Gemini 上线图生视频：基于 Veo 3 生成 8 秒带声音短片

一张拍得很好的静止照片，或者小时候涂鸦的一幅画，如果能变成会动的电影镜头，甚至还自带环境音，会是什么感觉？

Google 刚刚给自家的 Gemini 补上了这块拼图。他们正式上线了图片生成视频（photo-to-video）功能，背后的底座是 5 月发布的视频生成模型 Veo 3。

一张图加一句话，做出 8 秒带声短片

操作方式做得挺直接。在 Gemini 对话框的工具菜单里点选「Videos」，上传一张照片，再打字描述你想要的场景运动和声音细节就行。

Gemini 会把这张静态图转换成一段最长 8 秒的动态视频剪辑，而且重点是它直接自带声音，省去了后期单独配音配乐的麻烦。

按照 Google 的说法，不管是让随手拍的生活物件活过来、让儿童画动起来，还是给风景照加上风吹草动的水流声，模型都能照着提示词来演。

这项功能目前正在向部分国家和地区的 Google AI Pro 以及 Ultra 订阅会员推送。除了网页端和 App 里的 Gemini，Google 面向创作者的 AI 剪辑工具 Flow 也同步支持了这项能力。

从官方给出的数据来看，Veo 3 上线 7 周时间里，用户已经在 Gemini 和 Flow 上生成了超过 4000 万条视频。上周他们刚把基础的视频生成权限放开给 150 多个国家的高级会员，这次算是趁热打铁追加了图生视频能力。

为了防范滥用，Google 这次在安全上做足了姿态。他们表示经过了大量红队测试，所有生成的视频除了肉眼可见的 AI 标识外，底层还会打上 Google 自家的 SynthID 隐形数字水印。

为什么重要

我们认为，图生视频最大的意义，是终于把视频生成的门槛从玄学抽卡拉回了现实创作。

以前靠纯文字写提示词生成视频，画面经常不受控制，人物长相一秒一变。现在用现有照片当锚点，不管是自媒体做动态封面、插画师做动态设定，还是普通人想让老照片动起来，确定性都高了一大截，而且自带声音省掉了大量后期剪辑的时间。

值不值得为了它买 Google AI 的会员？如果你每天都要跟视觉素材打交道，8 秒带声音的成片质量确实能帮你快速做概念原型，完全值得一试；但如果只是平时偶尔想玩玩看，目前仅限 Pro 和 Ultra 会员的门槛，代价还是稍高了一些。

从行业来看，视频生成工具的竞争线正在从单纯比拼画面画质，转向声画同步与控制力。目前市面上很多竞品生成出来的画面虽然漂亮，但往往是无声哑巴片，后续还得借助其他音效模型拼凑。

Google 把 Veo 3 的音画同步直接整合进 Gemini 的输入框，这步走得相当聪明。隐患在于，只要画面越来越逼真，图生视频就更容易被用来伪造假新闻或名人造谣，哪怕有 SynthID 这种数字水印防线，平台也得时刻盯防被黑客抹除或绕过的风险。