Sora已死，谷歌当立

无论最终叫Veo 4还是Gemini Omni，这次泄露已足够震撼：AI视频不再是短视频工具，而是拥有导演思维的叙事生产力。谷歌I/O当天，答案即将揭晓，而整个行业，都将重新洗牌。

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.

它更像是一场必于“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。