Google Veo 3 支持图生音视频：一张图片即可开口说话

给静态图配上动作不算稀奇，但如果丢给 AI 一张单人照，它不仅能让画面动起来，还能按你的台词开口念白，甚至凭空塞进第二个互动角色，做视频的门槛就完全变了。

Google 旗下面向创作者的视频工具 Flow 迎来了一波重要更新。核心变化在于，基于 Veo 3 的「图像生视频」（Frames to Video）功能正式加入了语音生成能力，并且 Flow 的服务范围拓展到了全球 140 多个国家和地区。

一张图起手，台词和音效全包了

自 5 月上线以来，Flow 已经生成了数千万个视频片段。之前在图像生视频模式下，Veo 3 只能生成背景噪音和环境音效，人物基本属于默片状态。

本周开始，用户可以直接上传一张图片作为起始帧，并让画面中的角色开口说出指定的台词。同时，Google 还把这项功能带到了速度更快、消耗积分更少的 Veo 3 Fast 模型上，帮创作者省下不少生成额度。

投资人 Justine Moore 在社交平台上展示了一段测试：她仅用了一张单人模特的静态首帧，输入提示词后，AI 不仅生成了角色台词和场景动作，甚至直接在镜头里生成了第二个角色与之互动，角色外观还保持了高度一致。

不过 Google 官方也打了预防针。他们表示音频生成目前仍处于实验阶段，生成质量会有波动，部分特殊类型的图片也可能暂时无法支持。

此外，Google 将 Flow 和最高阶的 Google AI Ultra 订阅扩展到了另外 76 个国家和地区。只要拥有 Google AI Pro 或 Ultra 订阅，目前全球已有超过 140 个国家和地区的用户能够使用 Flow。

为什么重要

角色一致性和音画同步，一直是 AI 影视制作中最折磨人的两个痛点。过去创作者要让图片开口，通常得把静态图先扔进视频生成模型跑动作，再导入第三方口型同步工具，最后还要找配音工具合成音轨。

现在 Google 试图把这套流程全部收拢进 Flow 里面。我们认为，这一步对独立创作者和短视频内容团队非常实用，它直接把原本需要三个软件来回倒腾的管线缩减成了一次提示词交互。特别是加入 Veo 3 Fast 支持后，试错的成本明显被压低了。

但这套打法的隐患也摆在眼前。多模态端到端生成虽然省事，但官方也承认音频生成还在实验期。如果口型对不准或者语音语调失控，创作者最终往往还是得回退到专业音频软件里修修补补。它能不能真正被影视工业接纳，关键还在于接下来的可控度和细节表现。