Google 釋出影片模型 Veo 2：支援 4K 與鏡頭控制，Imagen 3 同步升級

過去一年裡，AI 生成影片最大的兩個痛點，一個是畫質只有 720p 甚至更糊，另一個是隻要鏡頭一動，畫面裡的手腳和背景就開始融化崩壞。

Google 正式釋出了新一代影片生成模型 Veo 2，同時升級了旗下的影像生成模型 Imagen 3，還拿它們搭出了一個叫 Whisk 的影像重混新實驗。

在由人類評審員進行的盲測中，Veo 2 在與主流模型的正面較量中拿到了目前業內領先的成績。

像導演一樣指揮鏡頭

Veo 2 最直觀的進化，是把生成規格直接拉到了最高 4K 解析度，而且能夠生成長達數分鐘的連續影片片段。

比單純拉高解析度更重要的，是它開始真正理解現實世界的物理規律，以及人體的運動細節和微表情。之前影片模型常見的硬傷——比如憑空多出幾根手指或者物體亂飄，在 Veo 2 裡的出現頻率明顯變低了。

它還學會了專業電影攝影的語言。如果你在提示詞裡寫上「18mm 鏡頭」，它就真的會生成超廣角鏡頭特有的透視效果；輸入「淺景深」，它也會準確把背景虛化、凸顯前景主體。

不管是貼近地面的低角度滑軌跟拍，還是科學家湊近顯微鏡的臉部特寫，它都能準確執行指令。另外，Veo 2 生成的所有影片都內建了肉眼不可見的 SynthID 水印，用來標記 AI 生成痕跡。

目前 Veo 2 已經上線 Google Labs 的 VideoFX 工具，並開啟了候補名單，Google 計劃明年再把它放進 YouTube Shorts 和其他產品中。

畫質更穩的 Imagen 3，以及一個新玩具

與 Veo 2 同步升級的，還有影像模型 Imagen 3 的最新版本。

新版 Imagen 3 生成的畫面更亮、構圖更穩，風格跨度從逼真攝影、印象派到動漫和抽象藝術都能駕馭，對長提示詞的遵循能力也更好。目前新版本已經在全球 100 多個國家的 ImageFX 工具中開放使用。

更有意思的是 Google Labs 同步在美國推出的新實驗工具 Whisk。它把 Gemini 的視覺理解能力和 Imagen 3 綁在了一起。

使用者可以直接上傳自己喜歡的圖片來定義主體、場景和風格，Gemini 會自動看懂圖片並寫出極其詳盡的文字描述，再把這些描述餵給 Imagen 3，重混出全新的數碼貼紙、徽章或毛絨玩具。你不需要抓耳撓腮去想提示詞，丟幾張參考圖就能把畫面組合出來。

為什麼重要

對創作者和影片製作者來說，Veo 2 最大的價值在於它把溝通語言從「碰運氣的提示詞」拉回了「專業的攝影術語」。能聽懂 18mm 鏡頭和運鏡排程，意味著它終於可以被當成真正的製作工具來用，而不是隻能生成隨機素材的盲盒。

4K 解析度和數分鐘時長的突破，也直接推高了整個 AI 影片賽道的競爭門檻。Runway、Pika 和快手可靈等對手此前都在拼短鏡頭質感，而 Google 憑藉自身算力和模型架構，直接把時長和鏡頭控制拉昇了一整截，未來如果順利接入 YouTube 龐大的創作者生態，威力會非常可觀。

我們認為 Google 這一步走得相當紮實，尤其是像 Whisk 這樣把 Gemini 和 Imagen 3 串聯起來的小工具，展示了多模型協同的聰明解法。不過問題也很現實：4K 解析度加上數分鐘的長影片，背後的算力消耗和等待時間註定極其驚人。這也解釋了為什麼 Veo 2 目前只能老老實實搞排隊內測，要讓普通人隨時隨地用上，Google 還有很長的工程最佳化路要走。