谷歌发布可原生生成音频的 Veo 3

背景

生成式媒体模型过去大致按模态分工：图像一个模型、视频一个模型、音乐一个模型。视频需要声音时，常见做法是先生成画面，再单独制作音轨，最后把两者对到一起。2025 年 5 月 20 日，谷歌在 I/O 开发者大会上公布了一批生成式媒体模型和工具，其中一款视频模型把声音放进了同一次生成里。^[1]

发布了什么

这次发布的核心是 Veo 3，它能在生成视频的同时生成音频。^[1] 同一场发布中还推出了两个模型：用于图像的 Imagen 4 和用于音乐的 Lyria 2。^[1] 与模型一起亮相的还有 Flow，一款 AI 电影制作工具。^[1] 合起来看，这批发布覆盖了画面、声音，以及把生成素材组织成作品的环节。^[1]

谁能用、怎么用

Veo 3 首发面向美国的 Google AI Ultra 订阅用户，入口是 Gemini 应用和 Flow。^[1] 企业用户则可以通过 Vertex AI 使用 Veo 3。^[1] Imagen 4 在当天就已上线，出现在 Gemini 应用、Whisk、Vertex AI，以及 Workspace 中的 Slides、Vids、Docs 等应用里。^[1] 生成的内容用 SynthID 加水印。^[1] SynthID 是谷歌的水印技术，把标记嵌入生成内容中，使日后可以辨认某段素材是否由模型生成。

为什么重要

把画面和声音放进同一次生成，改变的是制作流程的起点。创作者拿到的不再是一段等待配乐配音的无声画面，而是一段自带音轨的素材，后续工作变成挑选和修改，而不是从零拼装声音。对做短片、广告和社交内容的人来说，这缩短了从想法到一段可看片段之间的距离。

Flow 的出现说明谷歌不只提供模型，也提供一种工作方式：一个面向影视制作的工具，把视频模型放进具体的创作流程中。^[1] Imagen 4 走的则是另一条路——同一天进入 Gemini 应用、Whisk、Vertex AI 以及 Workspace 的多个应用，意味着图像生成被放进写文档、做演示、剪视频这些日常场景里。^[1]

水印同样值得留意。生成内容用 SynthID 标记，^[1] 相当于给「这段素材是不是模型做的」留下一条可以事后查证的线索。随着生成视频和音频越来越逼真，这类来源标记成为平台和观众判断素材出处的一种手段。

对谷歌而言，这次发布把视频、图像、音乐三类模型和一款制作工具放在同一时间点推出，^[1] 并通过面向消费者的订阅服务 Google AI Ultra 与企业平台 Vertex AI 两条渠道分发。^[1] 其中真正改变工作方式的是 Veo 3 的原生音频能力，其余部分则说明了这些模型打算经由哪些入口被用起来。