Sora已死，谷歌当立！Veo 4惨遭泄露，视频版「香蕉」9秒封神

谷歌I/O大会开幕在即，Veo4 提前曝光！

此前，教授黑板推公式，逼真视频刷屏全网——

现在，网友猜测Veo 4/Omni可以生成完整的多角度场景，在保持连贯性的同时流畅切换透视。

它还升级了原生音频同步功能，支持对话、环境音和音乐。

视频片段最长可达9秒，分辨率为720p。

部分泄露示例中仍存在连贯性问题，但完全同步的多机位场景看起来确实令人印象深刻。

这次关于Veo 4（或Gemini Omni） 的泄露，绝不仅仅是参数的微调.

它更像是一场关于「叙事权」的底层革命。

当AI开始学会从多个角度审视同一个瞬间，它实际上已经从「画匠」进化成了拥有空间逻辑的「导演」。

曝料人Pankaj Kumar甚至推测，谷歌应该轻松直出15秒视频，但缺算力。所以，谷歌要聚焦于效率问题。

但要注意，目前只有Kumar一个人的转述，是Veo4还是Gemini Omni，静待谷歌I/O揭晓。

AI视频学会了「切镜头」

为什么「多机位」这件事会让人炸毛?

回到一年前。

Sora横空出世那会儿，所有人惊叹的是「AI能拍60秒电影了」。

但你仔细看就会发现一个问题：那60秒里，镜头是不动的，或者说，是连续的。

机位在场景里平滑滑动、推拉摇移，但没有「切」。

Runway Gen-4等所有同行产品都一样，生成出来的视频本质上是「一个长镜头」，哪怕镜头在动，也是同一台摄影机的连续位移。

为什么不能切？

因为对AI来说，「切镜头」意味着同一场景、同一组人物、在同一时刻、从完全不同的视角再生成一次，而且要保证服装颜色、桌上的杯子位置、人物表情连贯。

这是物理一致性、空间一致性、时间一致性三重压力叠加，业界一年来都在硬碰硬地啃，没人真做出来。

传统影视行业的从业者会告诉你，这件事在剧组里叫「机位调度」，是导演的工作，而非单纯摄影。

摄影师管「这个画面好不好看」，导演管「这场戏怎么切才看得懂、看得爽」。

多机位的本质，是把场景拆成「叙事」。

Pankaj Kumar的爆料如果属实，那Veo 4把这件事从「导演」压进了「模型权重」。

换句话说，你不再是「让AI拍一个镜头」，而是「让AI拍一场戏」。

这是个量级跃迁。

过去， AI视频是「短视频素材生产工具」，可以做点开头转场、做点背景画面。

这次，AI终于升级成「叙事生产工具」。

当然，前提是泄露属实、I/O当天演示真的能跑通。

同步音频补齐了最后一块拼图

爆料里第二个被反复提到的点，是音频。

具体说法是：Veo 4 原生生成同步对话、环境音，甚至会根据画面情境自动配背景音乐。

Veo 3已能做原生音频了，这不是Veo 4的新发明。

去年，5月Veo 3发布时，谷歌宣传的最大亮点之一就是「native audio」：视频里的脚步声、对话声、环境噪音都跟画面一起在模型里生成出来，不用后期对齐。

这一招把Veo 3从同行里拔了出来。

但有两个东西Veo 3没做好。

一是音质本身。

5月11日那波早期用户实测时，Reddit期待拉满了，反馈积极，但具体到什么程度不知道，但应该比Veo 3那种「AI配音感」再前进了一步。

二是背景音乐。

Veo 3主要做环境音和对话，情境化的配乐基本不在它的活儿范围。

Kumar这条爆料明确点出「contextual background music generated natively」，如果真的成了，意味着AI视频从此自带BGM。

把多机位和原生BGM放一起看，你就能感觉到谷歌这盘棋的轮廓：它不在拼「谁的画面更细腻」、不在拼「谁的物理更逼真」。

它在拼「谁能直接出一条成片」。

镜头会切，声音对得上，BGM自带。剩下的，差一个剧本。

Sora已死，谷歌选这个时间点摊牌

Veo 4泄露的时间点，精准卡在 Sora 倒下的废墟之上。

4月26日，OpenAI的Sora App正式停服。

回过头看 Sora 的死因，是一部完整的商业悲剧。

烧钱。Sora推理成本据称每天100万到1500万美元，比文本和图像生成贵了不止一个量级，整个生命周期没把单位成本压下来。

留不住人。峰值100万MAU，停服前跌破50万，30天留存不到8%。

不赚钱。整个生命周期App内收入约210万美元，连一天的算力费都覆盖不了。

3月24日，Sora官方账号发出告别——「We're saying goodbye to the Sora app」。

API将在9月24日彻底关闭。

商业上的差距已经摆在数据里。技术上的代差，这次泄露算是把帐挑明了。

OpenAI倒下的位置上，谷歌选了一个非常贴脸的时间点踩上去。

I/O当天，谷歌还会亮哪些牌

Omni只是这场泄露的一角。

同一波泄露中，谷歌即将推出的多款 Gemini 模型被意外推送到了生产环境 API——Gemini 3Flash、3.1全系列（Pro、Flash Image、Lite、TTS），以及专注于高保真音频生成的Lyria 3 Pro。

最重磅的一句话藏在内部文档里——「Omni模型将针对所有核心模型推出专门的Agent版本。」

意思很直白。

谷歌要把视频生成、音频生成、Agent框架一起摆上I/O的台面。

一年前，Pichai说要把Gemini「装进每一个谷歌产品里」.

这一次，他大概会让大家亲眼看见这句话兑现的样子。

参考资料：

https://x.com/pankajkumar_dev/status/2055657003624939860?s=20

https://finance.biggo.com/news/XM4gG54B2jrwCtgllkSK

文章来自于微信公众号 “新智元”，作者 “新智元”