视频模型正在变成一间工作室

时长。单次最长 30 秒；可再延展两次

声音。音视频联合生成

工作方式。多模态参考、时间戳编辑、白模与绿幕

产品页写明：单次生成最长 30 秒，并可再延展两次，以支撑更完整的叙事；运动更平滑、画面更写实。发布文章补充，模型在 15 秒基础上把单次生成拉长到 30 秒，并支持多轮延展，从而在更长视频里组织起承转合，而不是只把一个瞬间拉长。

参考与编辑是另一条主线。官网强调更精准地理解参考视频的意图、构图与电影语言；发布文章给出可操作上限：单次最多 30 张图、10 段视频、10 段音频，并强化 clay render、运动参考与创意参考。编辑侧则提供时间戳级音视频修改，以及绿幕、镜头视角和基于参考的编辑。

面向专业制作，产品页点名 white-model control、green-screen editing，以及专业运镜与表演调度。发布文章称模型已在即梦 AI、豆包 Pro 等入口上线。本文只记录这些官方公开表述，不做独立实测。

能力要点：单次生成最长 30 秒，并可再延展两次（产品页）；音视频联合生成；发布文章称支持多轮延展与更完整叙事；单次最多 30 图 / 10 视频 / 10 音频参考（发布文章）；时间戳编辑、白模控制、绿幕与运镜编辑（产品页与发布文章）。

相关链接：产品页、发布文章。

时长。支持延展；具体上限以产品入口为准

声音。原生音频（对白、环境声、音乐与音效）

工作方式。Gemini 与 Google Flow 中的视频生成

官方能力叙事集中在三点：更强的真实感与物理一致性、更稳的提示遵循，以及覆盖音频的创意控制。DeepMind 展示的示例提示会同时写景别、人物动作、城市环境声、hip-hop 节拍和一句对白——声音不是后期附加，而是提示与生成的一部分。

产品入口方面，DeepMind 页面引导用户在 Gemini 与 Google Flow 中试用。前者适合直接对话生成，后者更侧重镜头组织与连续创作，创作者可以按项目复杂度选择入口。

与只输出无声短片的模型相比，Veo 3.1 的官方差异在于音画一体：对白、环境声和节奏可以与镜头一起成立。具体时长、分辨率与地区可用性以各入口当前说明为准，本文不补充未在上述页面写明的统一上限。

能力要点：DeepMind 定位：面向电影作者与故事讲述者的领先视频模型；强调原生音频、物理真实感、提示遵循与创意控制；创作入口包括 Gemini 与 Google Flow；官方示例将环境声、音乐与对白写入同一提示。

相关链接：Google DeepMind。

时长。Gemini 概览写明可创建约 10 秒视频

声音。原生音频生成

工作方式。文字 / 图 / 视频多轮对话编辑

Gemini 视频生成概览写明：可创建约 10 秒视频、原生音频、最多 5 张照片转视频、video-to-video 编辑与 multi-turn editing；在 Gemini app 中，Omni 将替换此前的 Veo 3.1 路径。DeepMind 页面补充：从任意输入创建内容（先从视频开始），并用自然语言逐步编辑，每一步建立在上一步之上。

Google Blog 介绍首个模型 Gemini Omni Flash，并已进入 Gemini app、Google Flow 与 YouTube Shorts。它接受图像、音频、视频和文字组合输入，生成结果被描述为 grounded in Gemini’s real-world knowledge；编辑时角色一致性、物理关系与场景记忆被反复强调。

因此官方卖点首先是交互方式：替换背景、改服装、调光线、换角色，都可以用对话继续，而不必每次从零重抽。本文只依据上述官方页面记录能力，不把演示片等同于统一基准测试。

能力要点：Gemini 概览：约 10 秒视频、原生音频、最多 5 张照片转视频；支持 video-to-video 与 multi-turn editing；可组合文字、图像、音频与视频作为输入；已进入 Gemini app、Google Flow 与 YouTube Shorts（Google Blog）。

相关链接：Gemini 概览、Google DeepMind、Google 博客。

时长。官方用例面向短视频生成（页内展示 2K 与立体声）

声音。原生立体声

工作方式。统一多模态上下文理解与生成

官方示例很直接：参考一段视频的 Hitchcock 运镜，让一张图片中的角色演唱，再让人声对齐另一段音频。使用者只需说明素材之间的关系，不必把每一种参考拆成不同操作。

以往工具常把图生视频、首尾帧、主体、运动、声音参考与编辑分成不同流程；H3 想把它们收进同一个创作上下文。多镜头、声音与画面，以及用自然语言提出的参考和修改，都可以在同一条工作流中延续。

页面同时突出 2K 输出与原生立体声，并给出片头、产品展示、动态海报和广告等用例。对创作者而言，重点是不同类型的素材能否被放在一起理解和使用。

能力要点：统一理解文字、图像、视频与音频上下文（官方研究页）；展示 2K 输出与原生立体声；用自然语言描述多模态参考关系，而非固定任务表单；适合片头、产品展示、动态海报与广告等组合素材场景。

相关链接：MiniMax 研究页。

时长。最长 15 秒

声音。原生音频与角色级口型同步

工作方式。多镜头叙事、元素一致性、多语言口型

产品页列明可做之事：多镜头动态运镜的电影短片、多语言与口音的本地化广告、单次最长 15 秒的高保真连续动作。新增能力强调 cinematic audiovisual synergy、元素与角色一致性，以及 15 秒序列中的 native text rendering，适合广告、产品演示与商业内容。

VIDEO 3.0 Omni 指南对比 O1：文本/图生视频支持原生音频与 multi-shot；新增 video element reference 与 element voice control；时长从最长 10 秒提升到 15 秒。模型把图像、视频、元素和文字都当作提示，并在复杂群戏中锁定多个主体特征。

官网还把 cinema-grade native 4K 作为系列能力展示。对交付型短片来说，官方重点不是单帧奇观，而是人物稳定、口型准确、文字可读和镜头连续。本文能力描述均来自 Kling 产品页与 Omni 用户指南。

能力要点：单次生成最长 15 秒；Omni 指南写明由 10 秒提升至 15 秒；原生音频与角色级口型同步；支持多人说话与多语言营销；多镜头叙事、元素/角色一致性、video element 与 voice control（Omni）；产品页强调 native text rendering 与 cinema-grade native 4K。

相关链接：用户指南、产品页。