谷歌最新视频生成AI模型Veo 3能够为其生成的片段创建配套音频。
在周二举行的Google I/O 2025开发者大会上，Google发布了Veo 3。该公司声称，该模型能生成音效、背景噪音甚至对话以配合视频内容，且在画面质量上较前身Veo 2有所提升。
从周二起，订阅Google AI Ultra计划（每月249.99美元）的用户可通过Gemini聊天机器人应用使用Veo 3，支持文本或图像提示。
核心亮点：视听同步生成
“我们首次从视频生成的无声时代中走出来，”谷歌DeepMind首席执行官Demis Hassabis表示，“你可以向Veo 3提供描述角色和环境的提示，并建议对话内容及期望的声音效果。”
当前视频生成领域趋于饱和，Runway、OpenAI、阿里巴巴等众多厂商快速迭代，模型间差异渐小。若Google兑现承诺，音频输出将成为Veo 3的关键差异化优势。据称，其独特之处在于能理解视频原始像素，并自动将生成声音与片段精准同步。
以下是该模型的一个示例片段：
正在为明天准备美味佳肴…… pic.twitter.com/wyIRMsXkFG — Demis Hassabis (@demishassabis) 2025年5月19日
技术基础与安全机制
Veo 3的问世得益于DeepMind此前在“视频转音频”领域的积累。去年6月，DeepMind透露正通过结合声音、对话转录和视频片段训练模型，以实现视频配乐生成。
尽管未明确说明训练数据来源，但YouTube是重要可能性之一。DeepMind曾向TechCrunch表示，谷歌模型如Veo“可能”使用了部分YouTube素材进行训练。
为降低深度伪造风险，DeepMind正使用专有水印技术SynthID，在Veo 3生成的帧中嵌入不可见标记。
行业影响与Veo 2更新
虽然Veo 3被宣传为强大的创意工具，但许多艺术家对其颠覆行业的潜力持谨慎态度。Animation Guild委托的一项2024年研究估计，到2026年，美国将有超10万个电影、电视及动画岗位受AI冲击。
此外，谷歌还为Veo 2推出新功能，包括支持上传角色、场景、物体及风格图像以提升一致性；理解旋转、推拉、变焦等摄像机运动；允许增删视频物体或扩展画面范围（如竖屏转横屏）。这些功能将在未来几周内上线Vertex AI API平台。