谷歌在 I/O 发布 Imagen 3 与 Veo

背景

文生图（text-to-image）模型做的事情是：用户给一段文字描述，模型生成与之对应的图像。这类模型长期有两个薄弱之处。一是伪影（artifact）：画面里出现多余的痕迹、扭曲和错位，把注意力从图像本该表现的内容上拉走。二是文字：当提示词要求在画面里出现字词时，模型必须把字母写成正确的形状、拼出正确的词，而不只是画出「看起来像字母」的图案。视频生成的难度还要再上一层，因为模型要让同一个场景在许多帧之间保持一致，而不只是把单独一张图画像。

发生了什么

2024年5月14日，谷歌在 Google I/O 大会上发布 Imagen 3，并称它是当时质量最高的文生图模型^[1]。同一篇公告里还介绍了生成式视频模型 Veo，它能生成 1080p 分辨率、时长超过一分钟的片段^[1]。

关键细节

谷歌对 Imagen 3 的说明集中在画质和文字两点上。它表示 Imagen 3 产生的干扰性视觉伪影比自家此前的模型少得多^[1]；又说这是它当时最擅长渲染文字的模型，而文字渲染一直是图像生成模型的老大难问题^[1]。

Veo 则被描述为能以多种电影风格和视觉风格生成高质量 1080p 视频的模型^[1]。这里的时长和分辨率都不是小事：让一个场景维持一分钟以上，和生成几秒钟的运动是两回事，因为每一帧都要与前后帧对得上。

两个模型当时都没有向公众开放。它们以私密预览（private preview）的形式先提供给部分创作者，Imagen 3 放在 ImageFX 里，Veo 放在 VideoFX 里^[1]。所谓私密预览，就是在正式发布之前先让一小批用户用上，让模型在真实任务上经受检验，同时把访问范围控制在手里。

谷歌还表示，在 VideoFX 中用 Veo 生成的视频会打上 SynthID 水印^[1]。这类水印会在生成的文件里留下一个标记，日后可以据此认出它是机器生成的，而不会被误当成实拍素材。

这次公告不只涉及图像和视频。谷歌还展示了 Music AI Sandbox 的演示，由 Wyclef Jean、Marc Rebillet 和 Justin Tranter 参与录制^[1]，图像、视频之外的第三类生成媒体——音频——也出现在同一批发布里。

为什么重要

谷歌表示 Imagen 3 很快会进入 Vertex AI^[1]。这指向一条常见的路径：先向挑选过的创作者开放预览，再走向开发者可以直接调用的形态。一个媒体模型从受控试用走到更广泛的可用性，通常就是这样一步步来的。

对文字渲染的强调有很实际的理由。生成图像里的字只有在拼写正确、清晰可读时才有用；否则这张图就不能用在任何带标签、标题或招牌的地方。谷歌把文字渲染当作一项主打能力来讲，说明这类模型瞄的是看起来已经完成、可以直接使用的素材，而不只是远看像那么回事的画面。

水印属于同一个问题的另一面。当一个模型能生成一分钟长的、看着可信的 1080p 视频时，把生成片段和实拍片段区分开就不再是技术上的小趣味，而是「文件本身怎么标注」的问题。SynthID 在 VideoFX 输出中的角色，就是在生成的那一刻回答这个问题^[1]。

还有一点值得注意，就是这些工具被放在一起讲。图像、视频和音乐三类工具在同一篇公告里出现，并且都围绕创作者来组织，等于把生成式媒体当成一整套彼此相关的能力来展示，而不是一次孤立的模型发布^[1]。