谷歌4K高清视频生图模型，更理解物理世界

先说几个核心判断：Veo 2 本次升级，确实带来不少惊喜。它已经超越了单纯的“生成视频”范畴，更像一位精通影视语言的专业伙伴与你协作。你不再需要绞尽脑汁调试各种技术参数，也无需反复猜测 Gemini 会如何理解你的意图——直接用你习惯的术语表达，它就能准确接住。

Veo 2 生成的经典追车场景

不仅如此，在相机控制方面，精确度也实现了质的提升。比如下方示例，就包含了第一人称视角与焦点转移的提示。仔细观察，车内的皮革纹理、车速表的跳动——这些高频细节确实令人印象深刻。

从人类评估反馈来看，在与几大顶尖视频模型的正面较量中，Veo 2 的胜出是显而易见的。这背后并非简单的算力堆砌，而是它对现实世界的物理规律、人类动作轨迹、甚至微表情的把控，都达到了新的高度。

具体而言，谷歌总结了三大亮点：

**增强的真实感与保真度。**相比其他模型，Veo 2 在细节呈现、画面质感以及减少伪影这类老大难问题上，改善显著。

**领先的运动能力。**它生成的运动画面极为精准，核心在于对物理规律的理解，以及执行复杂指令的能力——这两点以往往往是 AI 的短板。

**更强大的相机控制选项。**它能理解你所说的“推拉摇移”，各种拍摄风格、角度、组合效果，一次性成型。

对创作者来说，Veo 2 就像一个全能的 AI 导演。你只需告诉它要拍科幻片还是文艺片，想要浅景深还是低角度，它就能把镜头语言安排得明明白白。比如这位在显微镜前的科学家——

或者，一个从场景中间贴地滑过的低角度追踪镜头。

更令人惊叹的是它对专业术语的理解力。你在提示里输入「18mm lens」，它就知道该拍广角；写下「shallow depth of field」，它就自动虚化背景，把主体推到焦点上。

还有一个值得关注的进步：它很少“幻觉”。记得之前 Sora 演示时，水獭在飞机上拿着 WiFi 画面，手指却变成了人类的手，简直诡异。沃顿商学院教授 Ethan Mollick 实测时就发现了这个 Bug。

看看 Veo 2 在双手细节的呈现，确实称得上清晰。

当然，它也有破绽。在生成特别复杂、高动态的场景时，一致性上偶尔会翻车。比如这位冰上舞者，快速旋转时双腿出现了形变。

还有滑滑板的男孩，在空中翻越的瞬间，手脚的形态也不太稳定。

在安全性上，谷歌给 Veo 2 嵌入了隐形的 SynthID 水印，方便一眼鉴别是否是 AI 生成。目前 Veo 2 已经登陆 VideoFX，预计明年进入 YouTube Shorts 等平台。对内容创作者来说，这扇门才刚刚打开。

下面是 Veo 2 更多精彩的 demo：

Imagen 3：色彩明亮，构图更精准

同样在持续升级的，还有等待已久的 Imagen 3。这次提升可以称得上革命性。

首先，图像的整体质感更明亮，构图也更稳定。看这两组对比，提升非常明显。

无论是像知名漫画师手绘的橙发少女，还是宏大如游戏设定的幻想世界，乃至真假难辨的黑白人像，都体现出了质的飞跃。

在艺术风格表现上，从照片级写实到印象派、抽象艺术、动漫，Imagen 3 都能更准确地还原画意。

其次，它精准执行提示词的能力更强了，细节和纹理都更加丰富细腻。在与其它顶级 AI 生图模型的对决中，Imagen 3 也取得了最优的人工评估结果。

它生成的图像，在照片写实主义、印象主义、动画和抽象上都有所体现。

比如这张冬日雪地里红松鼠的特写——仿佛高清大片，皮毛的质感、空中飘散的雪花、背景松针的虚化，都透着一种考究的味道。

或是这张1940年代欧洲火车站里，恋人深夜相拥的场景，光线和氛围把控力很强。

浅景深的亚洲女子肖像，光影效果堪称一绝。

即便超现实的场景，它也能精准拿捏。比如下面这只“草莓蜂鸟”——高分辨率的摄影手法、精准的景深控制，让主体在虚化背景中更显生动。

一张精妙的微距素材照片，展现了一颗精心雕刻成蜂鸟形状的草莓，栩栩如生地呈现出蜂鸟正在啜饮鲜艳管状花朵花蜜的瞬间，翅膀因快速振动而形成朦胧的动感。背景是一片生机盎然的彩色花园，经过柔化处理呈现出梦幻般的虚化效果。图像细节丰富，采用浅景深拍摄，使草莓蜂鸟保持锐利清晰的焦点，同时让背景自然柔和。高分辨率的专业摄影手法和柔和的打光让整个场景层次分明，专业的色彩分级更突显了画面的鲜艳色彩，创造出清晰度极高的视觉效果。精确的景深控制让蜂鸟和花朵在虚化的背景中更显生动突出

一拖一创，风格任意定

除了静态、动态的全面升级，谷歌还推出一个实验性项目——Whisk。它的玩法彻底变了。

以往，我们需要写冗长的提示词来生成图像，现在只要拖一张图过去。没错，图像本身就是 prompt。

你只需上传图片来定义主体、场景和风格，然后自由混合，创作出独有的作品。无论是数字玩偶、珐琅徽章，还是精美贴纸，都可以轻松实现。

看看下面这些，梦幻鱼、粉色花环海象、糖粉甜甜圈、长角的奇幻生物猫——脑洞大开。

为什么用图像就能生图？关键在于底层系统：Gemini 模型会自动为上传的图片生成详细的文本描述，然后将文本输入 Imagen 3 处理。这个过程并非简单的复制原图，而是重点提取核心特征，让不同主题、场景和风格的元素自由组合。

当然，由于 Whisk 只提取几个关键特征，生成的图像可能和你预期的有所出入。它不像传统像素级编辑器那样严丝合缝，更像一个让你尽情探索的创意工具。正如谷歌所说，它的核心价值就是自由尝试各种可能性，在不设限的探索中，保留自己最满意的作品。