新智元報道

編輯：KingHZ

【新智元導讀】無論最終叫Veo 4還是Gemini Omni，這次泄露已足夠震撼：AI視頻不再是短視頻工具，而是擁有導演思維的敘事生產力。谷歌I/O當天，答案即將揭曉，而整個行業，都將重新洗牌。

谷歌I/O大會開幕在即，Veo4 提前曝光！

此前，教授黑板推公式，逼真視頻刷屏全網——

現在，網友猜測Veo 4/Omni可以生成完整的多角度場景，在保持連貫性的同時流暢切換透視。

它還升級了原生音頻同步功能，支持對話、環境音和音樂。

視頻片段最長可達9秒，分辨率為720p。

部分泄露示例中仍存在連貫性問題，但完全同步的多機位場景看起來確實令人印象深刻。

這次關于Veo 4（或Gemini Omni）的泄露，絕不僅僅是參數的微調.

它更像是一場關于「敘事權」的底層革命。

當AI開始學會從多個角度審視同一個瞬間，它實際上已經從「畫匠」進化成了擁有空間邏輯的「導演」。

曝料人Pankaj Kumar甚至推測，谷歌應該輕松直出15秒視頻，但缺算力。所以，谷歌要聚焦于效率問題。

但要注意，目前只有Kumar一個人的轉述，是Veo4還是Gemini Omni，靜待谷歌I/O揭曉。

AI視頻學會了「切鏡頭」

為什么「多機位」這件事會讓人炸毛?

回到一年前。

Sora橫空出世那會兒，所有人驚嘆的是「AI能拍60秒電影了」。

但你仔細看就會發現一個問題：那60秒里，鏡頭是不動的，或者說，是連續的。

機位在場景里平滑滑動、推拉搖移，但沒有「切」。

Runway Gen-4等所有同行產品都一樣，生成出來的視頻本質上是「一個長鏡頭」，哪怕鏡頭在動，也是同一臺攝影機的連續位移。

為什么不能切？

因為對AI來說，「切鏡頭」意味著同一場景、同一組人物、在同一時刻、從完全不同的視角再生成一次，而且要保證服裝顏色、桌上的杯子位置、人物表情連貫。

這是物理一致性、空間一致性、時間一致性三重壓力疊加，業界一年來都在硬碰硬地啃，沒人真做出來。

傳統影視行業的從業者會告訴你，這件事在劇組里叫「機位調度」，是導演的工作，而非單純攝影。

攝影師管「這個畫面好不好看」，導演管「這場戲怎么切才看得懂、看得爽」。

多機位的本質，是把場景拆成「敘事」。

Pankaj Kumar的爆料如果屬實，那Veo 4把這件事從「導演」壓進了「模型權重」。

換句話說，你不再是「讓AI拍一個鏡頭」，而是「讓AI拍一場戲」。

這是個量級躍遷。

過去， AI視頻是「短視頻素材生產工具」，可以做點開頭轉場、做點背景畫面。

這次，AI終于升級成「敘事生產工具」。

當然，前提是泄露屬實、I/O當天演示真的能跑通。

同步音頻補齊了最后一塊拼圖

爆料里第二個被反復提到的點，是音頻。

具體說法是：Veo 4 原生生成同步對話、環境音，甚至會根據畫面情境自動配背景音樂。

Veo 3已能做原生音頻了，這不是Veo 4的新發明。

去年，5月Veo 3發布時，谷歌宣傳的最大亮點之一就是「native audio」：視頻里的腳步聲、對話聲、環境噪音都跟畫面一起在模型里生成出來，不用后期對齊。

這一招把Veo 3從同行里拔了出來。

但有兩個東西Veo 3沒做好。

一是音質本身。

5月11日那波早期用戶實測時，Reddit期待拉滿了，反饋積極，但具體到什么程度不知道，但應該比Veo 3那種「AI配音感」再前進了一步。

二是背景音樂。

Veo 3主要做環境音和對話，情境化的配樂基本不在它的活兒范圍。

Kumar這條爆料明確點出「contextual background music generated natively」，如果真的成了，意味著AI視頻從此自帶BGM。

把多機位和原生BGM放一起看，你就能感覺到谷歌這盤棋的輪廓：它不在拼「誰的畫面更細膩」、不在拼「誰的物理更逼真」。

它在拼「誰能直接出一條成片」。

鏡頭會切，聲音對得上，BGM自帶。剩下的，差一個劇本。

Sora已死，谷歌選這個時間點攤牌

Veo 4泄露的時間點，精準卡在 Sora 倒下的廢墟之上。

4月26日，OpenAI的Sora App正式停服。

回過頭看 Sora 的死因，是一部完整的商業悲劇。

燒錢。Sora推理成本據稱每天100萬到1500萬美元，比文本和圖像生成貴了不止一個量級，整個生命周期沒把單位成本壓下來。

留不住人。峰值100萬MAU，停服前跌破50萬，30天留存不到8%。

不賺錢。整個生命周期App內收入約210萬美元，連一天的算力費都覆蓋不了。

3月24日，Sora官方賬號發出告別——「We're saying goodbye to the Sora app」。

API將在9月24日徹底關閉。

商業上的差距已經擺在數據里。技術上的代差，這次泄露算是把帳挑明了。

OpenAI倒下的位置上，谷歌選了一個非常貼臉的時間點踩上去。

I/O當天，谷歌還會亮哪些牌

Omni只是這場泄露的一角。

同一波泄露中，谷歌即將推出的多款 Gemini 模型被意外推送到了生產環境 API——Gemini 3Flash、3.1全系列（Pro、Flash Image、Lite、TTS），以及專注于高保真音頻生成的Lyria 3 Pro。

最重磅的一句話藏在內部文檔里——「Omni模型將針對所有核心模型推出專門的Agent版本?！?/p>

意思很直白。

谷歌要把視頻生成、音頻生成、Agent框架一起擺上I/O的臺面。

一年前，Pichai說要把Gemini「裝進每一個谷歌產品里」.

這一次，他大概會讓大家親眼看見這句話兌現的樣子。

參考資料：

https://x.com/pankajkumar_dev/status/2055657003624939860?s=20

https://finance.biggo.com/news/XM4gG54B2jrwCtgllkSK