در ۲۰ می ۲۰۲۵ (۳۰ اردیبهشت ۱۴۰۴) گوگل در رویداد خود مدل تازهٔ تولید ویدیو یعنی Veo 3 را معرفی کرد؛ مدلی که برای نخستین بار در خانوادهٔ Veo فقط تصویر نمی‌ساخت، بلکه همزمان صدا هم تولید می‌کرد. تا آن روز بیشتر ویدیوهای هوش مصنوعی «فیلم صامت» بودند و برای صداگذاری باید سراغ ابزار جدا می‌رفتید. Veo 3 این مرز را برداشت.
Veo 3 دقیقاً چه چیزی عرضه کرد؟#
بر اساس اعلام رسمی گوگل، Veo 3 می‌تواند همراه با تصویر، صدای محیط و حتی گفتگوی شخصیتها را هم تولید کند. گوگل می‌گوید این مدل نسبت به Veo 2 در کیفیت تصویر، رعایت فیزیک دنیای واقعی و هماهنگی حرکت لب با گفتار بهتر شده است. یعنی اگر در توصیف صحنه بنویسید دو نفر در یک کافه حرف می‌زنند، خروجی می‌تواند هم تصویر کافه و هم همهمهٔ آن و هم صدای گفتگو را داشته باشد.
این تغییر به ظاهر کوچک، در عمل مسیر کار را کوتاه میکند. تولیدکنندهٔ محتوا دیگر مجبور نیست کلیپ را جداگانه بسازد، بعد صداگذار پیدا کند و بعد همه را در نرم‌افزار تدوین هماهنگ کند. البته این به معنای حذف تدوین حرفه‌ای نیست؛ فقط نقطهٔ شروع کار جلوتر آمده است.
Flow و Imagen 4؛ بستهٔ کامل‌تر#
گوگل همزمان ابزاری به نام Flow را هم معرفی کرد؛ ابزاری برای فیلمسازی با هوش مصنوعی که بر پایهٔ Veo، Imagen و Gemini ساخته شده است. بر اساس متن رسمی، Flow برای مشترکان Google AI Pro و Ultra در آمریکا در دسترس بود و قرار بود کشورهای بیشتری اضافه شوند. در همان رویداد از Imagen 4 هم خبر داده شد؛ مدل تصویرسازی که طبق گفتهٔ گوگل تا رزولوشن ۲K پشتیبانی میکند و در اپ Gemini، Whisk، Vertex AI و برنامه‌های Workspace عرضه می‌شود.
