三张图、一段提示词，生成8秒高清视频。谷歌正式将“Ingredients to Video”功能推向普通用户，彻底改变了AI视频创作的随机性难题。

当地时间11月15日，谷歌通过其官方社交媒体账号宣布，为Gemini Pro/Ultra订阅用户带来Veo 3.1视频模型的重大更新——多图参考视频生成功能正式上线。

这项名为“Ingredients to Video”的模式，允许用户同时上传三张参考图，分别从这些图像中提取人物、场景与风格特征，融合生成一个8秒的1080p高清视频。

此前，该功能仅在Google Flow和Vertex AI等专业工具中提供，如今已全面向Gemini App的付费用户开放，标志着谷歌正将专业级AI视频创作能力推向大众市场.

01 三图融合：重塑AI视频创作范式

“Ingredients to Video”功能的推出，解决了AI视频生成领域长期存在的可控性难题。

根据谷歌官方说明，用户可上传三张参考图像，系统会智能识别每张图的独特要素。

第一张图定义主体角色，如人物或主要对象；第二张图设定背景环境；第三张图决定艺术风格，最终结合文本提示生成连贯视频。

在实际演示中，用户上传一张个人自拍、一张赛博城市背景和一张油画风格图，Veo 3.1成功生成了“印象派未来街头漫步”的短片，且脸部与服装实现零形变。

多图参考功能让用户能精准控制视频的多个视觉要素，从根本上改变了AI视频生成依赖“抽卡”的随机模式。

02 技术突破：细节处理与一致性保障

除多图融合外，Veo 3.1在细节处理上展现了显著进步。该模型能保持跨帧角色的一致性和光影的连贯性，避免了AI视频中常见的角色变形或光影跳跃问题。

谷歌还为Veo 3.1配备了原生环境音同步输出功能，无需后期处理即可为视频添加匹配的声效，增强了作品的沉浸感。

在视频控制方面，Veo 3.1支持首尾帧控制以及视频延伸功能，用户可对生成内容进行更精细的调整与扩展。

这些技术提升共同保证了输出视频的流畅度与专业度，使其更接近专业编辑手工制作的效果。

03 可用性与安全：全量开放与版权保护

谷歌此次采取了相当开放的策略，多图参考功能已全量开放给Gemini Pro/Ultra订阅用户，生成配额与现有订阅额度一致，无需额外付费。

对于版权保护这一创作者关心的问题，谷歌也为Veo 3.1配备了 SynthID隐形水印技术，可在不影响观看体验的前提下为视频添加独特标识，保障内容安全。

不过，Veo 3.1目前仍有一些限制。与竞争对手OpenAI的Sora相比，Gemini和Veo 3会拒绝生成某些内容的视频，而Sora则设置了相对宽松的防护栏。

04 市场定位：与Sora 2的竞争与差异化

谷歌Veo 3.1的更新正值AI视频生成领域竞争白热化阶段。根据对比数据，Veo 3.1与OpenAI的Sora 2各有优势。

在输出时长方面，Veo 3.1默认生成4-8秒视频，但可扩展至148秒，优于Sora 2的5-10秒。

而在分辨率上，Sora 2默认支持1080p，Veo 3.1默认仅为720p，1080p仅限8秒视频。

价格也是两者差异的关键点。Veo 3.1标准版定价为0.4美元/秒，而Sora 2为0.1美元/秒，Sora 2 Pro版为0.3美元/秒。

行业分析师指出，谷歌似乎正通过提升控制精度而非单纯追求画质的方式，与OpenAI形成差异化竞争。

05 行业趋势：从单点突破到全场景落地

Veo 3.1的多图参考功能上线，反映了整个AI视频生成行业正从“单点突破”迈入“全场景落地”的深水区。

无独有偶，昆仑万维近期推出的SkyReels V3同样聚焦多模态视频生成，支持基于多主体参考图像的视频生成。

国内厂商生数科技发布的Vidu Q1也强调通过技术手段引入多元素控制，解决位置、运动轨迹、主体数量增加等行业难题。

这些技术发展共同指向一个方向：AI视频生成正从追求时长和画质，转向提升可控性和精准度，让创作者能够更好地实现心中所想。

AI视频生成领域的竞争已从单纯的技术参数比拼，升级为用户体验和控制精度的较量。谷歌Veo 3.1的多图参考功能代表了这一趋势的最新进展。

随着这项技术从专业工具向普通用户渗透，未来可能会有更多创作者能够轻松将复杂创意转化为视觉作品。

视频创作的门槛正在AI的助力下持续降低，一个全民视频创作的时代或许真的不远了。