Veo - 谷歌推出的可生成1分钟1080P的视频模型

Veo是什么

Veo 是 Google DeepMind 开发的视频生成模型，文本、图像或视频都能当提示，生成的视频时长超过一分钟、分辨率 1080P。它对自然语言理解得比较深，延时摄影、航拍镜头这类电影制作术语和效果都能照着做。画面在视觉上连贯，人物、动物和物体的动作也更接近真实。Veo 想做的是把视频制作的门槛降下来，专业电影制作人、新创作者、教育工作者都能拿它试新的叙事和教学方式。

Veo的主要功能

• 高分辨率视频输出：1080p 分辨率的视频，时长能超过一分钟，长视频内容也做得来。
• 深入的自然语言处理：自然语言理解得透，文本提示里的复杂电影术语——“延时摄影”“航拍”“特写镜头”这类——它都能解析，生成的内容和描述对得上。
• 广泛的风格适应性：现实主义到抽象风格都能来，按提示创作。
• 创意控制与定制：控制粒度比较细，场景、动作、色彩这些都能靠具体的文本提示去调。
• 遮罩编辑功能：视频的指定区域可以编辑，加个物体、去掉个物体都行，改起来更精准。
• 参考图像与风格应用：给一张参考图，Veo 会照它的风格、结合文本提示生成视频，视觉上和参考图能保持一致。
• 视频片段的剪辑与扩展：一个或几个提示都行，片段能被剪接、延长，甚至用一串提示讲完一个完整的故事。
• 视频帧间的视觉连贯性：潜在扩散变换器在这里的作用是减少帧与帧之间的不一致，人物、物体、场景在转换时能保持连贯。

Veo的技术原理

Veo 不是一天做出来的，背后是谷歌在视频生成领域多年的研究和实验，包括对多个先前模型和技术的分析和改进。

• 先进的生成模型：Veo 站在一系列生成模型之上：Generative Query Network (GQN)、DVD-GAN、Imagen-Video、Phenaki、WALT、VideoPoet、Lumiere 等，技术底子是从这些模型里攒出来的。
• Transformer架构：架构是 Transformer，这种结构在自然语言处理和序列任务里早就证明过自己；自注意力机制能把文本提示里的细微差别抓出来。
• Gemini模型：它还整合了 Gemini 模型的技术，后者在理解视觉内容和生成视频上有一套。
• 高保真度视频表示：视频用高质量的压缩表示（latents），数据量小，关键信息还在，生成的效率和质量都受益。
• 水印和内容识别：生成的视频会打上 SynthID 这类水印，方便识别 AI 内容；安全过滤器和记忆检查则用来压低隐私、版权和偏见风险。

如何使用和体验Veo

Veo 还在实验阶段，目前只对选定的创作者开放。普通用户想体验，得先到VideoFX的网站上注册、加入等待名单，才有早期试用 Veo 的机会。另外 Google 计划把 Veo 的一些功能接进 YouTube Shorts，以后做短视频就能用上 Veo 的视频生成能力。

想了解更多，可以看 Veo 的官方网站：https://deepmind.google/technologies/veo/

Veo的应用场景

• 电影制作：电影制作人可以用它生成场景预览，帮着规划实拍；预算和资源有限时，也能拿它模拟高成本的镜头。
• 广告创意：广告行业用它出视频广告，创意概念迭代得快，试不同场景的成本也低。
• 社交媒体内容：内容创作者可以给社交媒体做视频，粉丝互动和观看率都能往上带一带。
• 教育和培训：教育场景里可以拿它做教学视频，复杂概念或历史事件模拟出来，学起来直观些。
• 新闻报道：新闻机构能快速做出新闻视频摘要，报道更抓人，观众也更好懂。
• 个性化视频：生日祝福、纪念视频这类个性化内容也能生成。