Google 发布 Veo 与 Imagen 3 生成式 AI 模型

Google I/O 2024 一次性发布两款生成式媒体模型。Veo 是当时 Google 最强的视频生成模型，可输出 1080p 分辨率、时长超过一分钟的视频，支持 timelapse、aerial shots 等专业镜头术语，能在长 prompt 下保持人物、动物、物体在多个镜头中的连贯运动。Imagen 3 则是当时质量最高的文生图模型，相比 Imagen 2 在细节、写实度与瑕疵控制上进一步提升，对自然语言意图的把握更细，并在生成可读文字方面取得新的进展，可用于生日贺卡、演示文稿标题等场景。

Veo 的技术血统来自多年视频生成研究的累积，包括 Generative Query Network、DVD-GAN、Imagen-Video、Phenaki、WALT、VideoPoet 与 Lumiere，本次模型综合了架构、scaling laws 与多项新技术，提升画质与物理一致性。Google 同时邀请创作者与导演参与私测，公开了与 Donald Glover 及其工作室 Gilga 合作的试拍片段。Veo 通过 VideoFX 的等待名单开放给少量创作者，未来 Veo 的部分能力还会接入 YouTube Shorts。Imagen 3 的访问路径则是 ImageFX 的私测，后续接入 Vertex AI。

发布同期还公布了音乐方向的进展。Google 与 YouTube 合作，邀请 Grammy 奖得主 Wyclef Jean、Grammy 提名作曲人 Justin Tranter 与电子音乐人 Marc Rebillet，使用名为 Music AI Sandbox 的一组工具创作 demo 录音，这些工具基于 Lyria 模型，覆盖器乐片段生成、声音变换等场景。安全机制层面，VideoFX 上由 Veo 生成的所有视频均带 SynthID 水印，延续了 Google 把生成内容溯源标记前置到模型层的做法。