Veo
為什麼重要
深度解析
Google DeepMind 於 2024 年推出 Veo，作為對 OpenAI Sora 的回應，承諾生成 1080p 片段、具備出色的提示遵循能力，並理解「縮時攝影」、「空拍鏡頭」等電影語言。Veo 2 於 2024 年稍晚推出，在擬真度與物理表現上明顯躍進——物體的移動、碰撞與變形都更可信——並很快贏得同世代最逼真影片模型的聲譽。2025 年發佈的 Veo 3 帶來更大的突破：它是首個能原生生成同步音訊的主流影片模型，街道場景會伴隨車流聲，說話角色也會配上唇形同步的對白。這三個版本都不是獨立應用程式，而是嵌入 Google 的產品體系：提供給消費者的 Gemini 應用程式、供電影工作者使用的 Flow 工具，以及提供給開發者與企業的 Gemini API 和 Vertex AI。
Veo 的運作方式
Google 尚未公布完整的架構細節，但 Veo 與其他現代影片生成模型屬於同一技術家族：它在壓縮的潛在空間中以提示為條件，透過擴散過程反覆去除雜訊以生成片段，並由Diffusion Transformer設計取代較舊的 U-Net 骨幹。你可以使用文字、輸入圖像（圖像轉影片）或兩者結合來引導模型；提示中可加入真正的電影攝影術語——運鏡、鏡頭類型、鏡頭焦段與燈光風格——而模型已經過訓練，能夠遵循這些要求。消費級輸出受到刻意限制：片段長約 8 秒、最高為 1080p，讓生成時間與成本維持在可控範圍，也促使使用者組合場景，而非一次生成整部電影。Flow 可將片段延伸或串接成更長的序列，不過序列延伸得越長，視覺一致性就越容易漂移。
Veo 3 與原生音訊
Veo 3 的招牌功能是音訊。早期影片模型生成的是無聲畫面，必須在後製階段加入配音與配樂；Veo 3 則讓音軌和畫面一起生成——包括唇形同步合理的對白、環境音、擬音風格音效與音樂——因為它將音訊和影片建模成一個聯合輸出，而非兩個彼此獨立的問題。實際使用時，這項能力在簡短、描述明確的場景中效果最好：「一名脫口秀演員在小舞台上講笑話，觀眾哄堂大笑」能產生可用的節奏，這是無聲模型根本做不到的。它也能融入 Google 產品體系的其他部分，因為同一個帳號可以把影像生成與 Gemini 的文字協作能力整合至同一個 Flow 專案。不過限制確實存在：英文以外的對話明顯較弱，人群交談聲會混成一團，模型有時還會加入你從未要求的字幕或螢幕文字。
實際能在哪裡使用
Veo 並未作為獨立產品販售，而是 Google 產品中的一項能力。消費者可透過 Gemini 應用程式的付費方案使用，每個方案都包含每月生成配額；Flow 則提供更深入的控制，包括「素材」（角色與物體的參考圖）、運鏡控制，以及將片段拼接成序列的場景建構器。開發者與企業可透過 Gemini API 和 Vertex AI 使用 Veo，費用按生成影片的秒數計算，而 Veo 3 Fast 變體則犧牲部分品質，以換取更低的成本與延遲。Google 在 Veo 輸出中嵌入 SynthID 數位Watermarking（浮水印），大多數消費級輸出也帶有可見標記——這是對深度偽造疑慮的直接回應。Google 也將 Veo 整合進 YouTube 的 Dream Screen，用於 Shorts 背景，讓模型觸及主流創作者，而不只限於搶先體驗者。
物理擬真不等於理解物理
一種常見說法是，Veo 逼真的動態代表模型學會了物理。它真正學到的，是合理動態「看起來」應該是什麼樣子——也就是視覺模式的統計模型，而非模擬器。它在日常情境中的正確率高到足以騙過人眼：布料自然垂墜、水花飛濺、頭髮隨頭部擺動。但只要將它推向分布外情境，破綻便會顯現：玻璃在受到撞擊後過一會兒才碎裂、肢體與家具融為一體、球在半空中改變軌跡，而手部偶爾仍會出錯。因此，研究人員會把影片模型稱為早期世界模型，而非真正的世界模型——它們在預測過程中順帶捕捉到物理世界的實用規律，卻沒有執行背後的因果規則。實務上的啟示是一項工作流程習慣：每個鏡頭都多生成幾個版本，再留下沒有破綻的那一個。
競爭格局
Veo 的主要對手是 OpenAI 的 Sora，後者在 2025 年底以自家的同步音訊與一款配套社群應用程式回應 Veo 3。Runway、可靈 AI、Luma、Pika，以及 MiniMax 的海螺，都在同一條文字轉影片賽道上競爭，差異主要在影片長度、解析度、控制功能與價格。排行榜變動很快——某一季領先的模型，再經兩次版本更新後可能已落至中段班——因此實務工作者會依專案選擇：重視音訊與物理擬真度時選 Veo，需要更長影片、角色一致性工具或更低成本時則選替代方案。在開放陣營，萬相與 HunyuanVideo 等模型允許團隊自行託管和微調，以頂尖品質換取控制權與隱私。讓 Veo 保持領先的，與其說是某項單一功能，不如說是 Google 的分發能力——一個內建於 Gemini、YouTube 和專用電影製作工具中的模型會獲得實際使用，而這些使用又會回饋至下一個版本。