Veo3.1是Google DeepMind于2026年1月推出的AI视频生成模型，具备强大的语义理解和多模态参考能力。
核心功能
- 音频同步： 在生成影像的同时同步合成环境音、对话，实现唇形与声音的自然匹配
- 深度语义理解： 凭借Gemini的语言处理能力，能够精准执行包含专业镜头语言（如推轨变焦、低角度追踪）的复杂指令
- 参考图锁定： 支持上传1-3张参考图片（人物草图、产品照或场景设定），提取材质、色调与特征作为“视觉锚点”，确保角色和场景一致性
单次生成时长约8秒，但支持通过“Extend”功能进行场景延伸，可将片段串联成1分钟以上的叙事视频。