近日，谷歌正式推出 Veo 3.1 视频生成模型，这是继 5 月 Veo 3 发布后的升级版本。新版本在音频输出、编辑控制粒度和图像转视频质量等方面进行了显著升级，进一步提升了视频的真实性和用户的指令遵循能力。谷歌表示，Veo 3.1 能够生成更逼真的视频片段，并更准确地遵循用户提示指令。
一、音频输出能力的突破
Veo 3.1 的核心升级之一是新增了音频生成能力。此前版本中，诸如“Frames to Video”（首尾帧插值）、“Ingredients to Video”（多图像合成）和“Extend”（场景延展）等功能都不支持原生音频生成，用户必须在后期手动添加配乐或音效。现在，这些功能全部打通了音频通道，可以根据画面内容自动生成对应的环境音、对话和音效。例如，在 Flow 的多个核心功能中，包括连帧成片、素材生成视频和延展，均已支持原生音频生成。这使得生成的视频内容更加完整和生动，提升了用户的创作体验。
二、编辑控制粒度的精细化
Veo 3.1 在编辑控制粒度上也进行了显著改进。新版本允许用户向视频中添加新对象，系统会自动将其融入原有画面风格。此外，谷歌还透露，即将在其视频编辑工具 Flow 中支持从视频中移除现有对象的功能。这些新增功能进一步增强了视频编辑的灵活性和精确性。同时，Veo 3.1 还支持通过参考图像驱动角色生成、提供首尾帧由 AI 生成中间内容，以及基于末尾帧扩展现有视频等功能。这些功能的升级，使得用户能够更精细地控制视频的每个细节。
三、图像转视频质量的提升
在图像转视频方面，Veo 3.1 也进行了显著改进。新版本能够更准确地将图像素材转换为视频内容。通过融合物理引擎与 3D 时空注意力机制，Veo 3.1 显著提升了场景真实感。其“真实纹理捕捉”技术能够还原材质细节，如布料褶皱、金属反光等微观特征。此外，Veo 3.1 还支持 1080p 高清视频输出，画质相比前代提升了 40%。这些改进使得生成的视频在视觉效果上更加逼真。
四、多平台部署与广泛应用
Veo 3.1 将通过多个平台向用户开放。谷歌正在将该模型集成到视频编辑器 Flow、Gemini 应用程序，以及面向开发者的 Vertex AI 和 Gemini API 接口中。这种多平台部署策略，使得 Veo 3.1 能够满足不同用户群体的需求。自 Flow 在 5 月上线以来，用户已在该平台上创作了超过 2.75 亿个视频。这表明 Veo 3.1 的推出将进一步推动 AI 视频生成技术的普及和应用。
