Google Vertex AI 湊齊多模態：上線音樂模型 Lyria，升級 Veo 2 影片編輯

過去想用 AI 做一條帶畫面的影片廣告，流程通常相當割裂：先在 Midjourney 裡畫圖，轉去 Runway 跑影片，再去 ElevenLabs 捏配音，最後去 Suno 碰運氣生成配樂，整個鏈路要在好幾個平臺之間來回倒騰。

Google 宣佈把旗下的文本生成音樂模型 Lyria 搬上 Vertex AI 開啟白名單預覽。隨著這塊拼圖補齊，Vertex AI 成了目前唯一一個把影像、影片、語音和音樂四大模態全收進同一個後臺的企業雲平臺。

拼齊最後一塊多模態拼圖

這次更新的主角是 Lyria，企業可以直接用一段文字提示詞生成特定風格的高保真配樂。比如輸入一段要求複雜的比波普爵士樂，它能直接生成薩克斯管和高速爵士鼓交織的完整音訊，專門用來解決品牌營銷、播客背景音或影片短片的商用音樂版權成本問題。

負責影片的 Veo 2 也拿到了實用的編輯工具箱。新功能不再只拼從頭生成，而是把重心放在了後期精修上。

現在 Veo 2 支援畫面重繪消除背景雜物或品牌標識，支援畫面向外延展把傳統橫屏一鍵改造成適配手機的資訊流豎屏。它還加入了無人機航拍、延時攝影等運鏡預設，甚至能通過插幀補間技術，自動把兩段獨立素材平滑連線起來。

另外兩個模型也跟進了更新。語音模型 Chirp 3 推出了即時自定義聲音功能，只需要給它 10 秒鐘的原聲錄音，就能克隆出專屬音色，還新增了能區分不同發言人的多角色轉寫功能；影像模型 Imagen 3 則主要拉高了修圖和去雜物的自然度。

企業最在意的合規方面，Google 給這批模型全打上了 SynthID 隱形水印，承諾不會拿客戶資料練模型，並繼續提供生成內容的第三方版權侵權賠償保護。目前廣告巨頭 WPP、Agoda 以及萊雅都已經在生產流程裡呼叫這套工具。

為什麼重要

對於企業和影片製作團隊來說，在單一雲平臺上直接用文字跑通從畫面、分鏡運鏡到配音和配樂的全套流程，最大的誘惑是省事和免責。以前採購四五家不同 AI 初創公司的 API，不僅介面和計費混亂，法務還要挨個稽核版權合規，Google 用全家桶加版權兜底直接擊中了企業的痛點。

不過值不值得現在大範圍用，還要看實際門檻。目前 Lyria、Veo 2 的編輯功能和 Chirp 3 的聲音克隆全都被關在白名單預覽裡，普通開發者或者小微團隊想用還得排隊稽核。而且僅憑 10 秒音訊克隆聲音雖然驚豔，在企業實際場景中面臨的安全濫用風險也最高，這也是 Google 不得不嚴格卡死白名單的原因。

對行業來說，我們認為 Google 這一步走得很聰明。它避開了跟同類初創公司單點拼跑分，轉而發揮全棧基礎設施的集團軍優勢，把媒體生成變成企業雲服務的黏性元件。這會直接給專注於單一模態的音影片 AI 廠商帶來巨大壓力，逼著它們要麼把垂直工作流做到極致，要麼也得儘快找大平臺抱團。