谷歌 Veo 3 着实展现出了强大的实力，首次实现了音画同步，这一突破堪称惊艳。在视频播放领域，音画同步一直是用户体验的关键，而谷歌 Veo 3 成功做到了这一点，让每一个画面都能与声音完美契合，不再有延迟或不同步的情况。相比之下，Sora 在这方面似乎被远远地超越了。谷歌 Veo 3 以其卓越的技术，为用户带来了更加流畅、自然的视听享受，无疑在音画同步这一重要领域取得了重大的领先地位，给整个行业带来了新的标杆和启示。

还记得 2023 年 AI 视频最出圈的片段吗？威尔·史密斯吃面，动作鬼畜，画面寂静：

当时的视频大模型，只会动，不会说话。Sora 的发布让视频质量飞跃、物理规则建模进步巨大，也直接引爆了整条赛道。

Runway、Pika、Luma、Kling、Genmo、Higgsfield、Lightricks 等初创公司，以及 OpenAI、谷歌、阿里、字节等科技巨头，纷纷入局。

但无论画质如何进步，视频还是“哑巴”：

你可以让人物奔跑、翻转，甚至做出慢动作，但如果想让角色说话、听到风声、脚步声，甚至感受到炒菜时锅里的滋滋声？

对不起，还得自己导音频。

更麻烦的是，配完音还可能对不上节奏：口型和对白不同步，脚步踩不到点上，情绪氛围总差一口气。

直到今天，谷歌正式发布 Veo 3。AI 视频，终于能“开口说话”了：

Veo 3 不仅能生成高质量视频，还能理解视频中的原始像素，自动生成与画面同步的对话、多种音效。

把这段话翻译成中文就是，只用一个提示词，你就能得到画面+对白+唇动对齐+拟音音效一气呵成的视频。

提示语：90 年代酒吧里的情景喜剧场景，背景墙上的霓虹灯写着 “fofr”。一对夫妇说了些什么，观众大笑起来。

对白生成、唇动对齐和情绪音效（观众笑声），一气呵成。

提示语：一位游戏主播（streamer）只用他的镐子（pickaxe）赢得了“ Victory Royale”。

生成出的内容是完整直播风格视频，还带着夸张的欢呼与音效，画面有声有色。

尽管凌晨才发布，但 Veo 3 已在社交网络掀起热潮，多个视频动辄数十万次播放，令人惊叹不已。

雪地步伐清晰地传来咯吱声，鸭子嘎嘎叫，烹饪的滋滋作响声，撒胡椒声……

得益于模型对物理世界的深刻理解，所有声音非后期拼接，而是与画面实时同步生成。

Veo 3 还能精准捕捉画面情绪，渲染氛围音效。这个麦芬蛋糕在烤箱中尖叫，逼真到让人有点毛骨悚然。

提示词：a video with dialogue of two muffins while baking in an over，the first muffin says "I can't believe this Veo 3 thing can do dialogue now!"， the second muffin says "AAAAH， a talking muffin!"

至于对口型，Veo 3 也表现突出：无论是脱口秀现场讲笑话，还是说唱音乐视频中的节奏口型，都能精准同步，真实感爆棚。

提示词：a man doing stand up comedy in a small venue tells a joke (include the joke in the dialogue）

提示词：a man in a music video raps to the camera about generating videos with Veo3

生成歌剧和音乐会视频，成为检验 Veo 3 音画同步水平的高频场景。

在这个视频里，鼓手的每一次击打动作都与鼓点节奏完美同步，与歌手表演同步，展现了模型在复杂多声音动态场景下出色的音画合成能力。

支持多角色、多种风格的创作视频，虚拟人物演技不比《演员请就位》强多了？

长提示词理解与事件流生成方面，Veo 3 同样出色。

以前视频模型提示词一长就容易崩。

但 Veo 3 能理解长句子，完成一个完整、时间有序、逻辑清晰的小片段。

来看这个视频。

提示词：黎明时分，一位男士在美丽的夏日公园里奔跑，他上气不接下气，然后放慢速度，看着镜头，气喘吁吁地说：“用 API 运行 AI。使用 Replicate。”然后他继续跑。最后，“Replicate”的字样渐渐消失在视野中。

包含动作变化、对白插入、镜头切换、logo 渐隐……

多步骤连贯执行，事件流准确，效果不错：

音画同步生成，直接把视频模型拉到了新时代 。而其中的关键能力，离不开 DeepMind 过去就悄悄铺下的一项底层技术：V2A（Video-to-Audio）。2023 年 6 月，DeepMind 就首次披露：

他们正开发一套 AI 系统，能从视频像素 + 文本提示中，自动生成完整音轨。包括对白、动作音效、环境音、背景音乐……

它的原理是：将视频视觉信息编码为语义信号，与文本提示一同输入扩散模型，生成匹配的音频波形。可以说，V2A 就是 Veo 3 的“耳朵”和“声带”。再配合谷歌的音视频数据资源—— YouTube 很可能是训练数据之一——Veo 3 的音画合成功能，已经遥遥领先。

一个小遗憾：视频仍只有 8 秒。

另外，目前 Veo 3 仅面向美国 Ultra 订阅用户开放，定价为 249.99 美元/月。这是谷歌专为专业创作者、开发者推出的高阶会员服务。

虽然门槛不低、时长有限，但 Veo 3 的初次亮相，已足够震撼。过去生成式 AI 是“语言+图像”的时代，现在，正在进入“视听一体”的新阶段。

生成视频从会动 → 能说 → 有氛围，一步步突破不同模态的边界。

如果说 Sora 是让 AI 看懂物理世界，那 Veo 3，就是让 AI 能“听懂”“会说”。

看来，音画一体将是下一轮视频模型竞赛的标配。

本文来自微信公众号：机器之心，作者：机器之心，编辑：Sia