2025 年 10 月 16 日，Google DeepMind 发布 Veo 3.1。
这不是 AI 视频生成赛道的早期产品。到 2025 年底，OpenAI Sora 已经走过两年，Seedance 2.0 在多镜头叙事上做了很深的工作，Wan2.7-Video 和 LongCat 也在国产阵营里各走各的路。Veo 3.1 进入的不是蓝海，而是红海。
它的定位
Veo 3.1 的核心方向不是"更长"，而是"更完整"。它重点做了两件事：音画原生同步和角色跨镜头一致性。
视频生成领域长期有一个痛点：模型输出的视频大多没有声音。创作者生成画面后，还要用 Suno V5.5 等音频工具单独做配乐或音效，再手动对齐。Veo 3.1 的解法是把音频生成放进同一个推理过程里，让环境音、动作音效和画面一起出来。
另一个重点是一致性。AI 视频最容易翻车的是角色在连续镜头里变形——同一个人，第五秒和第十五秒看起来不像同一个人。Veo 3.1 强调在模型层面维护跨镜头的角色表征，减少这种漂移。
Google 还提到一个仍在内测的能力：2026 年 Q1 将开放 1080P@60fps 的实时渲染。注意，是内测，不是已交付。"实时"在当前算力成本下，短期内更可能面向企业级 API 用户，而不是普通创作者。
公开能力梳理
目前可以确认的几个事实：
- 原生音画同步，声音随画面动作生成
- 角色与场景跨镜头一致性
- 1080P@60fps 实时渲染内测（2026 Q1）
- 绑定 Google Vertex AI 与 Gemini 生态
- 主要面向 API 和企业级场景
这些能力里，音画同步是最有差异化的。过去视频模型和音频模型是分开的，创作者要手动拼起来；Veo 3.1 把它们合成一步。这个改变不一定让质量更高，但确实减少了后期工作量。
行业位置
国际第一梯队目前形成四方格局：
- Veo 3.1：音画原生同步、Google 生态
- Sora 2：OpenAI，写实与物理模拟
- Runway Gen-4.5：创作者可控编辑
- Pika 2.0：风格化、消费级创作
四家已经有明显分化，不再是同质化竞争。选型变成"谁更匹配你的场景"，而不是"谁分数更高"。
国产阵营里，Seedance 2.0 也在做音画联合生成，并且强调多语种口型同步。Veo 3.1 的出现意味着"音画同步"这个点正在从差异化能力变成基础能力。国产模型下一轮的身位，可能要在口型工业化、多镜头叙事、中文语境理解这些更细的维度上找。
需要保持谨慎的地方
Veo 3.1 的公开信息里有几个地方值得审慎看待。
实时渲染仍是承诺。 1080P@60fps 实时渲染听起来很有吸引力，但它目前处于内测阶段，覆盖范围、成本、可用性都不明确。把它当作已交付能力来讨论会误导判断。
生态绑定较深。 Veo 3.1 深度集成在 Google Cloud、Vertex AI、Gemini 生态里。对已经在这套体系里的团队是便利，但对多云架构或想私有化部署的团队是门槛。
"电影感"是审美判断。 Google 在宣传中用了"电影级画质"这样的描述，但这类说法很难用单一指标衡量。行业需要更客观的视听一致性基准，比如音画对齐误差、角色 ID 保持率、镜头切换平滑度，而不是只看 demo 视频。
写在最后
Veo 3.1 最重要的信号是：视频生成的竞争开始从"画面"扩展到"视听一体"。
当所有头部模型都能生成清晰画面时，"有没有对得上的声音"就成了新的分水岭。这个变化对国产模型既是压力也是机会：压力在于独家卖点被追平，机会在于倒逼大家往更细分的方向深耕。
视频生成的终点不是某一项参数最高，而是讲述完整故事的能力。Veo 3.1 补上了"声音"这一块拼图——这也说明，真正难的从来不是单帧画好，而是让画面、声音、镜头切换彼此对齐。