谷歌发布Veo 3.1视频生成模型：新增音频功能和精细化编辑能力

更新背景：Veo 3的迭代升级

谷歌于近日推出视频生成模型Veo 3.1，作为2025年5月发布的Veo 3的升级版本，该模型在三大核心维度实现突破：

• 新增音频生成能力，填补此前AI视频工具“无声音”的短板；
• 提升编辑控制粒度，支持对象增删与风格融合；
• 优化图像转视频质量，生成画面更真实，对用户提示指令的遵循度更精准。

核心功能：从“画面生成”到“全感官创作”

Veo 3.1在功能上既延续了Veo 3的优势，又新增关键能力，进一步降低专业视频创作门槛：

1. 音频生成：让视频“有声有色”

Veo 3.1为所有编辑功能新增音频生成能力，无论是角色驱动生成、首尾帧补中间内容，还是视频扩展，输出的视频片段均会自动匹配声音元素，提升内容完整性与沉浸感。

2. 精细化编辑：支持对象“增删改”

• 新增对象添加：用户可向视频中插入新对象，系统自动适配原有画面风格，避免违和感；
• 即将上线对象移除：该功能将集成至视频编辑工具Flow，未来可直接删除视频中现有对象，提升编辑灵活性。

3. 延续经典编辑能力

保留Veo 3的核心编辑特性，包括：参考图像驱动角色生成、首尾帧AI补中间内容、基于末尾帧扩展现有视频，满足多样化创作需求。

部署渠道：多平台开放，用户基础雄厚

Veo 3.1将通过四大渠道向用户与开发者开放，覆盖个人创作与企业开发场景：

• 视频编辑器Flow：面向个人用户的可视化编辑工具；
• Gemini应用程序：集成至谷歌AI生态应用，提升创作便捷性；
• Vertex AI：面向企业开发者的云服务平台；
• Gemini API接口：支持第三方开发者接入，拓展应用场景。

据谷歌披露，自Flow工具2025年5月上线以来，用户已在该平台创作超过2.75亿个视频，显示出强大的用户粘性与市场需求。

行业解读：AI视频技术的两大演进方向

Veo 3.1的更新被业内视为AI视频生成技术的典型进化路径，主要体现在两个维度：

• 质量提升：从“能生成”向“生成优”迈进，画面真实度、提示词理解准确度持续优化；
• 能力细化：从“整体生成”向“局部修改”升级，支持对象增删、音频匹配等精细操作，更贴近专业创作流程。

技术现状：仍处快速迭代期

尽管Veo 3.1进步显著，但AI视频生成技术仍有改进空间：视频连贯性、物理规律准确性、复杂场景处理能力等方面，各家模型均在持续优化。此外，Veo 3.1的音频与画面同步质量、对象融合自然度等细节，还需通过用户实际使用进一步验证。