Google Veo 3 重现吃意面名场面：画面很真，但面条吃成了脆片

两年前，一段威尔·史密斯面容扭曲、疯狂往嘴里塞意大利面的 AI 视频在全网疯传，成了当时视频生成技术粗糙怪异的代名词。如今，Google 带着新模型重新做了一遍这道测试题，画面确实逼真多了，但假史密斯嚼面条时，嘴里居然发出了吃薯片一样的嘎吱脆响。

这个在 X 上引发围观的模型是 Google 在本周 I/O 大会上推出的 Veo 3。在此之前，不管是哪家大厂的视频模型，生成的画面大多只有几秒钟，而且全都是哑剧。Veo 3 第一次在生成 8 秒高清视频的同时，直接给画面配上了对齐的人声、对白和环境音效。

连台词都开始自作主张了

画面变清晰只是常规升级，Veo 3 真正让人后背发凉的地方在于，它已经开始替创作者擅作主张了。

在科技媒体 The Verge 的实际测试中，测试者只给了一句简单的场景描述，根本没写对白，模型生成的视频里，警察却一边打着手势一边自己说出了「我们需要清场」的台词。换成两只站在码头上的卡通猫，模型也会自动编出它们抱怨鱼不上钩的闲聊，甚至还给配上了轻快的背景音乐。

这种自主性让逼真程度直接上了一个台阶。哈佛法学院网络法律诊所的学者用它生成了一段虚构的新闻播报，画面里主播绘声绘色地播报美国防长去世的假消息，连口型和语调都挑不出毛病。在 Reddit 上，一条展示 AI 角色抗议创作者提示词的视频串帖获得了超过 5 万次点赞，医院病房里的呼吸机杂音、持枪对峙的威胁声，都被还原得令人不安。

不过，目前的防线也还算敏感。测试显示，直接要求生成拜登摔倒、总统遇刺或者科技巨头撒钱狂笑等画面，都会被系统的安全策略拦下，拿自己的照片喂给模型做特定对白的换脸视频也会被直接拒绝。

嘎吱响的意面与低幼垃圾视频

为什么吃意面会嚼出脆响？说白了，生成式 AI 本质上是概率匹配机器。Google 在训练音效模型时，嘴部咀嚼的画面大概率关联了大量咀嚼脆性食物的音频样本，模型在对齐时便机械地套用了这些数据。

另一个显而易见的现实是，Veo 3 很可能会成为流水线垃圾内容的超级加速器。如果在 YouTube Kids 上看过那种两辆怪兽卡车反复冲进油漆桶的低幼 3D 动画，就会明白这种毫无营养但极其吸睛的内容有多大市场。以往做这类视频多少还要建模和配乐，现在用 Veo 3 只要几分钟就能搞定一段带声效的短片。

目前唯一的物理限制是时长。虽然 8 秒短片效果惊人，但如果用户想把画面延长成完整的故事，系统就会自动降级回上一代的 Veo 2，而 Veo 2 根本不具备生成声音的能力，视频会立刻变回静音。

想要现在尝鲜门槛也不低，用户必须购买价格不菲的 Google AI Ultra 订阅套餐才能体验。

为什么重要

我们认为，Veo 3 把 AI 视频的竞争维度从纯视觉彻底拉进了音画同步的深水区。过去两年里，AI 视频创业公司拼分辨率、拼动作一致性，但成片始终脱离不了无声动图的质感；创作者想要做成一条能看的短视频，必须在剪辑软件里手动找音效、配旁白，工序繁琐且门槛极高。Veo 3 把生成画面、配乐、口型同步以及环境音压缩成一次点击，这种集成体验对短视频创作者和营销团队来说是颠覆性的。

但这种聪明的全流程自动化也埋下了不小的隐患。模型自主补充未在提示词中注明的台词，意味着生成内容的不确定性和审查难度呈指数级上升。一个看似中性的新闻演播室提示词，完全可能被模型自行填充具有煽动性的假台词。即便 Google 封禁了明确的政客名字，只要有人用模糊提示生成逼真的灾难现场和现场报道，虚假信息的制作成本就已经被降到了接近于零。

短期来看，受限于高昂的订阅成本和 8 秒的时长断崖，它还无法直接用来拍正经短剧，最先被它喂饱的，大概率是短视频平台和儿童频道里泛滥成灾的低质流量垃圾。