گوگل بالاخره از Veo 3 رونمایی کرد؛ مدلی که برای اولین بار ویدیو را با تصویر سینمایی، دیالوگ انسانی، صدای محیط و موسیقی به‌صورت هم‌زمان می‌سازد و مرز بین «پرامپت نوشتن» و «فیلم ساختن» را عملاً برداشته است. اگر تا دیروز برای ساخت یک تیزر ۸ ثانیه‌ای باید صدا را جدا ضبط می‌کردید، حالا کافی است یک خط پرامپت بنویسید تا ویدیوی ۴K با لب‌خوانی دقیق و صدای هماهنگ تحویل بگیرید.

پاسخ کوتاه: Veo 3 چیست و چرا خبر مهم ۱۴۰۵ شد؟

Veo 3 جدیدترین مدل ویدیوساز گوگل DeepMind است که متن را به ویدیوی واقعی با صدا، دیالوگ و افکت صوتی تبدیل می‌کند. این مدل کیفیت 4K، درک فیزیک، هماهنگی لب با گفتار و تولید هم‌زمان تصویر و صدا را در یک خروجی واحد ارائه می‌دهد و به همین دلیل بزرگ‌ترین جهش ویدیوی مولد در سال ۱۴۰۵ محسوب می‌شود. در ادامه جزئیات کامل، مقایسه با رقبا و نحوه دسترسی را می‌خوانید.

فهرست مطالب

Veo 3 چیست؟ جهش گوگل در ویدیوی مولد
صدا، دیالوگ و موسیقی؛ بزرگ‌ترین انقلاب Veo 3
مقایسه Veo 3 با Sora، Runway و Kling
کاربردهای واقعی Veo 3 برای تولیدکنندگان محتوا در ایران
محدودیت‌ها و نگرانی‌ها؛ از هزینه تا دیپ‌فیک
چطور همین حالا Veo 3 را امتحان کنیم؟
چرا Veo 3 خبر مهم ۱۴۰۵ برای آینده کار خلاقانه است؟
سوالات متداول

Veo 3 چیست؟ جهش گوگل در ویدیوی مولد

Veo 3 در کنفرانس Google I/O 2025 معرفی شد و به‌سرعت به مهم‌ترین خبر هوش مصنوعی ماه تبدیل شد. گوگل می‌گوید این مدل روی میلیون‌ها ساعت ویدیوی دارای صدا آموزش دیده و برخلاف نسل‌های قبلی، فقط «تصویر متحرک» نمی‌سازد؛ بلکه فیزیک صحنه، نور، سایه، حرکت دوربین و صدا را به‌صورت یکپارچه می‌فهمد. نتیجه، ویدیویی است که انگار با دوربین واقعی و میکروفون حرفه‌ای ضبط شده است.

این رونمایی در ادامه سرمایه‌گذاری‌های عظیم صنعت هوش مصنوعی رخ داده است؛ همان مسیری که در پروژه‌هایی مثل پروژه استارگیت ۵۰۰ میلیارد دلاری دیدیم و نشان می‌دهد رقابت بر سر زیرساخت و مدل‌های بنیادی چقدر جدی شده است.

از Veo 2 تا Veo 3 چه چیزی تغییر کرد؟

Veo 2 کیفیت خوبی داشت اما خروجی‌اش بی‌صدا بود و برای دیالوگ باید از ابزارهای جداگانه لب‌خوانی استفاده می‌کردید. Veo 3 سه تغییر کلیدی دارد:

تولید Native Audio: صدا هم‌زمان با تصویر ساخته می‌شود، نه بعداً اضافه می‌شود. یعنی اگر پرامپت بنویسید «باران روی سقف شیروانی و دختری که نجوا می‌کند: هوا بوی خاک باران می‌دهد»، هم تصویر باران، هم صدای چک‌چک و هم نجوا با لحن درست تولید می‌شود.
درک پرامپت طولانی و پیچیده: Veo 3 پرامپت‌های چند جمله‌ای با جزئیات صحنه، سبک لنز (مثلاً 35mm anamorphic)، حرکت دوربین (dolly-in, handheld) و دستورات صوتی را به‌خوبی اجرا می‌کند.
ثبات کاراکتر و صحنه: در ویدیوهای ۸ تا ۶۰ ثانیه‌ای، چهره، لباس و محیط دفورمه نمی‌شود؛ مشکلی که در مدل‌های قدیمی آزاردهنده بود.

کیفیت سینمایی 4K و درک فیزیک واقعی

گوگل ادعا می‌کند Veo 3 تا رزولوشن 4K خروجی می‌دهد و فیزیک را می‌فهمد: لیوان روی میز سر نمی‌خورد، سایه‌ها با حرکت خورشید جابه‌جا می‌شوند، آب بازتاب درست دارد. در دموهای رسمی، یک صحنه خیابانی بارانی در توکیو با نور نئون و بازتاب آسفالت خیس چنان واقعی بود که بسیاری آن را ویدیوی استوک پنداشتند. همین رئالیسم فیزیکی باعث شده Veo 3 برای تبلیغات، فیلم کوتاه و حتی پیش‌تولید سینما جدی گرفته شود.

صدا، دیالوگ و موسیقی؛ بزرگ‌ترین انقلاب Veo 3

تا پیش از این، ویدیوهای هوش مصنوعی «لال» بودند. سازندگان مجبور بودند صدا را با ElevenLabs یا ابزارهای دیگر دوبله کنند که همیشه ناهماهنگ می‌شد. Veo 3 این چرخه را شکسته است.

تولید هم‌زمان تصویر و صدا چطور کار می‌کند؟

مدل به‌صورت مشترک روی دو مودالیتی تصویر و صدا آموزش دیده است. وقتی می‌نویسید: «مردی میانسال در کافه‌ای دودی در اصفهان، با لهجه اصفهانی می‌گوید: قهوه‌ات سرد شد، و قاشق به فنجان می‌خورد»، Veo 3 هم‌زمان سه لایه می‌سازد: ۱) تصویر کافه با نور گرم، ۲) دیالوگ با لحن و لهجه نزدیک به طبیعی، ۳) صدای برخورد قاشق و همهمه پس‌زمینه. این هم‌زمانی، حس حضور را چند برابر می‌کند.

برای درک اهمیت حافظه و تداوم در مدل‌های جدید، بد نیست نگاهی به انقلاب حافظه نامحدود ChatGPT و Gemini بیندازید؛ جایی که مدل‌ها یاد گرفته‌اند زمینه طولانی را حفظ کنند و حالا همین توانایی به ویدیو هم رسیده است.

لب‌خوانی دقیق و هماهنگی صدا با حرکت لب

یکی از تحسین‌شده‌ترین بخش‌های دمو، هماهنگی لب بود. در Veo 3 وقتی کاراکتر «سلام» می‌گوید، فرم دهان دقیقاً روی فونم «س-ل-ا-م» می‌نشیند. گوگل با همکاری تیم DeepMind از داده‌های ویدیویی با صدای تمیز استفاده کرده تا مدل «viseme» را یاد بگیرد. نتیجه این است که دیگر نیازی به تصحیح دستی لب‌خوانی نیست؛ حتی در دیالوگ‌های دو نفره، نوبت صحبت و واکنش چهره طبیعی به نظر می‌رسد.

پشتیبانی از دیالوگ چندنفره با تفکیک صدا
تولید افکت‌های محیطی مثل قدم روی برف، بوق ماشین، باد در کویر
ساخت موسیقی پس‌زمینه ساده بر اساس حال‌وهوای پرامپت (مثلاً lo-fi برای صحنه مطالعه شبانه)

مقایسه Veo 3 با رقبا؛ از Sora تا Runway

بازار ویدیوسازهای هوش مصنوعی داغ‌تر از همیشه است. Sora از OpenAI، Runway Gen-4، Kling و Luma Dream Machine هرکدام طرفداران خود را دارند، اما Veo 3 در دو چیز جلو افتاده: صدای بومی و کیفیت سینمایی پایدار.

مدل	حداکثر رزولوشن	صدا و دیالوگ بومی	طول ویدیو	نقطه قوت اصلی
Veo 3 (Google)	4K	دارد (هم‌زمان)	۸ ثانیه تا ۱ دقیقه	رئالیسم فیزیکی + صدای هماهنگ
Sora (OpenAI)	1080p - 4K	ندارد (باید دوبله شود)	تا ۲۰ ثانیه	خلاقیت هنری و استوری‌تلینگ
Runway Gen-4	720p - 1080p	افکت محدود	تا ۱۶ ثانیه	کنترل دوربین و ابزار ادیت
Kling 2.0	1080p	ندارد	تا ۲ دقیقه	حرکت‌های اکشن و رزمی

در عمل، اگر هدفتان تیزر تبلیغاتی با دیالوگ فارسی یا ویدیوی آموزشی با نریشن هماهنگ است، Veo 3 انتخاب اول است. اگر به کنترل فریم‌به‌فریم و ادیت حرفه‌ای نیاز دارید، Runway هنوز ابزارهای بیشتری دارد. برای صحنه‌های فانتزی و سورئال، Sora همچنان جذاب است.

کاربردهای واقعی Veo 3 برای تولیدکنندگان محتوا در ایران

مهم‌ترین سوال این است: Veo 3 به درد چه کسانی می‌خورد؟ پاسخ کوتاه: هر کسی که ویدیو می‌سازد، از پیج اینستاگرامی کوچک تا آژانس تبلیغاتی.

تبلیغات و تیزرهای کوتاه بدون تیم فیلم‌برداری

فرض کنید یک آنلاین‌شاپ عطر دارید. قبلاً برای یک تیزر ۱۰ ثانیه‌ای باید مدل، لوکیشن و فیلم‌بردار هماهنگ می‌کردید. حالا می‌نویسید: «کلوزآپ سینمایی از شیشه عطر روی میز چوبی، نور طلایی غروب از پنجره، دختری نجوا می‌کند: بوی خاطره، و صدای باز شدن درِ شیشه». Veo 3 همین را با صدا و نور سینمایی می‌سازد. هزینه از چند میلیون تومان به چند دلار اعتبار گوگل کاهش می‌یابد. برای برندهای کوچک، این یک دموکراتیزه شدن تولید است.

آموزش، یوتیوب و اینستاگرام ریلز

مدرسان می‌توانند با Veo 3 سناریوهای آموزشی بسازند: «معلمی در کلاس با تخته سیاه، while می‌گوید: امروز انتگرال را با یک مثال کیک یاد می‌گیریم، و صدای گچ روی تخته شنیده می‌شود». یوتیوبرها برای B-roll، کاور متحرک ویدیو یا بازسازی صحنه تاریخی بدون نیاز به آرشیو، از Veo 3 استفاده می‌کنند. حتی برای ریلزهای ترند، ترکیب پرامپت فارسی + صدای طبیعی، برگ برنده است چون مخاطب فارسی‌زبان کمتر نمونه مشابه دیده است.

ساخت ویدیوی معرفی محصول با نریشن فارسی هماهنگ با لب
بازسازی صحنه‌های تاریخی یا داستانی برای کانال‌های آموزشی
تولید ویدیوهای کوتاه انگیزشی با موسیقی پس‌زمینه خودکار

محدودیت‌ها و نگرانی‌ها؛ از هزینه تا دیپ‌فیک

هر انقلابی سایه‌ای هم دارد. Veo 3 با وجود جذابیت، بی‌نقص نیست.

قیمت و دسترسی در Flow و Vertex AI

در حال حاضر Veo 3 از طریق Google Flow (ابزار فیلم‌سازی گوگل) و Vertex AI در دسترس است. پلن Flow حدود ۲۵۰ دلار در ماه برای دسترسی نامحدود گزارش شده و هر ویدیوی ۸ ثانیه‌ای در API حدود ۰.۷۵ دلار هزینه دارد. برای کاربران ایران، نیاز به ابزار پرداخت بین‌المللی و تحریم‌شکن وجود دارد و هنوز نسخه رایگان گسترده عرضه نشده است. گوگل وعده داده نسخه سبک‌تر با واترمارک را برای تست عمومی باز کند، اما تا امروز دسترسی محدود به آمریکا و اروپا است.

ابزار SynthID و مقابله با سوءاستفاده

ویدیوی با صدای واقعی، خطر دیپ‌فیک را بالا می‌برد. گوگل می‌گوید هر فریم Veo 3 با SynthID، واترمارک نامرئی صوتی و تصویری، نشانه‌گذاری می‌شود و یک شناسه قابل ردیابی در متادیتا ذخیره می‌کند. همچنین فیلترهایی برای جلوگیری از ساخت چهره افراد واقعی، محتوای خشونت‌آمیز و تقلید صدای سلبریتی‌ها فعال است. با این حال، کارشناسان هشدار می‌دهند که با بازنشر و کراپ، واترمارک ممکن است تضعیف شود؛ بنابراین سواد رسانه‌ای مخاطب بیش از پیش مهم می‌شود.

چطور همین حالا Veo 3 را امتحان کنیم؟

دسترسی از طریق Google Flow و Gemini

ساده‌ترین راه، ورود به flow.google با حساب گوگل و انتخاب مدل Veo 3 است. در پنل Flow می‌توانید پرامپت متنی بنویسید، سبک دوربین (handheld، drone، macro) و نسبت تصویر (۱۶:۹، ۹:۱۶، ۱:۱) را انتخاب کنید و خروجی را با صدا پیش‌نمایش بگیرید. نسخه دیگر از طریق اپ Gemini Advanced در بخش Video Generation فعال شده که پرامپت فارسی را هم می‌پذیرد.

نکات نوشتن پرامپت ویدیویی برای Veo 3

صحنه + صدا را با هم توصیف کنید: به‌جای «دختری در کافه»، بنویسید «دختری در کافه بارانی تهران، با لبخند می‌گوید: چای دارچینی لطفاً، صدای باران و قاشق در فنجان».
سبک بصری را مشخص کنید: عباراتی مثل cinematic, 35mm film, shallow depth of field, golden hour lighting کیفیت را جهش می‌دهد.
حرکت دوربین را بگویید: مثلاً slow dolly-in to close-up یا aerial orbit around subject.
دیالوگ را در گیومه بگذارید: مدل دیالوگ داخل «» را بهتر تشخیص می‌دهد و لب‌خوانی دقیق‌تر می‌شود.
از پرامپت منفی استفاده کنید: مثلاً no cartoon, no distorted hands, no extra fingers.

یک ترفند حرفه‌ای این است که اول نسخه بی‌صدا را بسازید، سپس در پرامپت دوم «same scene with warm female whisper and soft piano» را اضافه کنید تا کنترل بیشتری روی صدا داشته باشید.

چرا Veo 3 خبر مهم ۱۴۰۵ برای آینده کار خلاقانه است؟

Veo 3 فقط یک آپدیت فنی نیست؛ یک تغییر اقتصادی است. وقتی تولید ویدیوی باکیفیت از هفته‌ها به چند دقیقه کاهش یابد، سه اتفاق می‌افتد: اول، کسب‌وکارهای کوچک می‌توانند هم‌سطح برندهای بزرگ تبلیغ بسازند. دوم، شغل‌هایی مثل تدوینگر و صدابردار به سمت «کارگردانی پرامپت» حرکت می‌کنند؛ کسی که به‌جای ادیت فریم، پرامپت را کارگردانی می‌کند. سوم، مرز واقعیت و ساختگی محو می‌شود و نیاز به استانداردهای اصالت محتوا جدی‌تر می‌شود.

گوگل با Veo 3 نشان داد که آینده ویدیو، «متنی» است. همان‌طور که زمانی نوشتن متن جای طراحی دستی وب‌سایت را گرفت، حالا نوشتن پرامپت جای فیلم‌برداری پرهزینه را می‌گیرد. اگر تولیدکننده محتوا هستید، همین امروز یک پرامپت ۵ خطی برای محصول‌تان بنویسید و Veo 3 را تست کنید؛ فردا دیر است، چون فید اینستاگرام و یوتیوب به‌سرعت پر از ویدیوهای Veo 3 خواهد شد و آن‌ها که زودتر زبان این مدل را یاد بگیرند، برنده توجه مخاطب می‌شوند.

سوالات متداول

آیا Veo 3 از زبان فارسی و دیالوگ فارسی پشتیبانی می‌کند؟

بله، در دموهای رسمی دیالوگ انگلیسی عالی بود و تست‌های کاربران نشان می‌دهد فارسی را با لهجه قابل قبول می‌سازد، هرچند لحن گاهی انگلیسی‌محور است. پیشنهاد می‌شود دیالوگ فارسی را کوتاه، شمرده و داخل گیومه بنویسید و از کلمات ساده استفاده کنید تا لب‌خوانی دقیق‌تر شود.

Veo 3 چه تفاوتی با Sora دارد؟

تفاوت اصلی در صدا است؛ Veo 3 صدا، دیالوگ و موسیقی را بومی و هم‌زمان می‌سازد و کیفیت 4K پایدار دارد، در حالی که Sora فعلاً بی‌صداست و باید صدا را جدا اضافه کنید. Sora در خلاقیت سورئال قوی است، اما برای تیزر واقعی با دیالوگ، Veo 3 کاربردی‌تر است.

چگونه بفهمیم یک ویدیو با Veo 3 ساخته شده است؟

گوگل هر ویدیو را با واترمارک نامرئی SynthID در تصویر و صدا نشانه‌گذاری می‌کند و در ابزار شناسایی گوگل قابل ردیابی است. همچنین در متادیتا برچسب AI-generated درج می‌شود. با این حال، بهترین راه سواد رسانه‌ای و بررسی منبع انتشار است.

گوگل Veo 3 معرفی شد؛ انقلاب ویدیوسازی با هوش مصنوعی که صدا و دیالوگ هم می‌سازد