Veo 3.1：谷歌带声音的视频模型能做什么

Veo 3.1 是什么

Veo 3.1 是 Google DeepMind 的视频模型，一次生成就带声音。Google 在 2025年10月15日把它作为 Veo 3 的更新推出。模型更贴提示词，跨场景时角色更稳，声音也更丰富，从对话到与画面同步的音效都包括。

这个系列有三个模型。Veo 3.1 质量最高，可到 4K。Veo 3.1 Fast 更快、更便宜。Veo 3.1 Lite 最容易上手，于 2026年3月31日发布。2026年1月，Google 为参考图模式加上了竖屏 9:16，并支持放大到 1080p 和 4K。

Veo 3.1 不是 Google 最新的视频模型。2026年5月推出了 Gemini Omni，Gemini API 文档把它推荐为默认模型。需要延长场景、用尾帧模式或输出 4K 时，仍然选 Veo 3.1。

Veo 3.1 能做什么

声音和画面一起生成。 Veo 3.1 同时生成语音、音效和背景噪声，而不是事后再铺一层。引号里的台词会变成角色的语音。

让照片动起来。 把图像设为第一帧，再描述运动。模型保留原图的脸、衣服和光线。

参考图。 最多三张角色、物体或场景的图像。模型在整段视频里保持它们的样子。同一角色或同一件商品的系列片就是这样做的。

首帧和尾帧。 给出两张图，模型在两者之间做出带声音的转场。适合变化：空房间变成布置好的房间，草图变成成品。

延长。 在 Gemini API 里，片段每次可延长 7 秒，最多 20 次，合计 148 秒。模型从上一段的最后一秒接着演。

Veo 3.1 适合什么任务

• 广告和产品。 带声音的产品特写：咖啡倒入杯中，包装打开，瓶子转动。
• 社交短片。 竖屏 9:16 不用裁切，语音和音乐在同一个文件里。
• 让照片动起来。 肖像、商品或室内变成 8 秒片段。
• 分镜和预演。 实拍之前先看镜头运动、光线和声音。
• 氛围镜头。 自然、天气和城市景色，带环境声。

Veo 3.1 和相近模型

	Veo 3.1	Gemini Omni 1.1 Flash	Seedance 2.5
开发者	Google DeepMind	Google DeepMind	ByteDance Seed
发布	2025年10月15日	2026年8月27日	2026
单次时长	4、6、8 秒	3–10 秒	最长 30 秒
延长	最长 148 秒（API，720p）	最长 40 秒	2 次延长
最高分辨率	4K	4K（放大）	未公布
声音	有	有	有
参考	最多 3 张图像	图像和最多 3 段视频	文字、图像、视频、音频
在 AI2Face	有	有	有

短片的画面和声音，以及尾帧模式，Veo 3.1 更强。Gemini Omni Flash 的输入更灵活，API 价格与 Veo 3.1 Fast 相同，低于完整版 Veo 3.1。Seedance 2.5 单次生成的片段最长，AI2Face 里也能用。

怎么写 Veo 3.1 的提示词

Google 给出五段公式：镜头 + 主体 + 动作 + 环境 + 风格和气氛。声音单独写：

• 台词写在引号里：女人说：「我们该走了。」
• 音效写在标记 SFX: 后面：SFX: 远处滚过雷声。
• 背景用 Ambient noise: 或「背景声」：咖啡馆里低低的嗡嗡声。
• 镜头运动用摄影术语：推进（dolly in）、跟拍（tracking shot）、摇臂、无人机飞过、POV。
• 一段里多个镜头用时间码：[00:00–00:02] 中景…，[00:02–00:04] 反打…。
• 排除用描述，不用否定：写「没有房屋和道路的空旷地貌」，不要只写「不要建筑」。

黄昏风暴中，无人机飞向悬崖上的白色灯塔，巨浪拍打岩石并溅起水花，
灯塔的光束穿过大雨。SFX: 浪涛、风啸、远处滚雷。电影感，阴暗的蓝色调

提示词可以用自己的语言写，但摄影术语用英文，模型更不容易理解偏。Google 没有公布 Veo 3.1 能用哪些语言说话。用短片试一句你需要的语言。

Veo 3.1、Fast 和 Lite 有何不同

	Veo 3.1	Veo 3.1 Fast	Veo 3.1 Lite
适合	最终质量	快速试错	草稿和批量片段
分辨率	720p、1080p、4K	720p、1080p、4K	720p、1080p
参考图	最多 3 张	最多 3 张	无
首尾帧	有	有	有
API 延长	有	有	无
价格	基准	更低	Google 称不到 Fast 的 50%

在 AI2Face 生成器里，4K 只在完整版 Veo 3.1 上可用。Fast 和 Lite 最高 1080p。先用 Lite 或 Fast 找到合适的提示词，再用完整版 Veo 3.1 出最终片。

在 AI2Face 里怎么用 Veo 3.1

1. 打开生成器，选择视频，再选模型：Veo 3.1、Fast 或 Lite。
2. 选择模式：按文字、按照片、按参考图，或按首帧和尾帧。
3. 设定画幅（16:9 或 9:16）、时长（4、6 或 8 秒）和分辨率。
4. 需要声音就打开，然后开始。积分费用在开始前就能看到。

生成器里做好的图像可以直接当片段的起始帧。例如把 Nano Banana 家族里的 Nano Banana 2 做出的肖像变成视频。Veo 3.1 在 AI2Face 生成器里可用，费用在生成前就能看到。

限制

• 1080p 和 4K 只用于 8 秒片段。 更短的片段以 720p 生成。
• 参考图只在 8 秒时长下可用。
• AI2Face 可以延长片段。 在 Gemini API 里，Google 只以 720p 延长。
• 画面中的人。 在欧盟、英国、瑞士和 MENA 国家，Google 只允许生成成年人。模型不会生成可辨认的真人、名人和品牌。
• 两帧之间的转场不一定平滑。尾帧能对上，中间的细节可能「漂」。
• API 保存 2 天。 经 Gemini API 生成的片段，两天后会从 Google 服务器删除。在 AI2Face，片段留在你的历史记录里。
• 标识。 所有片段都带不可见的 SynthID 水印。

结论

需要短片和扎实的声音时，Veo 3.1 最合适：广告、产品、氛围、让照片动起来。提示词里的语音和音效省掉单独配音这一步。一次生成就要长片段，看 Seedance 2.5。要灵活编辑和混合输入，看 Gemini Omni Flash。省积分的做法：在 Lite 或 Fast 上用 720p 改提示词，最终片用 Veo 3.1 的 1080p 或 4K。三个版本都在 AI2Face 生成器里，费用在生成前就能看到。生成器里做好的图像可以直接当第一帧。