使用。可以使用“延续”功能创建最长达一分钟的视频，该功能延续现有剪辑最后一秒的动作。

到2025年，AI视频生成市场变得拥挤，Runway的Gen-4模型针对电影制作人，Luma Labs为社交媒体提供快速生成，Adobe将Firefly Video集成到Creative Cloud中，xAI、Kling、Meta和谷歌的更新则针对真实感、声音生成和提示遵循。

但它的效果如何？我们测试了该模型，以下是我们的印象。

测试模型

如果你想尝试，最好有一些深厚的资金。Veo 3.1目前是最昂贵的视频生成模型，与Sora 2持平，仅次于Sora 2 Pro，后者每次生成的费用是其两倍多。

免费用户每月获得100个积分来测试系统，这足以每月生成大约五个视频。通过Gemini API，Veo 3.1生成带音频的视频大约需要$0.40每秒，而一种名为Veo 3.1 Fast的更快变体则为每秒$0.15。

对于愿意以此价格使用的人来说，以下是它的优缺点。

文本到视频

Veo 3.1相比其前身有了明显的改进。该模型在连贯性方面表现良好，并展示了对上下文环境的更好理解。

它在不同风格之间运作，从照片真实主义到风格化内容。

我们要求模型融合一个场景，该场景从一幅画开始，过渡到实景镜头。它在处理这一任务时的表现优于我们测试的任何其他模型。

在没有任何参考帧的情况下，Veo 3.1在文本到视频模式下的表现优于使用相同提示和初始图像时的表现，这让人感到惊讶。

权衡在于运动速度。Veo 3.1优先考虑连贯性而非流畅性，这使得生成快速动作变得具有挑战性。

元素移动得较慢，但在整个剪辑中保持一致性。Kling在快速运动方面仍然领先，尽管它需要更多的尝试才能获得可用的结果。

图像到视频

Veo在图像到视频生成方面建立了声誉，结果仍然令人满意——但有一些警告。这似乎是更新中的一个薄弱环节。当使用不同的宽高比作为起始帧时，模型在保持曾经的连贯性水平方面遇到了困难。

如果提示与输入图像逻辑上应跟随的内容相差太远，Veo 3.1会找到一种“作弊”的方式。它生成不连贯的场景或剪辑，这些剪辑在不同地点、设置或完全不同的元素之间跳跃。

这浪费了时间和积分，因为这些剪辑无法编辑成更长的序列，因为它们不符合格式。

当它有效时，结果看起来非常出色。达到这一点既需要技巧，也需要运气——主要是运气。

元素到视频

此功能类似于视频的修复，让用户可以从场景中插入或删除元素。不过，不要指望它能保持完美的连贯性或使用你提供的确切参考图像。

例如，下面的视频是使用这三个参考和提示生成的：一名男子和一名女子在未来城市中奔跑时偶然相遇，那里有一个旋转的比特币标志全息图。男子对女子说：“快，比特币崩盘了！我们必须买更多！”

正如你所看到的，城市和角色实际上并不存在。然而，角色穿着参考中的衣服，城市与图像中的城市相似，事物表现出元素的概念，而不是元素本身。

Veo 3.1将上传的元素视为灵感，而不是严格的模板。它生成遵循提示的场景，并包括与您提供的对象相似的物体，但不要浪费时间试图将自己插入电影——这不会奏效。

一种变通方法：使用Nanobanana或Seedream先上传元素并生成一个连贯的起始帧。然后将该图像输入Veo 3.1，它将生成一个视频，其中角色和物体在整个场景中显示出最小的变形。

带对话的文本到视频

这是谷歌的卖点。Veo 3.1在唇同步方面的表现优于目前可用的任何其他模型。在文本到视频模式下，它生成与场景元素匹配的连贯环境声音。

对话、语调、声音和情感都准确无误，超越了竞争模型。

其他生成器可以产生环境噪音，但只有Sora、Veo和Grok能够生成实际的单词。

在这三者中，Veo 3.1在文本到视频模式下获得良好结果所需的尝试次数最少。

带对话的图像到视频

在这里事情就崩溃了。带对话的图像到视频生成遭遇了与标准图像到视频生成相同的问题。Veo 3.1过于重视连贯性，以至于忽视了提示遵循和参考图像。

例如，这个场景是使用元素到视频部分中显示的参考生成的。

正如你所看到的，我们的测试生成了与参考图像完全不同的主题。视频质量非常出色——语调和手势都很到位——但这不是我们上传的人，使得结果毫无用处。

Sora的重混功能是这个用例的最佳选择。该模型可能受到审查，但其图像到视频的能力、真实的唇同步以及对语调、口音、情感和真实感的关注使其成为明显的赢家。

Grok的视频生成器排名第二。它比Veo 3.1更好地尊重了参考图像，并产生了更优的结果。这是使用相同参考图像和提示生成的一次。

如果你不想处理Sora的社交应用或无法访问它，Grok可能是你最好的选择。它也是未审查的，但经过审核，因此如果你需要这种特定的方法，马斯克可以满足你的需求。

免责声明：本文章仅代表作者个人观点，不代表本平台的立场和观点。本文章仅供信息分享，不构成对任何人的任何投资建议。用户与作者之间的任何争议，与本平台无关。如网页中刊载的文章或图片涉及侵权，请提供相关的权利证明和身份证明发送邮件到support@aicoin.com，本平台相关工作人员将会进行核查。