Google Veo 3 重現吃意麵名場面：畫面很真，但麵條吃成了脆片

兩年前，一段威爾·史密斯面容扭曲、瘋狂往嘴裡塞義大利麵的 AI 影片在全網瘋傳，成了當時影片生成技術粗糙怪異的代名詞。如今，Google 帶著新模型重新做了一遍這道測試題，畫面確實逼真多了，但假史密斯嚼麵條時，嘴裡居然發出了吃薯片一樣的嘎吱脆響。

這個在 X 上引發圍觀的模型是 Google 在本週 I/O 大會上推出的 Veo 3。在此之前，不管是哪家大廠的影片模型，生成的畫面大多隻有幾秒鐘，而且全都是啞劇。Veo 3 第一次在生成 8 秒高畫質影片的同時，直接給畫面配上了對齊的人聲、對白和環境音效。

連臺詞都開始自作主張了

畫面變清晰只是常規升級，Veo 3 真正讓人後背發涼的地方在於，它已經開始替創作者擅作主張了。

在科技媒體 The Verge 的實際測試中，測試者只給了一句簡單的場景描述，根本沒寫對白，模型生成的影片裡，警察卻一邊打著手勢一邊自己說出了「我們需要清場」的臺詞。換成兩隻站在碼頭上的卡通貓，模型也會自動編出它們抱怨魚不上鉤的閒聊，甚至還給配上了輕快的背景音樂。

這種自主性讓逼真程度直接上了一個臺階。哈佛法學院網路法律診所的學者用它生成了一段虛構的新聞播報，畫面裡主播繪聲繪色地播報美國防長去世的假訊息，連口型和語調都挑不出毛病。在 Reddit 上，一條展示 AI 角色抗議創作者提示詞的影片串帖獲得了超過 5 萬次點贊，醫院病房裡的呼吸機雜音、持槍對峙的威脅聲，都被還原得令人不安。

不過，目前的防線也還算敏感。測試顯示，直接要求生成拜登摔倒、總統遇刺或者科技巨頭撒錢狂笑等畫面，都會被系統的安全策略攔下，拿自己的照片餵給模型做特定對白的換臉影片也會被直接拒絕。

嘎吱響的意麵與低幼垃圾影片

為什麼吃意麵會嚼出脆響？說白了，生成式 AI 本質上是機率匹配機器。Google 在訓練音效模型時，嘴部咀嚼的畫面大機率關聯了大量咀嚼脆性食物的音訊樣本，模型在對齊時便機械地套用了這些資料。

另一個顯而易見的現實是，Veo 3 很可能會成為流水線垃圾內容的超級加速器。如果在 YouTube Kids 上看過那種兩輛怪獸卡車反覆衝進油漆桶的低幼 3D 動畫，就會明白這種毫無營養但極其吸睛的內容有多大市場。以往做這類影片多少還要建模和配樂，現在用 Veo 3 只要幾分鐘就能搞定一段帶聲效的短片。

目前唯一的物理限制是時長。雖然 8 秒短片效果驚人，但如果使用者想把畫面延長成完整的故事，系統就會自動降級回上一代的 Veo 2，而 Veo 2 根本不具備生成聲音的能力，影片會立刻變回靜音。

想要現在嚐鮮門檻也不低，使用者必須購買價格不菲的 Google AI Ultra 訂閱套餐才能體驗。

為什麼重要

我們認為，Veo 3 把 AI 影片的競爭維度從純視覺徹底拉進了音畫同步的深水區。過去兩年裡，AI 影片創業公司拼解析度、拼動作一致性，但成片始終脫離不了無聲動圖的質感；創作者想要做成一條能看的短影片，必須在剪輯軟體裡手動找音效、配旁白，工序繁瑣且門檻極高。Veo 3 把生成畫面、配樂、口型同步以及環境音壓縮成一次點選，這種整合體驗對短影片創作者和營銷團隊來說是顛覆性的。

但這種聰明的全流程自動化也埋下了不小的隱患。模型自主補充未在提示詞中註明的臺詞，意味著生成內容的不確定性和審查難度呈指數級上升。一個看似中性的新聞演播室提示詞，完全可能被模型自行填充具有煽動性的假臺詞。即便 Google 封禁了明確的政客名字，只要有人用模糊提示生成逼真的災難現場和現場報道，虛假資訊的製作成本就已經被降到了接近於零。

短期來看，受限於高昂的訂閱成本和 8 秒的時長斷崖，它還無法直接用來拍正經短劇，最先被它餵飽的，大機率是短影片平臺和兒童頻道里氾濫成災的低質流量垃圾。