Veo 3.1

ข้อกำหนดทาง技术ของ Veo 3.1

Veo 3.1 คืออะไร?

Veo 3.1 เป็นตระกูลโมเดลวิดีโอเชิงกำเนิดระดับเรือธงของ Google ที่มุ่งเน้นการสังเคราะห์วิดีโอคุณภาพระดับภาพยนตร์ การยึดตามพรอมต์ที่แข็งแรงขึ้น ความสอดคล้องของฉากที่ดีขึ้น และเวิร์กโฟลว์การสร้างวิดีโอแบบมัลติโหมด มันขยายความสามารถเกินกว่าการสร้างข้อความเป็นวิดีโอมาตรฐานด้วยการรองรับการสร้างแบบอ้างอิงภาพและเวิร์กโฟลว์การเล่าเรื่องที่ควบคุมด้วยเฟรม การรองรับอย่างเป็นทางการรวมถึงข้อความ→วิดีโอ, ภาพ→วิดีโอ, การเขียนพรอมต์ใหม่ และเวิร์กโฟลว์การสร้าง First/Last Frame

คุณสมบัติหลัก

Veo 3.1 มุ่งเน้นคุณสมบัติสำหรับการสร้างเนื้อหาในทางปฏิบัติ:

• การสร้างเสียงแบบเนทีฟ (บทสนทนา, เสียงบรรยากาศ, SFX) ที่รวมอยู่ในเอาต์พุต Veo 3.1 สร้างเสียงแบบเนทีฟ (บทสนทนา + บรรยากาศ + SFX) ที่สอดคล้องกับไทม์ไลน์ภาพ โดยมุ่งรักษาลิปซิงก์และความสอดประสานเสียง–ภาพสำหรับบทสนทนาและคิวของฉาก
• เอาต์พุตยาวขึ้น (รองรับสูงสุดประมาณ ~60 วินาที / 1080p เทียบกับคลิปสั้นมาก 8s ของ Veo 3) และลำดับแบบหลายพรอมต์หลายช็อตเพื่อความต่อเนื่องของเนื้อเรื่อง
• โหมด Scene Extension และ First/Last Frame ที่ขยายหรืออินเตอร์โพลัตฟุตเทจระหว่างคีย์เฟรม
• การแทรกวัตถุและ (จะมาในอนาคต) การลบวัตถุ และ primitive การแก้ไขภายใน Flow

แต่ละหัวข้อข้างต้นออกแบบมาเพื่อลดงาน VFX ด้วยมือ: ตอนนี้ทั้งเสียงและความต่อเนื่องของฉากเป็นเอาต์พุตระดับหนึ่ง ไม่ใช่สิ่งที่ทำภายหลัง

รายละเอียดทางเทคนิค (พฤติกรรมของโมเดลและอินพุต)

ตระกูลโมเดลและเวอร์ชันย่อย: Veo อยู่ในตระกูล Veo-3 ของ Google; รหัสรุ่นพรีวิวมักเป็น veo3.1-pro; veo3.1 (เอกสาร CometAPI) รองรับพรอมต์ข้อความ, การอ้างอิงภาพ (เฟรมเดี่ยวหรือชุดเฟรม) และเลย์เอาต์หลายพรอมต์แบบมีโครงสร้างสำหรับการสร้างแบบหลายช็อต

ความละเอียดและระยะเวลา: เอกสารพรีวิวระบุเอาต์พุตที่ 720p/1080p พร้อมตัวเลือกความยาวมากขึ้น (สูงสุด ~60s ในการตั้งค่าพรีวิวบางแบบ) และความเที่ยงตรงสูงกว่าเวอร์ชันก่อนหน้าของ Veo

อัตราส่วนภาพ: 16:9 (รองรับ) และ 9:16 (รองรับ ยกเว้นในบางโฟลว์อ้างอิงภาพ)

ภาษาของพรอมต์: ภาษาอังกฤษ (พรีวิว)

ขีดจำกัด API: ขีดจำกัดพรีวิวทั่วไปประกอบด้วย สูงสุด 10 API requests/min ต่อโปรเจ็กต์, สูงสุด 4 วิดีโอต่อคำขอ และความยาววิดีโอเลือกได้ระหว่าง 4, 6 หรือ 8 วินาที (โฟลว์อ้างอิงภาพรองรับ 8s)

ผลการทดสอบมาตรฐาน

การประเมินภายในของ Google และสรุปต่อสาธารณะรายงานว่า Veo 3.1 ได้รับความชื่นชอบอย่างมากจากผู้ประเมินมนุษย์เมื่อเทียบกันในตัวชี้วัดอย่างการจัดแนวกับข้อความ คุณภาพภาพ และความสอดประสานเสียง–ภาพ (งานข้อความ→วิดีโอและภาพ→วิดีโอ)

Veo 3.1 บรรลุผลลัพธ์ระดับ ล้ำสมัยแนวหน้า ในการเปรียบเทียบโดยผู้ประเมินภายในตามหลายมิติที่เป็นวัตถุวิสัย — ความชื่นชอบโดยรวม การจัดแนวกับพรอมต์ (ข้อความ→วิดีโอและภาพ→วิดีโอ) คุณภาพภาพ ความสอดคล้องเสียง–ภาพ และ “ฟิสิกส์ที่ดูสมจริงทางสายตา” บนชุดทดสอบมาตรฐานอย่าง MovieGenBench และ VBench

ข้อจำกัดและข้อพิจารณาด้านความปลอดภัย

ข้อจำกัด:

• สิ่งผิดปกติและความไม่สอดคล้อง: แม้จะพัฒนาขึ้น แต่แสงเงา ฟิสิกส์เชิงละเอียด และการบังซ้อนที่ซับซ้อนยังอาจเกิดสิ่งผิดปกติได้ ความคงเส้นคงวาจากภาพ→วิดีโอ (โดยเฉพาะช่วงยาว) ดีขึ้นแต่ยังไม่สมบูรณ์
• ความเสี่ยงข้อมูลเท็จ/ดีปเฟก: เสียงที่สมจริงยิ่งขึ้นและการแทรก/ลบวัตถุเพิ่มโอกาสการใช้งานผิดวัตถุประสงค์ (เสียงปลอมสมจริงและคลิปขยาย) Google กล่าวถึงการบรรเทา (นโยบาย มาตรการป้องกัน) และการเปิดตัว Veo ก่อนหน้ากล่าวถึงการวอเตอร์มาร์ก/SynthID เพื่อช่วยระบุที่มา อย่างไรก็ตาม มาตรการทางเทคนิคไม่อาจขจัดความเสี่ยงการใช้งานผิดได้ทั้งหมด
• ข้อจำกัดด้านค่าใช้จ่ายและปริมาณงาน: วิดีโอความละเอียดสูงและยาวมีต้นทุนการคำนวณสูง และปัจจุบันอยู่ภายใต้การเข้าถึงแบบเสียค่าใช้จ่าย—คาดว่าจะมีความหน่วงและต้นทุนสูงกว่าโมเดลภาพ โพสต์ชุมชนและกระทู้ของ Google กล่าวถึงช่วงเวลาความพร้อมใช้งานและกลยุทธ์สำรอง

การควบคุมด้านความปลอดภัย: Veo3.1 มีนโยบายเนื้อหาในตัว การวอเตอร์มาร์ก/สัญญาณ synthID ในรุ่นก่อนหน้า และการควบคุมการเข้าถึงแบบพรีวิว ลูกค้าควรปฏิบัติตามนโยบายแพลตฟอร์มและทำการตรวจทานโดยมนุษย์สำหรับเอาต์พุตที่มีความเสี่ยงสูง

กรณีใช้งานจริง

• การทำต้นแบบอย่างรวดเร็วสำหรับครีเอทีฟ: จากสตอรีบอร์ด → คลิปหลายช็อตและแอนิมาติกพร้อม บทสนทนาแบบเนทีฟ สำหรับการรีวิวเชิงสร้างสรรค์ระยะแรก
• การตลาดและคอนเทนต์แบบสั้น: วิดีโอโปรโมตสินค้า 15–60 วินาที คลิปโซเชียล และทีเซอร์คอนเซปต์ที่ความเร็วสำคัญกว่าความสมจริงสมบูรณ์แบบ
• การปรับจากภาพ→วิดีโอ: เปลี่ยนภาพประกอบ ตัวละคร หรือสองเฟรมให้เป็นทรานซิชันลื่นไหลหรือฉากแอนิเมชันผ่าน First/Last Frame และ Scene Extension
• การเสริมเครื่องมือ: ผสานใน Flow สำหรับการแก้ไขแบบวนซ้ำ (แทรก/ลบวัตถุ พรีเซ็ตแสง) ที่ลดรอบงาน VFX ด้วยมือ

---

การเปรียบเทียบกับโมเดลชั้นนำอื่นๆ

Veo 3.1 เทียบกับ Veo 3 (รุ่นก่อน): Veo 3.1 มุ่งเน้น การยึดตามพรอมต์ที่ดีขึ้น, คุณภาพเสียง, และ ความสอดคล้องระหว่างหลายช็อต — เป็นการอัปเดตแบบต่อยอดแต่ส่งผลต่อการลดสิ่งผิดปกติและเพิ่มความสามารถในการแก้ไข

Veo 3.1 เทียบกับ OpenAI Sora 2: ตามรายงานจากสื่อ: Veo 3.1 เน้น การควบคุมเนื้อเรื่องระยะยาว, การผสาน เสียง, และการแก้ไขใน Flow; ส่วน Sora 2 (เมื่อเทียบในสื่อ) เน้นจุดแข็งที่ต่างออกไป (ความเร็ว เวิร์กโฟลว์การแก้ไขต่างชุด) TechRadar และสื่ออื่นมองว่า Veo 3.1 เป็นคู่แข่งที่ Google ตั้งใจสำหรับ Sora 2 ในด้านเนื้อเรื่องและวิดีโอที่ยาวขึ้น การทดสอบแบบเปรียบเทียบโดยอิสระยังมีจำกัด

ฉันจะใช้ Veo 3.1 API กับ CometAPI ได้อย่างไร?

1. สร้างคีย์ API ของ CometAPI
2. เลือก veo-3.1-generate-001 เป็นปลายทางของโมเดล
3. ส่งพรอมต์หรืออินพุตภาพผ่าน API สร้างวิดีโอ
4. โพลผลลัพธ์และดึงวิดีโอที่สร้างแล้ว
5. ปรับแก้พรอมต์ซ้ำเพื่อการเคลื่อนกล้อง ความต่อเนื่องของฉาก และความสม่ำเสมอที่ดีขึ้น