# Veo 3.1：谷歌带声音的视频模型能做什么

> Veo 3.1 是 Google DeepMind 的视频模型，2025年10月15日发布。它生成 4、6 或 8 秒的片段，分辨率 720p、1080p 或 4K，并同时生成声音：语音、音效和背景。它能让照片动起来，用三张参考图稳住角色，也能在首帧和尾帧之间做转场。AI2Face 里可以用 Veo 3.1、Fast 和 Lite。

开发者: Google DeepMind · 发布时间: 2025-10-15 · 更新于 2026-09-30
URL: https://ai2face.com/zh/models/veo-3-1

## 关键信息

| | |
|---|---|
| 开发者 | Google DeepMind |
| 发布日期 | 2025年10月15日 |
| 能做什么 | 根据文字、照片、参考图和一对帧生成带声音的视频 |
| 时长 | 4、6 或 8 秒；在 Gemini API 中可延长至 148 秒 |
| 分辨率 | 720p、1080p 和 4K（1080p 和 4K 仅限 8 秒），每秒 24 帧 |
| 画幅 | 16:9 和 9:16 |
| 参考图 | 最多 3 张角色、物体或场景的图像 |
| 声音 | 语音、音效和背景与视频一起生成 |
| 版本 | Veo 3.1、Veo 3.1 Fast、Veo 3.1 Lite |
| 标识 | 不可见的 SynthID 水印 |
| 在 AI2Face | 三个版本都在生成器里 |

## 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](/zh/models/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。

[穿围裙的面包师从烤箱取出一盘可颂，微笑着对镜头说话](https://ai2face.com/_astro/media/models/veo-3-1/dialogue.mp4 "提示词里用引号写了台词：语音、烤箱的噼啪声和街声与视频一起生成。Veo 3.1，8 秒，1080p，压缩到 720p")

**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。

[红卷发的女生穿过雾气里的秋林走向镜头，微笑，落叶飘下](https://ai2face.com/_astro/media/models/veo-3-1/image-to-video.mp4 "我们秋季拍摄的一张照片成了第一帧。Veo 3.1，9:16，8 秒")

**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。

[白墙空房间逐渐被布置起来：墙变成绿色，沙发、桌子、地毯和榕树依次出现](https://ai2face.com/_astro/media/models/veo-3-1/first-last-frame.mp4 "首尾帧模式，Veo 3.1 Lite。最后一帧与指定画面一致，但转场中途窗户短暂消失")

**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。

[铜壶把热咖啡倒进橡木桌上的白杯，蒸汽升起](https://ai2face.com/_astro/media/models/veo-3-1/product-sfx.mp4 "产品镜头：倒咖啡的声音和杯子的轻响来自提示词。Veo 3.1，16:9，8 秒")

## 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](/zh/models/seedance) 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
```

[无人机在风暴中飞向悬崖上的灯塔，海浪拍打岩石，光束穿过雨幕](https://ai2face.com/_astro/media/models/veo-3-1/storm-sfx.mp4 "上面这条提示词：镜头运动和文中的三处音效。Veo 3.1，16:9，8 秒")

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](/zh/models/nano-banana) 家族里的 [Nano Banana 2](/zh/models/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](/zh/models/seedance)。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。

## 常见问题

### Veo 3.1 和 Veo 3 有什么不同？

Veo 3.1 更贴提示词，角色更稳，声音也更丰富。真正新增的是参考图模式、首尾帧模式，以及现在带声音的延长。Google API 的价格没有变。

### Veo 3.1 一次能做多长的视频？

一次生成 4、6 或 8 秒。在 Gemini API 里可以每次延长 7 秒，最多 20 次，合计 148 秒，但只有 720p。AI2Face 提供 4、6 和 8 秒的片段。

### Veo 3.1 有声音和语音吗？

有。模型把声音和画面一起生成：角色台词、音效和背景噪声。台词写在引号里，音效写在「SFX:」后面。在 AI2Face 用开关打开声音。

### Veo 3.1 的官网在哪里？

没有单独的网站。官方入口是 Gemini 应用、Google AI Studio、Gemini API 和 Vertex AI。名称里带 veo 的域名属于第三方服务。

### Veo 3.1 Fast 和 Lite 与完整版有何不同？

Fast 更快、更便宜，功能相同。Lite 最便宜：Google 称其价格不到 Fast 的一半。Lite 没有参考图，也不能延长，最高 1080p。在 AI2Face，4K 只在完整版 Veo 3.1 上可用。

### 每个国家都能用 Veo 3.1 吗？

三个 Veo 3.1 版本都在 AI2Face 生成器里，片段费用在生成前就能看到。

## 资料来源

- https://developers.googleblog.com/introducing-veo-3-1-and-new-creative-capabilities-in-the-gemini-api/
- https://ai.google.dev/gemini-api/docs/veo
- https://cloud.google.com/blog/products/ai-machine-learning/ultimate-prompting-guide-for-veo-3-1
- https://blog.google/innovation-and-ai/technology/ai/veo-3-1-ingredients-to-video/
- https://blog.google/innovation-and-ai/technology/ai/veo-3-1-lite/
- https://docs.cloud.google.com/vertex-ai/generative-ai/docs/video/extend-a-veo-video
- https://blog.google/innovation-and-ai/technology/developers-tools/build-with-gemini-omni-1-1-flash/
- https://seed.bytedance.com/en/blog/one-take-creation-flexible-referencing-introducing-seedance-2-5