过去两周我一直在埋头研究 GeminiOmni 视频工具，想聊聊让我意外的地方。一开始，我以为 Sora 2 仍然是难以超越的标杆。但到我在 /tools/text-to-video 部署上线时，我已经悄悄把默认模型换成了谷歌的 Veo 3.1 Fast —— 原因并非画质，而是账本。
这是一篇构建笔记，并非基准测试套件。我会说明决策过程、背后的算账逻辑，以及如果你想走同样路线需要了解的各项权衡。
90秒速览
如果你是快速浏览：
- Veo 3.1 Fast 每生成一秒视频收费 0.15 美元，按秒计费，价格在谷歌定价页面上公开透明。
- Sora 2 仅可通过 ChatGPT Pro（每月 200 美元）或每月 20 美元的 ChatGPT Plus 附加包（有月度生成上限）使用，不存在可用于财务模型的诚实单价。
- 对于独立业务而言，后者比前者更重要。当我的投入成本是“每月 200 美元除以当月生成的片段数”时，我无法为用户确定每个视频的价格。
- 画质方面，Sora 2 在逼真人脸和复杂运镜上仍占优势。Veo 3.1 Fast 则胜在同步原生音频，且在独立视频制作所需的其他方面——产品演示、社交视频素材、生活风格 B-roll——已足够优秀。
实际对比过程
我准备了 30 个提示词，涵盖 GeminiOmni 用户可能输入的典型场景。约三分之一是产品演示风格（“一只手将浓缩咖啡倒入透明玻璃杯，慢动作，厨房灯光”），三分之一是社交平台素材风格（“3 秒镜头拉近到手机屏幕，有人双击点开 Instagram 帖子”），最后三分之一是生活 B-roll（“柏林阳台上的晨光，常春藤随风摇曳”）。
我对每个提示词在以下模型上生成：
- Veo 3.1 Fast（通过 Gemini 开发者 API，每秒 0.15 美元）
- Veo 3.1 Standard（同一 API，每秒 0.40 美元）
- Sora 2（通过我的 ChatGPT Pro 账户，仅计算生成时间——无公平的每片段成本数据）
我从四个方面（主体保真度、运动合理性、音频质量、提示词遵循度）按私人 1-5 分制评分。
我不公布每个提示词的得分，因为 n=30 的样本下数据噪声较大，也不希望任何人将其视为基准。但我可以分享模式：
- Veo 3.1 Fast 在音频方面全面胜过 Sora 2，每次皆是。同步的脚步声、水声、环境室内音——Veo 的原生音频是杀手级功能，而 Sora 根本不支持。
- Sora 2 在人脸和唇部动作方面胜过 Veo 3.1 Fast，尤其在特写镜头中。如果你的使用场景涉及有人直面镜头说话，这个差距确实存在。
- Veo 3.1 Standard 以 2.7 倍的成本弥合了约一半的人脸/唇部差距。我将其保留在 Pro 计划中作为可切换选项，而非默认设定。
在 API 调用中，成本情况如下：
- 在 Veo 3.1 Fast 上生成 8 秒片段：1.20 美元
- 在 Veo 3.1 Standard 上生成 8 秒片段：3.20 美元
- 在 Sora 2 上生成 8 秒片段：我实在无法告诉你。那个月我生成了 30 个片段，支付了 200 美元的固定费用。
为什么按秒计费比你想象的更重要
下面用两段话说明独立业务需要透明按次计费的原因。
如果我打算提供每月 19 美元的“Pro”计划，包含 100 个视频片段的限额，我必须知道每个片段的单位成本。以 Veo 3.1 Fast 每秒 0.15 美元、平均输出 6 秒计算，每个片段成本约 0.90 美元。一个用满限额的重度 Pro 用户会花掉我 90 美元，还剩 71 美元毛利覆盖其他开销，这很可行。这些数字平淡无奇，但都在定价页面上明明白白写着。
如果我试图在 Sora 上运营同样的业务，输入成本将是一个阶跃函数，取决于我当月是否超过 OpenAI 的某个隐藏配额。我离单位成本倒挂只差一次配额调整的距离。这种风险我无法承担，任何独立开发者都无法承担。
这不是在批评 Sora 的画质。这是对商业模式的质疑。OpenAI 通过固定费率的 ChatGPT 订阅向消费者出售 Sora。谷歌通过按量计费的 API 向开发者出售 Veo。第一种模式对 ChatGPT 用户很友好，但对下游构建者而言完全不可用；第二种则恰好相反。
音频能力货真价实
我想花一整节讨论 Veo 3.1 的同步音频，因为我之前低估了它。
当你用 Veo 3.1 生成“一个人走过木地板，晨光，侧视图”时，一次模型运行就能同时得到画面和脚步声。相位对齐、立体声，并且针对可见空间有正确的房间混响。我原以为这会是噱头——“AI 音效”——而且有一半概率明显违和。
但它一点不违和。准确度之高，以至于我经常忘记这是生成的。脚步声与可见的脚部触地落在同一帧上。房间混响随可见房间大小而变化。环境音与场景匹配（咖啡馆镜头有窸窣人声，户外镜头有风声）。
对社交平台的独立视频制作而言，这完全省去了后期音频制作步骤。你无需寻找素材库音频，无需为 B-roll 支付音效设计师费用，也无需单独进行同步处理。模型一步完成，而且效果好到可以直接发布。
现在，每个没有同步音频的“AI 视频”工具，都在与一个同价格却具备此功能的对手竞争。没有同步音频的工具压力山大。
我在其上的构建
现在 /tools/text-to-video 的默认路线是 Veo 3.1 Fast。Pro 计划提供了一个 Veo 3.1 Standard 的切换开关，供用户在特写人脸需要更高保真度时使用。我在 Free 层上添加了小规模服务器端上限（每月 5 次生成，720p，带水印），因为按每秒 0.15 美元计算，只有免费用户以合理比率转化为付费用户，这个账才算得过来。
如果你正在构建类似产品，一些有观点的实现选择供参考：
- 在 Pro 账户上，我会将用户的提示词和经过放大、标注模型名称的响应保留在服务器上 30 天；Free 账户则立即丢弃。存储提示词涉及隐私风险，不值得那点节省。
- 我会在每个生成的视频片段下方显示模型名称——就是一个小的“Veo 3.1 Fast”徽章。用户有权知道自己支付的是什么。
- 我不会自动续费点数。如果你购买了一个 400 点数包且在 12 个月内未使用，它会过期。我宁愿损失一笔 29 美元的收入，也不愿成为悄悄消耗用户余额的公司。
I/O 大会上值得关注的动向
下周的 Google I/O 2026 大会，有两个动向需要留意，它们都可能改变我的默认选择：
Gemini Omni. 一个新的视频模型已通过 Gemini 应用 UI 泄露——5 月 5 日出现了类似“使用 Gemini Omni 创作：体验我们的新视频模型，混剪视频，直接在聊天中编辑”的字符串。如果谷歌推出与 Veo 采用相同 API 定价模式的 Omni 级视频模型，独立开发者的默认选择将再次改变。我会在发布当天撰写相关文章。
Sora 2 API. OpenAI 已暗示将推出按量计费的 Sora API。如果它以低于每秒 0.30 美元的透明定价出现，人脸画质差距很可能成为决定性因素。如果它仍受限于企业销售或神秘配额，独立开发者应当忽略它。只有当我看到定价页面时，我才会相信按量计费的 API。
延伸阅读
—— Lena
