就在昨天，谷歌再次爆打OpenAI。
全新发布的Veo 2，实测效果已经被许多人公认“超越Sora”。
作为谷歌最先进的视频生成模型，Veo 2可以更好地理解现实世界物理和运动的细微差别，拥有理解电影摄影语言的能力（如镜头类型和效果），分辨率高达4K。
同时放出的还有Imagen 3图像生成模型和用图像而非文本作为prompt的工具Whisk。
无论是在LLM上，还是在视觉创作上，谷歌正在缩小和OpenAI的差距。
举个栗子，我们用相同的提示“A pair of hands skillfully slicing a ripe tomato on a wooden cutting board”生成一个切西红柿的视频。
在Veo 2中，西红柿不仅会随着刀子的前后移动而移动，并且其横断面清晰可见。切片虽略显厚实，但前后始终保持一致，而且还能正确地叠放起来。
相比之下，Sora不仅照着手指疯狂下刀，而且切了半天的西红柿依然“完好无损”……
Veo 2
Sora
难怪有网友说，在理解物理世界和一致性的能力上，Veo 2已经达到next level。
高达4K的分辨率、大大提升的细节和真实感、人体动作和表情的改善，以及更好的物理建模和时间一致性，都让Veo 2达到了顶级AI视频模型的级别。
在Meta的Movie Gen Bench上，Veo已经可以和Kling、Minimax、Sora掰手腕了
Veo 2强势升级，4K电影级画质
想象一下，只用简单文字描述就能生成高达4K、超长时间的精美视频，Veo 2已经做到了这种颠覆性的创新。
它可以遵循简单和复杂的指令，并在物理模拟过程中展现出令人惊叹的生成质量。
现在，Veo 2可以像电影摄影师一样和我们交流。不必再费力和它讨论技术参数、猜测、标题，只要用习惯的术语说出想要的内容即可。
Veo 2生成的经典追车场景
另外，我们还可以进行更精确的相机控制，比如下图就是根据一个包含第一人称视角、转移焦点的提示生成的视频片段。
可以看到，车内的皮革内饰、车速表等细节做得很好，给人留下了极其深刻的印象。
通过人类评估，Veo 2模型在与几大顶尖视频模型的对比中脱颖而出。
它不仅仅是简单地生成视频，更是对现实世界的物理规律、人类的动作表情等有着极致的理解。
对此，谷歌总结了新模型的三大亮点：
首先是增强的真实感和保真度。相较于其他的AI视频模型，Veo 2在细节、真实感、伪影减少方面得到了显著的改进。
其次是领先的运动能力。Veo 2能以精确的方式生成运动画面，这主要归功于它对物理学的理解和遵循详细指令的能力。
第三个是更强大的相机控制选项。它能精确地理解指令，创建出的视频符合各种拍摄风格、角度、运动效果，以及这些元素的组合。
对于创作者而言，Veo 2就像一个无所不能的AI导演。你可以指定电影类型、镜头风格，甚至是特定的电影技巧，它皆可完美呈现。
比如这位在显微镜前科学家的面部特写。
Prompt：
富有电影感的镜头捕捉了一位身着暗黄色生化防护服的女医生，实验室惨白的荧光灯将她的身影笼罩其中。镜头缓缓推进她的面部特写，细腻的横向推移突显出她眉宇间深深刻画的忧思与焦虑。她专注地俯身于实验台前，目不转睛地透过显微镜观察，手套包裹的双手正谨慎地微调着焦距。
整个场景笼罩在压抑的色调之中，防护服呈现出令人不安的黄色，与实验室冰冷的不锈钢器械相互映衬，无声地诉说着事态的严峻和未知的威胁。在景深的精确控制下，镜头对准她眼中流露的恐惧，完美传达出她肩负的重大压力与责任。
再比如一个从场景中间滑过的低角度追踪镜头。
Prompt：
更令人惊叹的是Veo 2对专业术语的理解。
只需在提示中输入“18mm lens”，Veo 2就得知需要创建广角镜头拍摄出的画面，或在提示中加入“浅景深”（shallow depth of field），它便可模糊背景，突出主体。
不仅如此，Veo 2很少有“幻觉”，比如AI视频中经常会出现的手指问题。
沃顿商学院教授Ethan Mollick实测Sora时发现，水獭在飞机上使用WiFi的画面中，长出了人类的手，非常诡异。
再看看Veo 2生成双手的细节，堪称极致。
当然，Veo 2生成的视频并非没有破绽。
它在创建逼真、充满活力或复杂的视频时，以及在生成复杂的运动场景时，难以保持一致性。
比如下面这位冰上舞者的双腿，在复杂的前进运动中就出现了变形。
滑滑板的男孩在空中翻越时，双腿双手出现了幻影。
在安全性方面，谷歌为Veo 2加入了隐形的SynthID水印，有助于人们一眼就能识别出是AI生成的内容。
目前，Veo 2已经登录VideoFX，预计明年将进军YouTube Shorts等平台，为内容创作者开启全新的可能性。
下面分享了Veo 2更多优秀的demo：
Imagen 3：颜色明亮，构图更精准
今天，备受期待的Imagen 3同时迎来了重大升级。
这次升级的提升堪称革命性。首先是图像的整体质感更加明亮，构图更为精准。
宛如知名漫画师创作的橙发少女、像游戏设定一般宏大的幻想世界、难以分辨是AI还是照片的黑白人像
在艺术风格的表现上，从照片级写实到印象派绘画，从抽象艺术到动漫风格，Imagen 3都能实现更为准确的还原。
其次，它能精准执行用户的提示词指令，呈现出更为细腻的细节和更丰富的纹理效果。
在与其他顶级AI生图模型的对决中，Imagen 3取得了最优的人工评估结果。
Imagen 3生成的图像在所有风格上都可以达到优秀的表现，包括写实主义照片、印象主义、动画和抽象主义。
Prompt：
下面这种冬日雪地中红松鼠的特写，仿佛高清大片，无论是松鼠的皮毛、空中的雪花，还是背景中松针的虚化，都体现出了考究的细节。
Prompt：
在1940年代风格的欧洲火车站，一对恋人深夜在火车前相拥，整个场景让人想起众多电影中的离别场景。
Prompt：
还有用浅景深拍摄的亚洲女子肖像，光影效果一绝。
一幅亚洲女性的肖像，背景是幽绿的霓虹灯光，采用浅景深拍摄。
对于超现实的场景，Imagen 3也能精准把握，比如下面这只草莓蜂鸟。整个图像利用了高分辨率的专业摄影手法，景深控制让蜂鸟和花在虚化的背景中更显生动。
Prompt：
一拖一创，风格任意定
不仅如此，谷歌还推出了一个全新的尝试——生成式AI实验性项目Whisk。
以往，我们都需要输入冗长、详细的文字提示来生成图像，Whisk彻底改变了这一形式，现在只输入图像就可以了。
把图片简单一拖，Whisk就能帮我们创作。
在Whisk中，我们可以通过上传图片，来定义主体、场景和风格，然后将它们重新混合，创造出自己独特的作品，比如数字玩偶、珐琅徽章、精美贴纸。
下面，你会看到想象大开的梦幻鱼、粉色花环海象、糖粉甜甜圈和长角的奇幻生物猫。
为什么用图像的prompt就能生图？
这是因为在系统底层，Gemini模型会自动为我们上传的图片生成详细的文本，随后文本会被输入到Imagen 3中进行处理。
而这一过程绝非简单地复制原图，而是重点提取主题的核心特征，这才能让我们自由组合不同主题、场景和风格元素。
当然，由于Whisk只会提取图像中的几个关键特征，因此生成图像也可能会和我们的预期不同。
你可能也看出来了，Whisk并不像传统的图像编辑器，只进行像素级的完美编辑，而是一种崭新的创意工具，可以让人创造性地探索天马行空的想法。
就如谷歌所说，它的核心价值，是自由尝试各种可能性，在各种创意方式中进行极致的探索，保留下自己最满意的作品。
参考资料：
https://blog.google/technology/google-labs/video-image-generation-update-december-2024/
https://blog.google/technology/google-labs/whisk/