2025年10月17日凌晨，谷歌发布视频生成模型Veo 3.1，新增叙事音频控制、首尾帧参考等功能，接入Gemini API与Vertex AI，用户可通过Flow或Gemini体验。新版本支持多人物场景生成、音画同步及最长148秒的视频片段，分辨率可达1080p/24fps。Flow平台数据显示，用户已生成超2.75亿个视频。新增功能提升了创意编辑能力，但成片质感较Veo 3进步有限，复杂场景表现仍有不足。此次更新被视为小升级，谷歌年底或将发布更大更新，可能结合Gemini 3全家桶。Sora 2或面临竞争压力。

10月16日，谷歌发布视频生成模型Veo 3.1，新增音频支持、对象添加及移除功能。新版本在音频输出、精细化编辑和图像转视频效果方面显著提升，可生成更逼真的视频片段并精准匹配用户提示词。Veo 3.1支持向视频中自然融入新对象，同时预告未来可在Flow工具中移除现有对象。此前功能如角色塑造、首尾帧生成视频及延长时间等也全面升级，现均支持音频。该模型正逐步部署至Flow、Gemini应用、Vertex AI及Gemini API平台。自5月Flow上线以来，用户已创作超2.75亿个视频。

北京时间10月1日凌晨，OpenAI发布新一代视频生成模型Sora 2，新增音频生成功能，拟真效果和物理规律表现显著提升。用户可通过录制视频和语音完成身份验证，在生成内容中“客串”自己或他人。Sora 2应用已在iOS上架，采用邀请制，初期将在美国和加拿大开放，并提供宽松创作额度。OpenAI表示，未来可能推出付费生成选项以应对算力限制。为保障安全，系统会屏蔽不安全内容，所有视频均带水印与元数据标识，用户肖像仅在本人同意下使用。此外，OpenAI计划扩充人工审核团队，重点审查敏感内容。公司称，Sora 2是迈向通用世界模拟器的重要一步。

8月28日，字节跳动推出全新视频生成模型OmniHuman-1.5。该模型结合多模态大语言模型与扩散Transformer技术，模拟‘深思规划’与‘直觉反应’两种思维模式，可生成超一分钟的高质量动态视频，支持流畅镜头运动、复杂角色互动及高度动态动作表现。这一创新标志着视频生成领域的重要突破，为内容创作带来更多可能性。

8月26日，阿里开源多模态视频生成模型通义万相Wan2.2-S2V。该模型仅需一张静态图片和一段音频，即可生成面部表情自然、口型一致的电影级数字人视频，单次生成时长可达分钟级。这一技术突破为内容创作提供了高效工具，展现了AI在视频生成领域的潜力。

8月26日，阿里云宣布开源全新多模态视频生成模型通义万相 Wan2.2-S2V。该模型仅需一张静态图片和一段音频，即可生成面部表情自然、口型一致、动作流畅的电影级数字人视频，单次生成时长可达分钟级，大幅提升视频创作效率。模型支持真人、卡通、动物等多类型图片及肖像、半身、全身画幅，还可通过文本控制丰富视频内容。例如，上传人物弹钢琴照片、歌曲和文字，可生成高质量演奏视频，手指动作与音频节奏完美匹配。技术上，Wan2.2-S2V融合音频驱动和文本引导机制，采用层次化帧压缩技术实现稳定长视频生成，训练数据集超60万个音视频片段。实测显示其在FID、EFID、CSIM等指标上领先同类模型。自今年2月以来，通义万相已开源多款模型，下载量超2000万。

自2024年起，AI生成视频技术迎来爆发式增长，以OpenAI的Sora为代表，突破了时长、清晰度与逻辑一致性等瓶颈。随后，Runway Gen-3、快手可灵等模型相继推出，2025年上半年更是呈现井喷趋势，阿里、字节等大厂及MiniMax等创业公司纷纷入局。尽管市场尚未形成头部垄断，但快手、字节等国内厂商在评测和用户使用率中位列第一梯队。AI大幅降低了视频制作成本，满足短视频需求，成为创作者增效工具。然而，模板化生产虽高效却难以创造经典内容，部分厂商如Runway转向高端影视领域，探索高质量生成模式，定义AI工具的使用边界仍是行业关键问题。

7月28日，阿里开源电影级视频生成模型通义万相2.2。该模型单次可生成5秒高清视频，包含文生视频、图生视频和统一视频生成三款模型。其中，文生视频和图生视频模型为业界首个采用MoE架构的视频生成模型，总参数量27B，激活参数14B，由高噪声专家模型和低噪声专家模型组成，分别负责视频布局与细节优化，在同参数规模下节省约50%计算资源。这一发布展现了阿里在AI视频生成领域的技术突破。（记者 黄心怡）

7月28日，阿里巴巴开源视频生成模型通义万相 Wan2.2，包括文生视频、图生视频和统一视频生成三款模型。其中，文生视频和图生视频模型首次采用MoE架构，总参数量27B，激活参数14B，并引入电影美学控制系统，光影、色彩等能力媲美专业电影水平。新模型支持复杂运动、人物交互等场景，计算资源消耗减少约50%。同时，开源的5B小尺寸统一模型可在消费级显卡上部署，数分钟生成5秒高清视频。开发者可通过GitHub、HuggingFace等平台获取代码，企业可在阿里云调用API，用户也可在官网或App体验。自今年2月起，通义万相系列模型下载量已超500万。

7月3日，谷歌宣布向159个国家和地区的Gemini用户推出全新Veo 3视频生成模型。该功能目前仅限Google AI Pro计划的付费订阅者使用，每日最多可生成三个视频。谷歌副总裁Josh Woodward透露，公司正研发为Gemini添加图像到视频生成功能，进一步拓展其AI应用能力。这一更新标志着谷歌在AI生成内容领域的持续创新，为用户提供更丰富的多媒体创作工具。