還記得 2023 年 AI 視頻最出圈的片段嗎？威爾·史密斯吃面，動作鬼畜，畫面寂靜——

當時的視頻大模型，只會動，不會說話。
Sora 的發布讓視頻質量飛躍、物理規則建模進步巨大，也直接引爆了整條賽道。

Runway、Pika、Luma、Kling、Genmo、Higgsfield、Lightricks 等初創公司，以及 OpenAI、谷歌、阿里、字節等科技巨頭，紛紛入局。

但無論畫質如何進步，視頻還是「啞巴」——

你可以讓人物奔跑、翻轉，甚至做出慢動作，但如果想讓角色說話、聽到風聲、腳步聲，甚至感受到炒菜時鍋里的滋滋聲？

對不起，還得自己導音頻。

更麻煩的是，配完音還可能對不上節奏——口型和對白不同步，腳步踩不到點上，情緒氛圍總差一口氣。

直到今天，谷歌正式發布 Veo 3 AI 視頻，終于能「開口說話」了——

Veo 3 不僅能生成高質量視頻，還能理解視頻中的原始像素，自動生成與畫面同步的對話、多種音效。
翻譯成中文——

只用一個提示詞，你就能得到畫面+對白+唇動對齊+擬音音效一氣呵成的視頻。

提示語：90 年代酒吧里的情景喜劇場景，背景墻上的霓虹燈寫著 「fofr」。一對夫婦說了些什么，觀眾大笑起來。

對白生成、唇動對齊和情緒音效（觀眾笑聲），一氣呵成
提示語：一位游戲主播（streamer）只用他的鎬子（pickaxe）贏得了「Victory Royale」。

生成出的內容是完整直播風格視頻，還帶著夸張的歡呼與音效，畫面有聲有色
盡管凌晨才發布，Veo 3 已在社交網絡掀起熱潮，多個視頻動輒數十萬次播放，令人驚嘆不已。

雪地步伐清晰傳來咯吱聲，鴨子嘎嘎叫，烹飪滋滋作響，撒胡椒聲......

得益于模型對物理世界的深刻理解，所有聲音非后期拼接，而是與畫面實時同步生成。

Veo 3 還能精準捕捉畫面情緒，渲染氛圍音效。這個麥芬蛋糕在烤箱中尖叫，逼真到讓人有點毛骨悚然。

提示詞：a video with dialogue of two muffins while baking in an over, the first muffin says "I can't believe this Veo 3 thing can do dialogue now!", the second muffin says "AAAAH, a talking muffin!"
至于對口型，Veo 3 也表現突出：無論是脫口秀現場講笑話，還是說唱音樂視頻中的節奏口型，都能精準同步，真實感爆棚。

提示詞：a man doing stand up comedy in a small venue tells a joke (include the joke in the dialogue）

提示詞：a man in a music video raps to the camera about generating videos with Veo3

生成歌劇和音樂會視頻，成為檢驗 Veo 3 音畫同步水平的高頻場景。
這個視頻里，鼓手的每一次擊打動作都與鼓點節奏完美同步，與歌手表演同步，展現了模型在復雜多聲音動態場景下出色的音畫合成能力。支持多角色、多種風格的創作視頻，虛擬人物演技不比《演員請就位》強多了？

長提示詞理解與事件流生成方面，Veo 3 同樣出色。
以前視頻模型提示詞一長就容易崩。
但 Veo 3 能理解長句子，完成一個完整、時間有序、邏輯清晰的小片段。
來看這個視頻。

提示詞：黎明時分，一位男士在美麗的夏日公園里奔跑，他上氣不接下氣，然后放慢速度，看著鏡頭，氣喘吁吁地說：「用 API 運行 AI。使用 Replicate。」然后他繼續跑。最后，「Replicate」的字樣漸漸消失在視野中。

包含動作變化、對白插入、鏡頭切換、logo 漸隱……
多步驟連貫執行，事件流準確，效果不錯：

音畫同步生成，直接把視頻模型拉到了新時代 。而其中關鍵能力，離不開 DeepMind 過去就悄悄鋪下的一項底層技術：V2A（ Video-to-Audio ）。
2023 年 6 月，DeepMind 就首次披露：

他們正開發一套 AI 系統，能從視頻像素 + 文本提示中，自動生成完整音軌。包括對白、動作音效、環境音、背景音樂……

它的原理是：將視頻視覺信息編碼為語義信號，與文本提示一同輸入擴散模型，生成匹配的音頻波形。
可以說，V2A 就是 Veo 3 的「耳朵」和「聲帶」。再配合谷歌的音視頻數據資源—— YouTube 很可能是訓練數據之一—— Veo 3 的音畫合成功能，已經遙遙領先。
一個小遺憾：視頻仍只有 8 秒。

另外，目前 Veo 3 僅面向美國 Ultra 訂閱用戶開放，定價為 249.99 美元/月。這是谷歌專為專業創作者、開發者推出的高階會員服務。

雖然門檻不低、時長有限，但 Veo 3 的初次亮相，已足夠震撼。
過去生成式 AI 是「語言+圖像」的時代，現在，正在進入「視聽一體」的新階段。
生成視頻從會動 → 能說 → 有氛圍，一步步突破不同模態的邊界。
如果說 Sora 是讓 AI 看懂物理世界，那 Veo 3，就是讓 AI 能「聽懂」,「會說」。
看來，音畫一體，將是下一輪視頻模型競賽的標配。

文中視頻鏈接：https://mp.weixin.qq.com/s/rJFwZ1lLiWzFLE7jd4jGyA