谷歌发布 Veo 2

背景

文生视频（text-to-video）模型接收一段文字描述，生成一段会动的视频。它比生成一张静态图片更难：模型要让同一件物体、同一个人在连续画面里保持一致，还要让运动看起来符合物理常识，而不是画面自己融化、滑动。谷歌把这类生成式媒体模型放进 Google Labs 的小型实验应用里——视频用 VideoFX，图片用 ImageFX——用户需要通过排队申请才能用上，而不是直接在正式产品里使用。^[1]

发布了什么

2024 年 12 月 16 日，谷歌发布 Veo 2。谷歌称，这个模型可以生成最高 4K 分辨率的视频，在物理效果和人物动作的表现上有改善。^[1]

这次发布的不只是一个模型，而是一整套东西。Veo 2 在 VideoFX 中上线，同时改进后的 Imagen 3 在 ImageFX 中上线；谷歌表示，ImageFX 中的新版 Imagen 3 正在向 100 多个国家铺开。^[1] 与两者一同推出的还有 Whisk：一个由 Google Labs 出品、把 Imagen 3 和 Gemini 结合起来使用的工具，当天在美国上线。^[1] 视频模型、图像模型，以及一个基于 Gemini 处理图像的工具，都出现在同一次发布里。

怎么用上

发布时的入口并不开放。谷歌让访问者通过 Google Labs 报名 VideoFX 的等候名单，也就是说 Veo 2 的第一批用户是排队进来的，而不是通过一次全面上线。^[1]

进入主流产品是后来的事。Veo 2 在 2025 年 4 月进入 Gemini 应用^[2]；同月，视频生成功能扩展到订阅 Advanced 的 Gemini 应用用户。^[3] 应用里的版本比发布时的数字收敛得多：在 Gemini 应用中生成的视频是 720p、8 秒长。^[3]

为什么重要

这件事体现了 2024 年底到 2025 年生成式视频的交付方式：它不是一个单独售卖的产品，而是一套媒体生成能力中的一环。视频模型、图像模型和助手类工具（把 Imagen 3 与 Gemini 结合的 Whisk）同时发布，并且都放在需要排队申请的 Google Labs 实验里。^[1]

它也体现了模型在演示中的能力与产品实际给出的能力之间的差距。发布时的重点是最高 4K 分辨率^[1]；而 Veo 2 进入 Gemini 应用时，输出是 8 秒、720p 的片段，且只对 Advanced 订阅用户开放。^[3] 高分辨率的能力和面向消费者的功能并不是同一件事：产品形态短小、受限，还要付费订阅；研究层面的说法则是分辨率与物理真实感。

对普通用户来说，实际的变化是视频生成从独立的实验项目变成了通用助手的一项功能——在同一个用来对话的应用里就能用到，只是需要是付费订阅用户。从 Labs 的等候名单到订阅档位，这一步是这次发布中真正落到使用方式上的部分。^[2][3]