Veo

是什么

Veo 是 Google DeepMind 推出的生成式视频模型。2024 年 5 月 14 日，Google 在 I/O 大会上发布该模型，称其为当时 Google 能力最强的视频模型^[1]。与生成静态图片的模型一样，它根据提示词生成内容，只不过输出的是一段连续画面，模型需要在整段视频里保持物体、运动和镜头行为的一致性。

由来与推出方式

Veo 并没有一发布就向所有人开放。Google 先通过 VideoFX 向少量创作者提供私人预览，想使用的人要加入等待名单，并称部分能力计划进入 YouTube Shorts 等产品^[1]。先做研究发布，再小范围邀请试用，然后逐步接入已有产品，是这类模型面向公众的常见路径。

主要特点

据 Google 介绍，Veo 能够以多种电影化和视觉风格生成高质量的 1080p 视频^[1]。1080p 是网络视频和广播视频中常见的高清分辨率，这意味着它的输出在格式上接近日常拍摄的素材，而不是小尺寸的实验片段。Google 还表示，该模型生成的视频时长可以超过一分钟^[1]，比早期文生视频系统通常只有几秒的片段更长。

Google 称 Veo 能理解「延时摄影」（timelapse）这类电影术语^[1]。这一点值得注意，因为拍片子的人写提示词时，用的往往是镜头类型、镜头运动、节奏这类电影语言，而不是单纯描述画面里有什么物体。能对这些词作出反应的模型，面向的是已经习惯按镜头思考的使用者。

水印

在 VideoFX 中用 Veo 生成的视频带有 SynthID 水印^[1]。SynthID 是 Google 的水印技术，按 Google 的说法，它可以向 AI 生成的图像、音频、文本和视频中嵌入人无法察觉的数字水印^[1]。这种标记对观看者不可见、不可听，却能被软件检测出来，从而在事后辨认素材是否由模型生成。对一个视频模型来说，这回应的是一个很实际的问题：当生成片段看起来和普通拍摄素材差不多时，观看者很难凭肉眼判断它是怎么做出来的。

在模型序列中的位置

Veo 在 2024 年 12 月由 Veo 2 接替^[2]。因此，第一代 Veo 是确立这个名字、并定下此后版本所延续的能力范围的那一版：1080p 输出、分钟级的时长、对电影语言的响应，以及在 Google 创作者产品中使用时给生成视频加水印^[1]。