Veo 3.1 擅长什么——又不擅长什么

Veo 3.1 是这样一种模型:当最终成片必须真正看起来像一部完成片的时候——那种典型"AI 视频"灯光 bug、化掉的手、纹理噪声都不能出现的时候。Google DeepMind 在 Veo 这一脉里下了重注做 prompt 解析中的电影感词汇。告诉 Veo 3.1:"慢慢推镜,从画右进入 anamorphic 光斑,魔幻时刻低调灯光,主体脸部留在阴影里",它会把这四件事都正确执行——绝大多数视频模型会做对两件,剩下两件即兴。

3.1 这次升级最大的招牌功能是 Ingredients to Video。上传最多 3 张角色、产品或道具参考图,Veo 会跨场景、跨镜位、甚至跨灯光把它们保持一致。这件事解决了 AI 视频里最难的那个问题:脸漂。在之前每一代 AI 视频里,主角的脸都会在镜头间隙微妙地形变——颧骨变了、眼睛颜色变了——哪怕 prompt 明确标了角色。Ingredients to Video 把参考锁死,渲染出的角色在每一镜里都是同一个人。

第二个旗舰级能力是输出最高 4K 且细节真实。Veo 3.1 在高分辨率上生成得干净,没有低清升上来那种噪点伪影和糊放大。在品牌片、户外大屏、或任何需要交 4K 的场合,Veo 走完了大多数 AI 视频模型走不完的这条路。

第三根支柱是原生同步音频——对白、环境、音效与画面在同一次推理里产出,唇形同步、时序对齐,无需单独的 Foley 步骤。配合电影感 prompt 控制和 4K 输出,这是当前最接近"一次就出成片"的模型。

它弱在哪:快速 prompt 迭代时更适合用轻量的 Fast 档模型——先把构图试出来,再上 Veo 走终稿。多模态参考输入(音频参考、动作参考视频)上 Seedance 2.0 更强。在裸 text-to-video Elo 榜上 Seedance 2.0 当前略高一些。

一个合理的心理模型:要电影感成片质量和分辨率,默认选 Veo 3.1。镜头是参考重就走 Seedance 2.0;要分镜叙事就 Kling V3。