Veo 3.1 是 Google DeepMind 旗舰 AI 视频模型，可生成带原生同步 48kHz 音频的 8 秒 4K 视频——对白口型同步、音效和环境音通过联合扩散过程与视频同步生成。支持指定首尾帧，最多上传 3 张参考图引导内容，并可将片段延展至最长 148 秒的完整序列。
Veo 3.1 Pro
Google DeepMind，2025 年 10 月发布。Veo 3.1 Pro 提供最高质量和 4K 输出；Veo 3.1 Fast 生成速度更快、积分消耗更低，适合反复迭代的工作流。
Veo 3.1 电影感预览
从单段文本提示词生成带对白同步、音效和环境音的 4K 视频。
播放模板视频Veo 3.1 Pro
从单段文本提示词生成带对白同步、音效和环境音的 4K 视频。
Veo 3.1 在与视频同一次生成中产生三类音频：与角色口型同步的对白语音、与画面动作帧级对齐的音效，以及与场景氛围匹配的环境音。音频以 48kHz 立体声输出——专业广播级品质——视听延迟约 10ms，完全符合广播容差标准，无需后期音频合成。
指定视频的精确起始帧和结束帧，并提供最多 3 张参考图引导主体外观、场景构图或视觉风格。Veo 3.1 在指定帧之间生成流畅运动，同时遵守参考图约束，赋予创作者对每个生成片段起点和终点的导演级精准控制。
对已生成的 Veo 片段每次延展 7 秒，最多延展 20 次，从单次生成出发可构建长达约 148 秒的连续序列。每次延展无缝延续前一段的视觉和音频叙事，保持光线、角色和场景的一致性，无需重新提示词从头生成。
撰写包含场景、主体动作、镜头运动、灯光描述的提示词，对白用引号注明说话角色
可选上传首帧、尾帧，或最多 3 张参考图，锁定视觉身份和构图约束
选择比例（16:9 或 9:16）、时长（4 秒 / 6 秒 / 8 秒）和档位（Pro 优先 4K，Fast 优先速度）
开启原生音频，自动生成与画面同步的对白、音效和环境音
对完成片段调用视频延展，每次添加 7 秒，最多 20 次构建更长叙事序列
撰写包含场景、主体动作、镜头运动、灯光描述的提示词，对白用引号注明说话角色
可选上传首帧、尾帧，或最多 3 张参考图，锁定视觉身份和构图约束
选择比例（16:9 或 9:16）、时长（4 秒 / 6 秒 / 8 秒）和档位（Pro 优先 4K，Fast 优先速度）
开启原生音频，自动生成与画面同步的对白、音效和环境音
对完成片段调用视频延展，每次添加 7 秒，最多 20 次构建更长叙事序列
电影级广告：一次生成内产出带对白、环境音乐和真实运动的 4K 产品短片
短片前期制作：生成带镜头运动和原生音频的分镜质量场景，用于正式制作前评估
播客和演讲内容：生成带对白口型同步的人物镜头，用于社媒剪辑和讲解视频
自然和旅行素材：生成带叠加环境音的写实户外场景，适合纪录片类内容
教育和讲解视频：生成主持人解说序列，画面与同步配音自然对应
品牌系列内容：借助参考图和视频延展，构建一致的多段品牌叙事 4K 系列
Veo 3.1 采用联合扩散过程，音频和视频在同一次推理中同步生成，而非分阶段处理。它生成三类音轨：与角色口型同步的对白语音、与画面动作精确对齐的音效，以及与场景相匹配的环境音。音频视听延迟约 10ms，完全符合广播容差标准，无需独立的音频后期。
在提示词中用引号包裹对白内容，并注明说话角色姓名，Veo 3.1 会生成与角色口型同步的语音。支持多个说话者，并能在单段视频中自然处理对话轮换。
视频延展每次对已生成的 Veo 片段追加 7 秒，延续原始结尾的视觉和音频叙事。最多可延展 20 次，构建总长约 148 秒的序列。延展目前支持 720p 输出，被延展视频必须是 Veo 生成的片段。
Veo 3.1 Pro 输出最高质量，支持完整 4K 和最强提示词遵循度，适合最终创作阶段。Veo 3.1 Fast 生成速度更快、积分消耗更低，适合快速迭代——验证音频线索和构图后，再切换 Pro 生成最终版本。
Veo 3.1 每次生成最多支持 3 张参考图，可引导角色外观、产品视觉身份、环境设计或构图约束，与文本提示词协作将输出锚定到特定视觉要求上。
Veo 3.1 支持 720p、1080p 和 4K 输出，帧率 24fps。单次生成时长支持 4 秒、6 秒和 8 秒，比例支持 16:9 横屏和 9:16 竖屏。4K 选项仅 Veo 3.1 Pro 支持。