Gemini 上線圖生影片：基於 Veo 3 生成 8 秒帶聲音短片

一張拍得很好的靜止照片，或者小時候塗鴉的一幅畫，如果能變成會動的電影鏡頭，甚至還自帶環境音，會是什麼感覺？

Google 剛剛給自家的 Gemini 補上了這塊拼圖。他們正式上線了圖片生成影片（photo-to-video）功能，背後的底座是 5 月釋出的影片生成模型 Veo 3。

一張圖加一句話，做出 8 秒帶聲短片

操作方式做得挺直接。在 Gemini 對話方塊的工具選單裡點選「Videos」，上傳一張照片，再打字描述你想要的場景運動和聲音細節就行。

Gemini 會把這張靜態圖轉換成一段最長 8 秒的動態影片剪輯，而且重點是它直接自帶聲音，省去了後期單獨配音配樂的麻煩。

按照 Google 的說法，不管是讓隨手拍的生活物件活過來、讓兒童畫動起來，還是給風景照加上風吹草動的水流聲，模型都能照著提示詞來演。

這項功能目前正在向部分國家和地區的 Google AI Pro 以及 Ultra 訂閱會員推送。除了網頁端和 App 裡的 Gemini，Google 面向創作者的 AI 剪輯工具 Flow 也同步支援了這項能力。

從官方給出的資料來看，Veo 3 上線 7 周時間裡，使用者已經在 Gemini 和 Flow 上生成了超過 4000 萬條影片。上週他們剛把基礎的影片生成許可權放開給 150 多個國家的高階會員，這次算是趁熱打鐵追加了圖生影片能力。

為了防範濫用，Google 這次在安全上做足了姿態。他們表示經過了大量紅隊測試，所有生成的影片除了肉眼可見的 AI 標識外，底層還會打上 Google 自家的 SynthID 隱形數字水印。

為什麼重要

我們認為，圖生影片最大的意義，是終於把影片生成的門檻從玄學抽卡拉回了現實創作。

以前靠純文字寫提示詞生成影片，畫面經常不受控制，人物長相一秒一變。現在用現有照片當錨點，不管是自媒體做動態封面、插畫師做動態設定，還是普通人想讓老照片動起來，確定性都高了一大截，而且自帶聲音省掉了大量後期剪輯的時間。

值不值得為了它買 Google AI 的會員？如果你每天都要跟視覺素材打交道，8 秒帶聲音的成片質量確實能幫你快速做概念原型，完全值得一試；但如果只是平時偶爾想玩玩看，目前僅限 Pro 和 Ultra 會員的門檻，代價還是稍高了一些。

從行業來看，影片生成工具的競爭線正在從單純比拼畫面畫質，轉向聲畫同步與控制力。目前市面上很多競品生成出來的畫面雖然漂亮，但往往是無聲啞巴片，後續還得藉助其他音效模型拼湊。

Google 把 Veo 3 的音畫同步直接整合進 Gemini 的輸入框，這步走得相當聰明。隱患在於，只要畫面越來越逼真，圖生影片就更容易被用來偽造假新聞或名人造謠，哪怕有 SynthID 這種數字水印防線，平臺也得時刻盯防被駭客抹除或繞過的風險。