Google 的 Veo 3.1 于 1 月更新，带来了有针对性的改进，使图像转视频工作流更接近生产级质量。3.1 更新主要聚焦于四项实用升级，显著提升了 image→video 工作流对创作者和开发者的可用性：更强大的“Ingredients to Video”流程，可基于参考图像生成动态片段；更强的人物与场景一致性；面向移动优先平台的原生竖屏（9:16）输出；以及包括改进的 1080p 和 4K 超分辨率在内的全新高保真输出选项。对于一直通过“先裁剪再编辑”工作流来适配社交媒体竖屏格式的创作者和开发者而言，Veo 3.1 的原生 9:16 输出和改进后的超分辨率有望减少摩擦，并交付更加精致、可直接用于平台发布的视频片段。
对于开发者和媒体专业人士而言，Veo 3.1 不仅仅意味着更高的像素；它更关乎一致性。此次更新直接解决了长期困扰 AI 视频的“闪烁”和身份丢失问题，提供了一套能够在多个镜头之间维持角色与风格保真度的工具集，从而在高端生成式媒体市场中，切实向 OpenAI 的 Sora 2.0 发起主导地位挑战。
Veo 3.1 架构的定义是什么？
Veo 3.1 基于增强型 transformer 扩散架构构建，并针对多模态理解进行了微调。与其前代主要执行文本到视频映射不同，Veo 3.1 将视觉输入（图像）与文本提示一同视为一等输入。
这种架构转变使模型能够“看见”用户提供的素材——例如产品图、角色参考图或特定背景——并凭借对 3D 几何和光照的深度理解对其进行动画化。其结果是，这套系统不像老虎机，更像数字渲染引擎。
3.1 相较于之前版本有哪些变化？
- 模型能更好地提取特征（面部、服装、表面纹理、背景元素），并在多个帧中可靠复用，因此角色在整段视频中看起来始终是同一个角色。
