Google Veo 3 支援圖生音影片：一張圖片即可開口說話

給靜態圖配上動作不算稀奇，但如果丟給 AI 一張單人照，它不僅能讓畫面動起來，還能按你的臺詞開口唸白，甚至憑空塞進第二個互動角色，做影片的門檻就完全變了。

Google 旗下面向創作者的影片工具 Flow 迎來了一波重要更新。核心變化在於，基於 Veo 3 的「影像生影片」（Frames to Video）功能正式加入了語音生成能力，並且 Flow 的服務範圍拓展到了全球 140 多個國家和地區。

一張圖起手，臺詞和音效全包了

自 5 月上線以來，Flow 已經生成了數千萬個影片片段。之前在影像生影片模式下，Veo 3 只能生成背景噪音和環境音效，人物基本屬於默片狀態。

本週開始，使用者可以直接上傳一張圖片作為起始幀，並讓畫面中的角色開口說出指定的臺詞。同時，Google 還把這項功能帶到了速度更快、消耗積分更少的 Veo 3 Fast 模型上，幫創作者省下不少生成額度。

投資人 Justine Moore 在社交平臺上展示了一段測試：她僅用了一張單人模特的靜態首幀，輸入提示詞後，AI 不僅生成了角色臺詞和場景動作，甚至直接在鏡頭裡生成了第二個角色與之互動，角色外觀還保持了高度一致。

不過 Google 官方也打了預防針。他們表示音訊生成目前仍處於實驗階段，生成質量會有波動，部分特殊型別的圖片也可能暫時無法支援。

此外，Google 將 Flow 和最高階的 Google AI Ultra 訂閱擴充套件到了另外 76 個國家和地區。只要擁有 Google AI Pro 或 Ultra 訂閱，目前全球已有超過 140 個國家和地區的使用者能夠使用 Flow。

為什麼重要

角色一致性和音畫同步，一直是 AI 影視製作中最折磨人的兩個痛點。過去創作者要讓圖片開口，通常得把靜態圖先扔進影片生成模型跑動作，再匯入第三方口型同步工具，最後還要找配音工具合成音軌。

現在 Google 試圖把這套流程全部收攏進 Flow 裡面。我們認為，這一步對獨立創作者和短影片內容團隊非常實用，它直接把原本需要三個軟體來回倒騰的管線縮減成了一次提示詞互動。特別是加入 Veo 3 Fast 支援後，試錯的成本明顯被壓低了。

但這套打法的隱患也擺在眼前。多模態端到端生成雖然省事，但官方也承認音訊生成還在實驗期。如果口型對不準或者語音語調失控，創作者最終往往還是得回退到專業音訊軟體裡修修補補。它能不能真正被影視工業接納，關鍵還在於接下來的可控度和細節表現。