Veo 3

一个会出声的视频模型

Veo 3 是 Google 在 2025 年 5 月 20 日的 Google I/O 上发布的视频生成模型^[1]。发布时被放在中心位置的能力是声音：它能生成带原生音频（native audio）的视频，声音可以是交通噪声、鸟鸣，也可以是角色之间的对白，并且口型与语音对得上^[1]。Google 称，Veo 3 第一次能够同时生成带音频的视频^[1]。

音画一起生成之所以关键，取决于成品要自洽到哪一步。默片只需要每一帧看起来合理；有对白的片段则要同时维持两件事一致——说的是哪个词，以及发出这个词时嘴的形状。音频和视频由同一个模型产出时，两者的时间关系必须一起决定，所以「对口型」是这次发布中最容易被肉眼检验的部分。

发布时的可用范围

发布之初，Veo 3 通过 Gemini 应用和 Flow 提供给美国的 Google AI Ultra 订阅用户，企业用户则可以通过 Vertex AI 使用^[1]。Flow 是 Google 面向美国 Google AI Pro 和 Ultra 订阅用户推出的 AI 电影制作工具，建立在 Veo、Imagen 和 Gemini 之上^[1]。在 Google 自己的产品里，Veo 3 用在 Flow 和 Gemini 应用中^[2]。

这种分发方式在生成模型上很常见：面向普通用户的应用负责「给一句提示、出一条片段」；电影制作工具负责把片段组织成更长的序列；云平台则让开发者直接调用模型本身。

水印

Veo 3 的输出带有 SynthID 水印，Google 在同一天上线了 SynthID Detector 门户^[1]。SynthID 是 Google 在生成内容中嵌入可检测信号的一套做法，检测门户则是用来检查文件是否带有该信号的配套工具。对于一个会生成带语音视频、画面又可以很逼真的模型，给输出打标记是让生成片段与实拍素材保持可区分的一种办法。

API 上的时间线

Veo 3 在 Gemini API 中的历程记录在 Google 的弃用表里。预览版 veo-3.0-generate-preview 于 2025 年 7 月 31 日出现；正式可用的 veo-3.0-generate-001 和 veo-3.0-fast-generate-001 于 2025 年 9 月 9 日跟进，两者于 2026 年 6 月 30 日关停^[3]。预览版退役得更早：veo-3.0-generate-preview 和 veo-3.0-fast-generate-preview 于 2025 年 11 月 12 日关停^[3]。对于两个正式版本，弃用表中列出的替代品是 gemini-omni-1.2-flash，或 Gemini Enterprise Agent Platform 上某个正式可用的模型^[3]。

预览版、然后是稳定版本加一个更快的变体、再给出关停日期和指定的后继者，这套顺序是 API 模型常见的生命周期管理方式：预览版让开发者先试用，此时接口仍可能变动；稳定名称是应用可以长期依赖的；关停日期和替代品则指明提供方希望调用方迁移到哪里。

位置

Veo 3 属于此前只生成无声片段的视频生成模型这条线，它加上去的是与画面一起生成的音轨^[1]。这次发布也显示出此类模型如今配套的东西：一个消费级应用、一个电影制作工具、一个企业平台、一套水印与检测工具，以及一份公开的 API 版本日程。用户实际接触到的，往往是这些配套，而不只是模型本身。