Google Veo 新模型怎么选？质量、价格与接入讲清

准备批量生成 30 条十秒广告视频时，开发者很容易先陷入一个误区：看到 Veo 2 能生成 4K、长达两分钟的视频，便按高规格长片估算成本；但在实际入口中，Veo 2 当时通过实验性工具 VideoFX 提供，视频规格却限制在 720p、八秒。 模型宣传上限、产品入口限制和 API 实际计费并不是一回事。

Veo 2 更适合作为物理与画面能力的基线，Veo 3 的主要价值是原生音频、多模态输入和音画同步，后续的 Veo 3.1 Fast 则把低价 API 与更高的社区偏好榜表现结合起来。 但真正上线时，开发者仍需依次核对分辨率、时长、音频、区域、配额与计费单位，不能只根据模型代际或榜单名次做决定。

Veo 2 的 4K 上限与 Veo 3 的 1080P 口径

Google 在 2024 年 12 月公布 Veo 2 时，将其描述为可以生成最高 4K、时长两分钟的视频，并强调对运动、流体、光照和人物表情的模拟能力；同一时期，VideoFX 中的实际输出仍限制在 720p、八秒。 因此，“Veo 2 支持 4K”更接近模型能力上限的表述，不等于所有用户都能通过所有入口获得这一规格。

现有资料对 Veo 3 的分辨率常见口径是 1080P，同时列出了背景音效、人物对白、口型同步，以及文本、图片、视频等多模态输入。 这不能简单理解为代际倒退：一方面，4K 与两分钟主要描述 Veo 2 的模型级能力，另一方面，Veo 3 的公共入口又有自己的时长和分辨率限制。此外，音画联合生成会增加模型需要处理的信息维度，新版本把能力重点转向同步声音与多模态控制。

时长资料尤其容易造成误读。一项资料称 Veo 3 可以生成超过 60 秒的片段，另一项资料则称当前限制为八秒，特殊操作可延长至十六秒。 这两种说法不能合并成一个统一上限。比较合理的理解是，它们对应不同的模型版本、平台入口或生成模式；在真实项目中，必须分别查看 Gemini 应用、Flow 和 Vertex AI 当前开放的参数，而不是引用一句“Veo 3 最长可生成多少秒”。

热点报道中的新模型是 Veo 3.1 Fast。按照 36氪给出的榜单口径，它在 Artificial Analysis Video Arena 的文生视频、图生视频两个分榜中均居首，报道列出的对比对象包括 Grok 和 Seedance；调价则指 Veo 3.1 Fast 相比前代 Fast 模型，无音频按秒价格从 0.15 美元降至 0.10 美元，约减少三分之一，带原生音频属于独立计价档。

“双榜第一”可以作为采用 Veo 的理由之一，但不能改写成“全面超过所有竞品”。这类视频偏好榜主要反映特定提示和样本下的主观比较结果，不能替代生产环境中的物理正确率、角色一致性、音画同步、失败率、生成延迟和单位成本测试。一个模型在偏好投票中领先，也可能因为其默认风格更符合榜单受众，而不是因为它更适合广告镜头、角色动画或影视预演。

读表时最重要的，是不要把“能力上限”一栏直接用于预算。Veo 2 的 4K、两分钟和 Veo 3 的 1080P 并不是同一层级的可用规格；同样，0.10 美元的单价也只对报道所指的模型、音频条件和计费入口成立。

Veo 3 的时长、画质、音频与多模态能力

Veo 3 的关键变化是把视觉、声音和输入指令纳入同一生成过程，生成时长并非唯一重点。

Veo 2 已能根据文本或文本加参考图，模拟运动、流体、光照和人物表情，但仍以视觉生成为主。Google 当时也承认复杂动作、细节和时序一致性仍有改进空间。 Veo 3 在此基础上引入了几项相互配合的技术：Transformer 与自注意力用于捕捉提示词中的细微差别；Gemini 技术的整合强化了视觉内容理解；压缩视频表示用较小的数据量保存关键信息；多模态训练则让视觉、音频和文本数据共同参与训练。

这些技术对应到生成结果和使用方式，主要体现在四个方面。

第一，环境音不再只是后期添加的素材。鸟鸣、街道交通、脚步声等声音可以跟随画面一起生成，与画面中的环境和动作直接对应。

第二，人物对白进入生成过程。Veo 3 可以生成角色对话，并尝试让口型与对白匹配。 参考资料将其中的音频机制概括为 V2A：先从视频像素提取语义信号，再结合文本提示生成音频波形，并通过扩散模型把视觉信息与提示词对齐。 这不能保证所有口型都准确，但它确实改变了过去需要分别生成画面、配音和对白，再由人工对齐的工作方式。

第三，文本、图片和视频可以进入同一工作流。静态照片可以转成带音频和视频的动态内容，并在生成过程中尽量保持角色一致；多模态训练则让模型不仅理解“画什么”，还能够参考输入图像中的人物、物体与场景信息。

第四，1080P、细节、光照和伪影控制仍然重要，但它们只属于画质层，并非 Veo 3 的全部代际优势。 4K 输出可以带来更高的像素密度，却不能自动解决长镜头中的身份漂移、物体连续性和复杂动作失真。

在正式采购前，更稳妥的评测方式是把测试拆成四组任务，并使用相同文本、图片和参考素材重复生成。每组素材的重复生成次数应当足够多，且不能只保留最好的一条样片。

第一组是“人物对白加环境声”，用于检查唇形、语气、环境音和画面动作是否同步；第二组是“快速运动与物体碰撞”，观察运动模糊、形变和物理关系；第三组是“参考图角色连续镜头”，检查人物、服装、道具和场景在时间线上是否漂移；第四组是“复杂运镜”，比较推拉摇移时的构图稳定性、焦点变化与提示词遵循度。

记录指标时，可以分为四个层次：画面层关注分辨率、细节、光照、流畅度、伪影和镜头运动；时序层关注角色一致性、物体连续性、复杂动作和物理合理性；声音层关注对白与口型对齐、环境音、动作声音、清晰度和自然度；工程层记录等待时间、失败率、重试次数和实际费用。现有资料同样把音画同步程度、分辨率、画质、流畅度、音频自然度及多模态理解能力列为核心评价项。

不同场景的权重也应有所区别。广告短片更看重产品外观、节奏和声音匹配，10 秒内能否稳定复现比平均画质更重要；影视预演关注物理与运镜，否则无法服务分镜讨论；教育视频需要长时间维持人物、讲解与字幕关系；角色动画则最容易暴露身份漂移。统一分数看似方便，实际往往掩盖了某个场景的关键短板。

开发者该选订阅、Flow 还是 Vertex AI，账怎么算？

Veo 2 当时主要出现在实验性的 VideoFX 中；Veo 3 则可通过 Gemini 应用和 Vertex AI 使用，并已接入 Flow。相关资料记录的访问条件包括美国地区 Gemini Ultra 用户以及 Vertex AI 企业用户。 这三条路径的用途不同：Gemini 应用适合低成本测试提示词，并比较模型倾向；Flow 更适合镜头组织、连续创作等创作者工作流；Vertex AI 则提供项目、权限、配额、异步任务和可审计的服务化调用，更适合批量生产。

消费者订阅和 API 计费也不能混在一起。资料记录的 Ultra 订阅价格是每月 249.99 美元，对应的是 2025 年发布阶段的特定计划。 这是包含多项 Google 服务的订阅价格，不是视频生成单价，也不能直接换算成“每条十秒视频多少钱”，也不等于附带等量的 Vertex AI 调用额度。

按 36氪报道所引的调价口径，Veo 3.1 Fast 的无音频价格从 Veo 3 Fast 的每秒 0.15 美元降到 0.10 美元，降幅约三分之一；含原生音频属于独立档位，不能把 0.10 美元直接当成所有音频任务的最终单价。 这项价格适用于报道时支持相应模型的 Google Cloud 项目及区域，不代表所有 Gemini 订阅地区自动获得，也不能在未核对产品页的情况下直接套用到其他 Veo 型号。

以报道时的按秒价格线性测算，十秒视频的无音频成本约为 1 美元，含音频成本按对应独立单价计算；三十秒视频的无音频成本约为 3 美元；六十秒视频的无音频成本约为 6 美元。六十秒这里是等效成本，不代表每个接口都允许一次生成一分钟；如果需要分段生成、延长或重新生成，就要累计所有实际计费秒数。若价目表设置了最低计费量、最低生成秒数或特定分辨率价格，还应先按实际入口规则修正。

回到开头 30 条十秒广告视频的任务：每条只生成一次时，无音频生成成本约为 30 美元；如果每条都额外重试一次，这部分成本会翻倍到约 60 美元。这里还没有计算延长片段、重新配音、对象存储、下载流量和人工筛选。批量越大，越应该设置并发上限、失败重试上限和单项目预算，而不是只根据理论单价推算总费用。失败任务是否计费，也不能凭经验判断，需要以 Google Cloud 当前规则和实际账单核对。

如果目标是高频生成短广告并需要原生声音，可以优先验证 Veo 3.1 Fast 的实际价格与配额；如果是高质量主片、复杂物理或较长镜头，则应把候选模型放进自己的测试集比较。Gemini 和 Flow 更适合前期验证，Vertex AI 更适合需要稳定并发、权限和审计的生产链路。

接入 Google Veo 视频生成模型可以分为七步。

第一步，确认模型、区域和当前规格。在模型目录中确认实际发布的 Veo 型号、可调用区域、分辨率、时长、音频开关、配额和计费单位。不要直接固化文章中的模型 ID，接口版本更新后，旧名称可能失效。

export PROJECT_ID="veo-production"
export REGION="<SUPPORTED_REGION>"
export MODEL_ID="<CURRENT_PUBLISHED_VEO_MODEL_ID>"

第二步，创建项目、启用结算和 Vertex AI 服务。新项目可以按下面的顺序执行，账单账号标识应从自己的 Google Cloud 控制台获取。

gcloud projects create veo-production --name="Veo Production"
gcloud billing accounts list
gcloud billing projects link veo-production --billing-account="<BILLING_ACCOUNT_ID>"
gcloud services enable aiplatform.googleapis.com
gcloud storage buckets create "gs://veo-output" --location="<REGION>"

第三步，配置身份和最小权限。本地调试可以使用应用默认凭据；生产环境更适合让运行服务使用工作负载身份，避免长期保存服务账号密钥。

gcloud auth application-default login
gcloud iam service-accounts create veo-api
gcloud projects add-iam-policy-binding veo-production --member="serviceAccount:[email protected]" --role="roles/aiplatform.user"
gcloud projects add-iam-policy-binding veo-production --member="serviceAccount:[email protected]" --role="roles/storage.objectUser"

第四步，提交文本或参考素材。Veo 通常采用异步长任务。下面展示 Vertex AI 请求骨架；模型 ID、参数字段和接口路径必须以当前官方样例为准，不能把示例直接当成长期不变的接口约定。

ACCESS_TOKEN="$(gcloud auth print-access-token)"
curl -sS -X POST "https://${REGION}-aiplatform.googleapis.com/v1/projects/${PROJECT_ID}/locations/${REGION}/publishers/google/models/${MODEL_ID}:predictLongRunning" -H "Authorization: Bearer ${ACCESS_TOKEN}" -H "Content-Type: application/json" --data '{"instances":[{"prompt":"A cinematic product shot on a rainy street, synchronized traffic ambience and rain sounds, 35mm lens"}],"parameters":{"aspectRatio":"16:9","resolution":"1080p","durationSeconds":8,"generateAudio":true}}'

如果需要参考图，应按当前接口定义传入图片字节或对应字段，并记录原始素材哈希。不要把未经授权的人像、品牌资产或第三方素材直接提交给生成接口。

第五步，轮询任务状态。提交响应会返回操作标识，后续查询应始终使用这个标识，避免重复提交造成重复计费。

OPERATION_NAME="<OPERATION_NAME_FROM_RESPONSE>"
while true; do gcloud ai operations describe "${OPERATION_NAME}" --region="${REGION}" --format=json > operation.json || break; grep -q '"done": true' operation.json && break; sleep 30; done

第六步，获取并保存视频。返回结果可能包含 Cloud Storage 地址，字段结构以实际响应为准。地址可能过期，因此成功后应尽快复制到自己的存储桶，而不是把临时链接交给下游系统长期使用。

GCS_URI="$(jq -r '.response.videos[0].gcsUri // empty' operation.json)"
gcloud storage cp "${GCS_URI}" "gs://veo-output/"

第七步，记录可复现信息和真实费用。每次调用至少保存模型 ID、区域、提示词哈希、参考素材哈希、分辨率、请求时长、音频开关、操作 ID、等待时间、任务状态、实际输出秒数、采用的单价及对象存储费用。没有日志，就无法判断成本上升究竟来自重试、延长、规格变化，还是单价本身发生了变化。

配额不足时，应先调整并发或申请配额，不宜让业务代码无限重试；区域不可用时，需要改用官方支持的区域，不能通过伪造位置规避限制；安全策略拒绝时，应检查提示词与素材授权，盲目重试通常不会改变结果。任务超时或生成失败时，要先保存操作 ID 和错误信息，再核对当前失败计费规则后决定是否重试。对于临时地址过期、输出下载失败等问题，应优先从对象存储侧恢复。

内容治理也应纳入工程流程。Veo 2 已使用 SynthID 向生成帧嵌入不可见标记。 接入方仍需核对标识保留政策、素材授权、人物肖像、生成内容披露及下游平台规则。SynthID 可以作为来源识别的一部分，但不能替代创作者自己的授权和标注责任。

榜单第一只反映特定测试条件下的偏好。是否值得投入生产，还要看同一提示能否稳定复现、音画是否同步，以及 API 成本与等待时间是否可控。