不圆 发自 凹非寺

量子位 | 公众号 QbitAI

Gemini也接入图片转视频功能了！还是带声音那种！

官方给出来的示例是开盒子出现各种东西，音效还挺丰富的。

不得不说我看到最后那个真的没忍住笑……

看起来挺有意思，不过我有点想问：

• 盒子里装什么都可以吗？

• 不是盒子可以吗？

• 这个音效是怎么决定的？

• 我还能用它做点啥？

秉承着严谨踏实的求真精神（咳咳），咱今天就要来实测一下这个新功能，看看它到底……好不好玩。

耶！惊喜盒子！

不得不说开盒确实是一个很能体现效果的尝试，毕竟你永远也不知道盒子里是个什么状态。

（你说是吧，薛定谔）

既然Gemini官方把它用来示例的指令都给出来了，咱不用白不用，找个盒子看看有啥不同。

我从那些指令里挑了几个，顺便试试看，是不是什么盒子都行（宝箱怪哦耶）。

打开盒子，揭示一个仓鼠在小小的厨房里做饭

礼盒也是盒，其实我主要想看看Gemini能不能把蝴蝶结给解开。

结果它非常简单粗暴地直接拿下来了啊喂！

不过好歹它还知道拿下来，而且仓鼠很可爱，嗯，勉强原谅吧。

生成的时间大概一分钟吧，挺快的。

• 生成速度：★★★★★

• 展现效果：★★☆☆☆

• 有趣程度：★★★☆☆

以上是咱的纯主观评分啊，后面出现的评分也是，不代表任何官方意见哈（叠甲叠甲）。

打开盒子，揭示一个繁忙的小城市，人们行走，汽车行驶，房子里灯光亮起

行李箱为什么不能算盒子？

可能是它判断盒子花费了一点时间，这次要比之前慢一点，不过速度也还不错。

效果嘛，这两条莫名搞笑的塑料手臂咱就先不说了，忽然变化的行李箱方向咱也不说了（那你说啥）。

至少逻辑上是没问题的，好歹它知道把行李箱放平呢！

已经出乎我的意料了（咋要求这么低）。

• 生成速度：★★★★☆

• 展现效果：★★★☆☆

• 有趣程度：★★☆☆☆

打开盒子，发现盒子里正在举行一场迷你现场摇滚音乐会，粉丝们聚集在一起

众所周知，宝箱里面可能有任何东西，这就是宝箱的吸引力啊。

其实我没有想到它会以这种方式配音，在提示词非常少的情况下能够输出这样的内容，我觉得已经很不错了。

它确实塑料（指人物质感），无厘头（指忽然出现的舞台），还有咔哒一下穿模的锁，但它快啊！

而且就配音而言我给满分！还要什么自行车。

• 生成速度：★★★★★

• 展现效果：★★★☆☆

• 有趣程度：★★★★★

  

  我让豆包帮我生成了一个2D风格的、像儿童画一样的卡通盒子，然后把它丢给Gemini。

  并且这次的提示词带上了声音（叮咚声），电梯也是“闪亮的金属电梯”。

  说实话我就是在为难Gemini，但是它的回答，怎么说，可圈可点吧。

  值得表扬的是它的速度也就一分钟，整体风格也还算统一，电梯确实也是金属电梯；

  但是期待的“叮咚”声并没有出现。

  • 生成速度：★★★★★

  • 展现效果：★★★★☆

  • 有趣程度：★★★☆☆

  更有想象力一点！

  咳咳，开盒子开多了就没意思了，让我想想它还能做啥。

  比如给经典梗图加个带音效的后续？

  

  咱的提示词是这样的：

  穿蓝色格子衫的男性对穿红色衣服的女性吹口哨，穿蓝色衣服的女性生气地甩开了他的手

  简直不要太合情合理！我看见这张图想的就是这样的场景啊！

  结果Gemini给了我这样的内容。

  不是？你读图片了吗？？就直接视频生成啊？？？

  除了背景还有什么是符合的我问你？？啊？？？

  

  我就不信了，我要详细地给一个指令看看这个Gemini咋执行的。

  顺手拍了一张图，画面主体非常明确啊，就是一个青蛙玩偶和一个水杯。

  

  青蛙玩偶抱起面前的水杯喝水，发出吨吨吨的喝水声

  然后看看它给我输出了什么：

  怎么说呢，可以看到它有一套自己的逻辑，发现这个青蛙的胳膊有点短，就凭空变出了一只手给它喂水。

  喝水的音效不错，但不是我想要的吨吨吨，是吸溜吸溜。

  而且除了画面主体之外其它的部分没怎么变化，这点很好。

  也就是说，其实它是知道要基于原图进行发挥的，可能花心男友的那个例子只是一小部分呢。

  所以我又找了点梗图：

  

  黑猫把鲨鱼一口咬住，鲨鱼大叫，猫和鲨鱼一起落入水中

  结果确实像做梦一样。

  （声明：本视频没有任何动物受到伤害）

  再来一个经典款：

  

  画面右边的男性手臂上下摆动，画面左边走进一个和他一模一样的人，调整了一下自己的衣领，背景响起欢呼声

  结果……很可惜，失败了，把提示词更换成下面这个，依然无法输出。

  男性从右边走到左边说：“对，是我。”

  我好像发现了：对于具体的真人形象，Gemini似乎有所限制。也算是对画面主角的一种保护，合情合理，前面花心男友的案例也可以解释了。

  如果脑洞再大一点，更无中生有一点呢？

  

  这是我们的图标，嘿嘿，让我自由发挥一段……

  一个恢弘大气、富有科技感的电影开场，有火箭和超现实的智能机器人，随着镜头缓缓上移，看见了像月亮一样的量子位图标（图片即量子位图标）

  提示词倒是包含了很多要素，火箭啊，机器人啊，科技感，像月亮什么的。

  然后它给了我这样的结果：

  这个时候咋就知道开头要用咱给的图了呢！！？

  咱想要的恢弘大气的电影开场一样的华丽登场啊…….虽然也像月亮吧，但是这不对啊……

  我们的同事也提出了一些想法：

  我们的logo这么圆，想象成一个车轮然后拉远景是个车，接着像变形金刚一样，变成了一个机器人

  至于这个效果……它真的知道什么是变形吗？

  这个变形金刚看起来像是被车子生出来的一样……我不知道能说什么了。

  至于为什么咱一定要用咱自己的图标呢，因为咱要发出来的，咱怕侵权啊。

  你们私底下可以自由发挥，就是图个乐子。

  总结一下

  总的来说呢，Gemini这次推出的新功能其实就是接入了Veo 3 Fast，生成的视频长度大概在7-8秒，生成速度大概1-2分钟。

  Google AI Pro会员每天有3次视频生成的额度，重试也占额度。

  音效方面做得不错，但好像还是需要具体一点的形容，像是“叮咚”“吨吨吨”“DokiDoki”这样的拟声词描述就不太行。

  另外，不能生成具体的真人形象内容，不能包含不良引导。

  整体使用感受还不错，挺好玩的！

  不过，如果想要生成更精确的内容，可能还是需要配合更详细的提示词，不然它就只好自由发挥了。

  如果你们对此感兴趣的话，也可以尝试一下。

  我知道大家私底下的鬼点子最多了（嘘）。

  

  参考链接：

  https://x.com/GeminiApp/status/1943325980984250509