谷歌 AI 视频模型现可接受摄像机镜头指令控制

谷歌正致力于让其 Veo 2 视频 AI 模型的用户能够更轻松地制作具有电影感的生成内容并编辑真实视频素材。这些新的 Veo 2 功能可通过 Google Cloud 的 Vertex AI 平台预览体验，同时还包括对谷歌文本到图像生成器 Imagen 3 和音频相关 AI 模型的其他更新。

Veo 2 的新功能包括修复功能，根据谷歌的说法，可以自动移除"视频中不需要的背景图像、标志或干扰元素"，以及外扩功能，可以将原始视频的画面扩展为不同格式。后者将用 AI 生成的视频内容填充新的空间，使其与原始片段自然融合，类似于 Adobe 图像生成扩展功能。

当 Veo 2 将视频延展超出其原始边界时，空白区域会以生成的画面填充以保持匹配。

此次更新还允许 Veo 2 用户在生成视频时，除了文本描述外，还可以选择电影技法预设，这有助于指导最终成片的镜头构图、摄像机角度和节奏把控。预设示例包括延时效果、无人机视角以及模拟不同方向的摄像机平移。

系统还新增了一个插帧功能，可以在两张静态图像之间创建视频过渡，通过生成新的帧来填充开始和结束序列。

只需提供起点和终点，Veo 2 就能输出一段连接两者的视频。

Adobe 的竞品 Firefly 视频模型也具有类似功能，上周在 Premiere Pro 中推出了生成式 AI 视频扩展功能。谷歌同样在其 AI 生成的内容中添加 SynthID 数字归因水印，类似于 Adobe 的内容凭证系统。但 Adobe 更进一步，承诺其工具完全可以商用，因为它们是基于授权和公共领域内容训练的——这是谷歌在吸收网络内容训练其 AI 模型后无法做到的。

谷歌的文本到图像模型 Imagen 3 的编辑功能也得到更新，据谷歌称，自动对象移除功能得到"显著"改进，在移除干扰元素时能提供更自然的效果。Veo 2 和 Imagen 3 已经被欧莱雅和卡夫亨氏等公司用于营销内容制作，卡夫亨氏的数字体验负责人 Justin Thomas 表示，"过去需要八周的工作现在只需要八小时"。

在音频方面，谷歌已在私人预览版中发布了其文本到音乐模型 Lyria，并为其合成语音模型 Chirp 3 推出了"即时定制语音"功能。谷歌表示，Chirp 3 现在可以"从 10 秒的音频输入中生成逼真的定制语音"，同时还推出了预览版的转录功能，可以在多人对话的通话中识别并分离个别说话者，提供更清晰的转录内容。

这些更新只是谷歌今天发布的众多 AI 相关公告中的一部分。该公司效率优化的 Flash 模型的最新版本 Gemini 2.5 Flash 即将在 Vertex AI 上推出。谷歌表示，Gemini 2.5 Flash "根据任务的复杂性自动调整处理时间"，为简单请求提供更快的结果。

谷歌本周还更新了其面向企业的 Agentic AI 工具，允许 AI 代理之间相互通信，并在 PayPal 和 Salesforce 等平台上执行任务。同时，谷歌云市场将推出新的板块，供企业浏览和购买由第三方谷歌合作伙伴构建的 AI 代理。