Google Vertex AI 凑齐多模态：上线音乐模型 Lyria，升级 Veo 2 视频编辑

过去想用 AI 做一条带画面的视频广告，流程通常相当割裂：先在 Midjourney 里画图，转去 Runway 跑视频，再去 ElevenLabs 捏配音，最后去 Suno 碰运气生成配乐，整个链路要在好几个平台之间来回倒腾。

Google 宣布把旗下的文本生成音乐模型 Lyria 搬上 Vertex AI 开启白名单预览。随着这块拼图补齐，Vertex AI 成了目前唯一一个把图像、视频、语音和音乐四大模态全收进同一个后台的企业云平台。

拼齐最后一块多模态拼图

这次更新的主角是 Lyria，企业可以直接用一段文字提示词生成特定风格的高保真配乐。比如输入一段要求复杂的比波普爵士乐，它能直接生成萨克斯管和高速爵士鼓交织的完整音频，专门用来解决品牌营销、播客背景音或视频短片的商用音乐版权成本问题。

负责视频的 Veo 2 也拿到了实用的编辑工具箱。新功能不再只拼从头生成，而是把重心放在了后期精修上。

现在 Veo 2 支持画面重绘消除背景杂物或品牌标识，支持画面向外延展把传统横屏一键改造成适配手机的信息流竖屏。它还加入了无人机航拍、延时摄影等运镜预设，甚至能通过插帧补间技术，自动把两段独立素材平滑连接起来。

另外两个模型也跟进了更新。语音模型 Chirp 3 推出了即时自定义声音功能，只需要给它 10 秒钟的原声录音，就能克隆出专属音色，还新增了能区分不同发言人的多角色转写功能；图像模型 Imagen 3 则主要拉高了修图和去杂物的自然度。

企业最在意的合规方面，Google 给这批模型全打上了 SynthID 隐形水印，承诺不会拿客户数据练模型，并继续提供生成内容的第三方版权侵权赔偿保护。目前广告巨头 WPP、Agoda 以及欧莱雅都已经在生产流程里调用这套工具。

为什么重要

对于企业和视频制作团队来说，在单一云平台上直接用文字跑通从画面、分镜运镜到配音和配乐的全套流程，最大的诱惑是省事和免责。以前采购四五家不同 AI 初创公司的 API，不仅接口和计费混乱，法务还要挨个审核版权合规，Google 用全家桶加版权兜底直接击中了企业的痛点。

不过值不值得现在大范围用，还要看实际门槛。目前 Lyria、Veo 2 的编辑功能和 Chirp 3 的声音克隆全都被关在白名单预览里，普通开发者或者小微团队想用还得排队审核。而且仅凭 10 秒音频克隆声音虽然惊艳，在企业实际场景中面临的安全滥用风险也最高，这也是 Google 不得不严格卡死白名单的原因。

对行业来说，我们认为 Google 这一步走得很聪明。它避开了跟同类初创公司单点拼跑分，转而发挥全栈基础设施的集团军优势，把媒体生成变成企业云服务的黏性组件。这会直接给专注于单一模态的音视频 AI 厂商带来巨大压力，逼着它们要么把垂直工作流做到极致，要么也得尽快找大平台抱团。