有声AI视频时代来了！谷歌Veo 3音画一步到位，模型升级、AI搜索、智能体全面落地！

有声AI视频时代来了！谷歌Veo 3音画一步到位，模型升级、AI搜索、智能体全面落地！有声AI视频时代来了！谷歌Veo 3音画一步到位，模型升级、AI搜索、智能体全面落地！ Modified May 22, 2025 No access 522 1 00:00 No access 522 13 00:00 No access 522 14 00:00 No access 522 2 00:00 No access 522 3 00:00 No access 522 4 00:00 No access 522 5 00:00 No access 522 6 00:00 Stitch 上线：新一代UI设计生成工具用一句话就能生成前端 UI 界面，还能导出代码和 Figma。 Code block Plain Text Prompt：Make me an app for people who love skiing in the Alps Imagen 4 ：图像生成模型升级 2K 分辨率 + 风格多样性 + 文字排版能力提升 AI Mode：正式进入 Google 搜索 Google 搜索彻底 AI 化了，这次推出的 AI Mode ，你可以理解为“装上 Gemini 的超级搜索助手”： • Deep Search：能拆解问题、发起多轮搜索、输出结构化报告，适合深度调研 • Live Capabilities：支持摄像头实时问答，比如你指着一张图问“这是谁”，AI 秒答 • Agentic Capabilities：会帮你查票、比价、自动填表，真正动手做事 • Shopping AI：上亿商品任你试穿试戴，AI 还能帮你自动下单结账（可选确认） • Personal Context：可以连接 Gmail 等上下文，理解你“现在要干嘛”再给结果 • Custom Charts：能直接画图表，比如数据对比、趋势分析，用图给你解释问题 No access 522 10 00:00 No access 522 11 00:00 AI Agent 🧭 Project Mariner：浏览器中的 AI 助手 • 多任务处理能力：Mariner 现在可以同时处理多达 10 个任务，用户可以在后台运行这些任务，而不影响其他操作。 • “教与复现”功能：用户只需演示一次任务，Mariner 就能学习并在未来自动执行类似任务。 • 浏览器自动化：Mariner 能够在 Chrome 浏览器中模拟用户操作，如点击链接、填写表单等，实现自动化的网页交互。 • 目前 Mariner 已通过 Gemini API 向开发者开放，预计今年夏天会向更多人开放测试。 🤖 Agent Mode：Gemini 应用中的智能代理模式如果说 Mariner 是“自动浏览器小工”，那 Agent Mode 更像是 Gemini 里的“多功能助理”。你只需要说一句话，比如：「帮我找一套 6 月中旬在上海、带阳台、月租 3000 元以下的房子」 AI 就会自动去访问 Zillow等网站，自动输入条件、比对结果，最后整理一个列表返回给你参考—— 中间你不需要再操作任何页面。目前这个功能已经内测中，预计会很快向订阅用户开放。从聊天 AI → 操作型智能代理的质变： No access 522 12 00:00 Google 还在推动 Agent2Agent 协议的发展，让它们之间能协作、能调用服务，打造一个互联互通的智能 Agent 生态系统。 No access 522 1 00:00 No access 522 1 00:00 No access 522 13 00:00 No access 522 13 00:00 No access 522 14 00:00 No access 522 14 00:00 No access 522 2 00:00 No access 522 2 00:00 No access 522 3 00:00 No access 522 3 00:00 No access 522 4 00:00 No access 522 4 00:00 No access 522 5 00:00 No access 522 5 00:00 No access 522 6 00:00 No access 522 6 00:00 Stitch 上线：新一代UI设计生成工具用一句话就能生成前端 UI 界面，还能导出代码和 Figma。 Imagen 4 ：图像生成模型升级 2K 分辨率 + 风格多样性 + 文字排版能力提升 AI Mode：正式进入 Google 搜索 Google 搜索彻底 AI 化了，这次推出的 AI Mode ，你可以理解为“装上 Gemini 的超级搜索助手”： • Deep Search：能拆解问题、发起多轮搜索、输出结构化报告，适合深度调研 • Live Capabilities：支持摄像头实时问答，比如你指着一张图问“这是谁”，AI 秒答 • Agentic Capabilities：会帮你查票、比价、自动填表，真正动手做事 • Shopping AI：上亿商品任你试穿试戴，AI 还能帮你自动下单结账（可选确认） • Personal Context：可以连接 Gmail 等上下文，理解你“现在要干嘛”再给结果 • Custom Charts：能直接画图表，比如数据对比、趋势分析，用图给你解释问题 No access 522 10 00:00 No access 522 10 00:00 No access 522 11 00:00 No access 522 11 00:00 AI Agent 🧭 Project Mariner：浏览器中的 AI 助手 • 多任务处理能力：Mariner 现在可以同时处理多达 10 个任务，用户可以在后台运行这些任务，而不影响其他操作。 • “教与复现”功能：用户只需演示一次任务，Mariner 就能学习并在未来自动执行类似任务。 • 浏览器自动化：Mariner 能够在 Chrome 浏览器中模拟用户操作，如点击链接、填写表单等，实现自动化的网页交互。 • 目前 Mariner 已通过 Gemini API 向开发者开放，预计今年夏天会向更多人开放测试。 🤖 Agent Mode：Gemini 应用中的智能代理模式如果说 Mariner 是“自动浏览器小工”，那 Agent Mode 更像是 Gemini 里的“多功能助理”。你只需要说一句话，比如：「帮我找一套 6 月中旬在上海、带阳台、月租 3000 元以下的房子」 AI 就会自动去访问 Zillow等网站，自动输入条件、比对结果，最后整理一个列表返回给你参考—— 中间你不需要再操作任何页面。目前这个功能已经内测中，预计会很快向订阅用户开放。从聊天 AI → 操作型智能代理的质变： No access 522 12 00:00 No access 522 12 00:00 Google 还在推动 Agent2Agent 协议的发展，让它们之间能协作、能调用服务，打造一个互联互通的智能 Agent 生态系统。 • Gemini 进驻 Android XR 智能眼镜、Gmail、Google Meet 等日常应用，全线 AI 化。关于以上功能的详细信息，我们在知识库做了详细整理： https://waytoagi.feishu.cn/wiki/EUbhwRdJ1ipjKbkWojKc9i9kn8d 需复制链接到浏览器打开，或点击阅读原文我们也开放了知识库的编辑权限，欢迎把你的案例放到知识库中！ 🔗 原文链接： https://mp.weixin.qq.com/s/ZetadU t... https://mp.weixin.qq.com/s/ZetadU t... WaytoAGI小谷通往AGI之路2025年05月21日 23:56 浙江 AI界的春晚——Google I/O 2025开发者大会终于来了！这次Google可是憋了个大的，一口气发布了包括 Gemini系列模型升级、全新视觉生成工具、智能代理系统、XR硬件设备等在内的多项前沿技术。其中最引人瞩目的产品之一，便是谷歌推出的最新视频生成模型——Veo 3 。作为继Veo 2之后的新一代视频生成引擎，Veo 3不仅在画质、一致性和提示词遵循上实现重大突破，更首次实现了原生音效生成，终于不用再看默片了！如果说之前的AI视频生成是导演+摄像，现在Veo 3就是“ 导演+摄像+后期” 一步到位。 🔑 核心能力 • 支持 1080p / 60fps 高清视频生成，画面连贯、细节丰富； • 音画同步：能生成对白、背景音效、环境声，真正一体成片； • 镜头运动可控：支持自然语言控制拍摄视角、场景切换、特效调度； • 文本 + 图像输入：你可以给一段 prompt 或一张图，Veo 都能理解并生成匹配的画面； • 一致性与连贯性：在多个视频片段中保持角色和场景的一致性，支持构建连贯的故事情节。 • 与 Flow 平台结合：支持分镜、视频拼接、资产管理，全流程创作；这功能一出，网友直接玩出花来了！ ZHO Veo 3 能直接说中文/汉语，味也对了！直接生成说相声，还要啥自行车！汗青用两小时做了一部西部+科幻风格的短片《前行列车》，全部动画、音效、配音、对口型均由Google Veo3一键生成。一支烟花用Veo 3测试了街舞场景，60帧输出的动作很流畅。 ellie 质感很好，画面很美，甚至背景音还是环绕立体音。 Prompt： On a street in the United States in the 1990s, during the day, with a street light sign, a man is walking on the side of the road, a blonde woman drives past quickly in a convertible, and the man turns his head and frowns at her. jump cut P romise AI 的联合创始人 Dave Clark，用 Flow 做的一条电影质感拉满的大片：推上十分热门的整活视频，在各种场景下演绎：“We can talk！” 唱起rap来也毫无违和感，完全能以假乱真的程度：你知道什么是“当当当”吗？注意听20s处的背景音就知道了：如果说上面这些都是AI生成的，你并不会太惊讶，那我放出这条视频，阁下又该如何应对？（太真实了……甚至能听到背景砍木头的声音，之后更难辨别视频的真假了 No access 522 7 00:00 No access 522 7 00:00 还有官方放出的案例，嘴型和台词也能完全对得起来： No access 522 8 00:00 No access 522 8 00:00 另外，在 Flow TV 上还集成了大量基于 Flow 生成的短片作品，附带详细提示词和制作方法。Google 在 Flow 开发过程中邀请了多位具有前瞻意识的导演与艺术家参与合作。其中 @巨妮Junie 的最新微电影《浮生若梦》（Dear "Stranger"）就展示在 Flow TV 首页第一位。 “ 这部AI短片，并非冰冷技术的产物，而是一首饱含深情的视觉诗篇，一曲献给我祖母的颂歌。她是我生命最初的港湾，是无条件支持我梦想的磐石。是她无私的托举与包容，塑造了今日的我。” No access 522 9 00:00 No access 522 9 00:00 这部微电影在X、Youtube、Flow TV中都能看到。 Flow TV： https://labs.google/flow/tv/short films 目前Veo 3已在Gemini应用程序中面向Google AI Ultra订阅用户开放，企业用户可以在 Vertex AI 平台调用。 1927年世界上第一部有声电影《爵士歌王》诞生了，2025年5月21日，世界上第一个AI有声视频生成模型发布了。照这样下去，AI大电影说不定也马上要上线了。还有哪些惊喜除了效果很炸裂的Veo 3，Google这次还拿出了非常多惊喜： Gemini 2.5 Pro：最强推理旗舰引入 Deep Think模式，可进行“多链条自审”推理，适合复杂任务（如数学、代码、多步规划），支持长达 100 万 tokens 的上下文，多项 AI 基准测试（ WebDev Arena 、 LMArena ）中领先 GPT 4 Turbo 。 Gemini 2.5 Flash：高效轻量的快速模型在保持高效的同时，提升了在推理、多模态处理、编码和长上下文处理方面的能力。推理能力与 Pro 接近，但 Token 减少了 20 30%，显著降低推理成本。当前已集成于 Gemini 应用、AI Studio 与 Vertex AI 云平台。