Google Veo 2：电影镜头控制、逼真场景与运动局限

Google DeepMind 发布了文本生成视频模型 Veo 2，这些示例让我印象深刻。我尤其注意到逼真的外观和一些片段对运动的描绘。这篇评论记录的是 2024 年 12 月发布时的情况；与 Sora 和其他模型的比较，指的是当时可用的版本和精选样例。

第一个示例是一名 DJ 的特写：她闭着眼睛，在霓虹灯光中随着音乐移动。提示词描述了她的脸和头发、浅景深以及镜头的近距离构图。我觉得表情和画质很有说服力。指定镜头类型、焦距和相机运动的提示词在这里似乎特别有用。

第二个示例要求生成一名卡通女孩在 1980 年代厨房中的中景，同样指定了浅景深。另一个示例使用低角度跟拍和 18 毫米镜头，展示一辆肌肉车在街道上漂移。我喜欢其中的倒影和轮胎烟雾，详细的电影化指令清楚地描述了所需镜头。

Google 展示了一项人类偏好比较，对手包括 Meta Movie Gen、Kling 1.5、Minimax 和 Sora Turbo。图表显示，在与 Sora Turbo 的比较中，评估者有 58.8% 的时候偏好 Veo，26.7% 的时候偏好 Sora，14.5% 的时候认为平局。这些数字只描述 Google 的特定评估和模型版本，并不保证 Veo 在每条提示词上都胜出。

一个宫殿场景中，镜头移动到一名坐在桌前的女子身后，镜中映出她的脸。我觉得倒影和华丽的室内布景很逼真。提示词还要求深红色礼服、信件、背景人物和戏剧性光线；其中一些只能瞥见，或呈现得不够完整。精美示例仍只是一个精选输出，并不是对场景一致性的全面测试。

复杂的身体动作仍然困难。我展示了一个 Sora 生成的体操运动员，身体看起来不连贯；接着是 Veo 2 的滑冰运动员，她的腿和躯干在旋转时发生扭曲。滑板运动员离地后也做出不可信的动作。这些例子说明，漂亮的画面不能保证整段视频中的人体结构或运动始终一致。

早餐示例描绘了浇在松饼上的糖浆，以及倒入透明杯中的咖啡。我喜欢液体的表现，但提示词要求的切开橙子特写没有出现，其他一些细节也被遗漏。视觉质量和是否完整遵循提示词是两个不同的问题。

另一个示例跟随一名养蜂人在蜂箱和向日葵之间活动，详细提示词提到了镜头运动、35 毫米镜头和胶片。我觉得农夫和蜜蜂很逼真，但提示词要求的农舍和百叶窗没有出现。在视频提示词中使用镜头语言，让我想起图像生成器中使用的技巧。

Google 将更好的真实感、运动和镜头控制描述为 Veo 2 的差异化特点。其 [2024 年 12 月公告](https://blog.google/innovation-and-ai/models-and-research/google-labs/video-image-generation-update-december-2024/)也指出，生成视频仍可能包含不需要的细节。这些是公司的声明和示例；模型看起来有多真实，会因任务和输出而异。

在一组并列的犀牛提示词输出中，Veo 的画面看起来有些僵硬，而 Sora 示例开始时动作很可信，后来却似乎漂浮起来。我更喜欢 Veo 片段，这是对这几个特定结果的判断，并不是覆盖所有提示词的受控比较。另一个 Veo 犀牛示例在我看来像自然纪录片画面。

我查看了几个马匹片段。一匹马穿过了栅栏，尽管场景其他部分看起来不错；另一个镜头没有展示完整身体，还有一个动作略显不自然。其他一些示例看起来更可信。这个比较说明，检查整段视频比只评价单帧更重要。

我又比较了 Hailuo 和 Sora Turbo 的片段。在展示的样例中，一些动物漂浮、变形或动作别扭。这些是不同模型的精选示例，并不是全面的独立评估，但它们让仍然存在的动作问题很容易看出来。

后面的示例包括骑自行车的鹈鹕、冲下瀑布的汽车、天空中的集市，以及动画土豆厨师。这些是幻想题材，并非物理上真实的场景，但我觉得它们的视觉呈现很吸引人。在展示的样例中，一辆漂移汽车的 Veo 车牌也保持了可读性。

我还观察了落在大理石上的布、一名女子和猫被路人短暂遮挡、章鱼、洗牌以及跳跃的猫。这些示例展示了不同挑战：布料运动、遮挡、变形和手部表现。我觉得很多画面很出色，但章鱼和洗牌并不完美。

最后的片段展示了奔跑的长颈鹿和被切开的番茄。番茄的反光和表面上的运动尤其让我印象深刻。这些是我对精选样例的视觉印象，不能证明模型始终能够准确再现动物运动或现实世界的物理规律。