Veo 3.1 有何不同？
Google 发布 Veo 3 时给人留下了深刻的印象。但 Veo 3.1 是另一种动物。主要的架构转变是从单一的文本到视频管道转变为具有三种不同模式的多模式生成系统 - 每种模式专为不同的创作者工作流程而设计。顶层原生音频合成和快速/质量层分割，您将拥有当今市场上最通用的 AI 视频模型。
三种生成模式解释
1。文字 → 视频
经典模式。您编写详细的提示，模型会渲染一段大约 8 秒的电影视频，并带有同步的环境音频（人群噪音、风声、音乐、脚步声 - 全部自动生成）。 Veo 3.1 在这方面表现出色，因为它的即时理解根据导演的语言进行了微调：诸如“移动”、“荷兰角度”、“机架焦点”和“黄金时刻”等术语都可以正确解释。
专业提示：将提示结构化为[主题 + 动作] + [镜头移动] + [灯光] + [情绪/风格]，以获得一致的电影效果。
2。图像→视频（第一帧+可选的最后一帧）
上传起始图像（第一帧），模型将其动画化为完整的视频剪辑。或者，提供第二个图像作为最后一帧 - 然后 Veo 3.1 将在两个帧之间插入平滑的、物理感知的过渡。这是故事板的游戏规则改变者：摄影师无需编辑软件即可将任意两个关键镜头转变为专业级过渡。
- 仅限第一帧：模型在开帧后对运动方向具有完全的创作自由。
- 第一帧 + 最后一帧：运动被限制为连接两个图像 - 非常适合产品展示、延时拍摄和戏剧性过渡。
3。参考 → 视频（字符锁定）
这是电影制作界最兴奋的模式。上传 1-3 张参考图像（头像、服装照片或产品剧照），Veo 3.1 会将这些视觉标识锁定到生成的视频中。你的角色不会在剪辑中变成其他人。对于品牌广告和角色驱动的短片来说，这是变革性的。
注意：参考模式目前仅在快速级别（47 学分）中可用。质量模式支持已列入路线图。
快速与质量：您应该选择哪一个？
两层都会生成带有原生音频的约 8 秒剪辑。区别在于分辨率、纹理细节和渲染保真度：
- 快速（47 学分）：非常适合概念验证、社交媒体内容和迭代提示。输出清晰干净，但细节（织物纹理、发丝、复杂的灯光反射）略有软化。渲染时间不到 2 分钟。
- 质量（193 学分）：广播级。每一帧都经得起 1080p 全变焦的审视。电影般的景深、准确的镜面高光和复杂的背景细节都得到了忠实的渲染。将其用于最终交付成果、客户演示以及将在大屏幕上显示的内容。
原生音频：有多好？
Veo 3.1 的音频生成与上下文惊人地相关。雨打在鹅卵石上的场景会产生淅淅沥沥的雨声、远处的雷声和石墙上的微妙回声——没有任何音频提示。添加说话的角色，Veo 3.1 将生成适当的唇形同步和语音纹理（尽管特定对话需要文本音频提示）。它并不完美——偶尔会有不合时宜的声音或稍微不同步的对话——但就环境氛围而言，它的表现优于您在后期添加的任何人工智能生成的音频。
开始使用
我们的平台上提供所有三种 Veo 3.1 模式。从文本→视频快速（47 学分）开始验证您的概念，然后转向质量进行最终交付。尝试使用参考模式进行品牌或角色驱动的工作 - 结果会让您大吃一惊。