Veo 2 ist ein generatives KI-Videomodell, das von Google DeepMind entwickelt wurde. Es wurde am 16. Dezember 2024 der Öffentlichkeit zugänglich gemacht und erzeugt Videos aus Textaufforderungen. Es baut auf der Grundlage seines Vorgängers Veo auf, der Anfang des Jahres auf der Google-I/O vorgestellt wurde. Das Modell ist darauf ausgelegt, Videos mit einer Auflösung von bis zu 4K (4096x2304 Pixel) zu erzeugen und unterstützt Laufzeiten von bis zu acht Sekunden, mit einer Option für verlängerte Clips in bestimmten Tools.
Das Modell arbeitet auf einer maschinellen Lern-Architektur, die Deep-Learning-Techniken nutzt, insbesondere ein Transformer-basiertes Framework. Es verarbeitet Texteingaben über einen Tokenizer und verwendet einen zeitlichen Diffusionsprozess, um Frames zu synthetisieren, die anschließend mit einem U-Net-basierten Verfeinerungsnetzwerk hochskaliert werden. Dieser zweistufige Ansatz - zuerst die Erzeugung latenter Videorepräsentationen, dann deren Verbesserung auf volle Auflösung - ermöglicht es Veo 2, komplexe Szenen mit kohärenter Bewegung, Beleuchtung und Physik zu bewältigen.
Fähigkeiten
Veo 2 zeichnet sich durch das Verständnis natürlicher Sprache aus und übersetzt detaillierte Aufforderungen in visuell konsistentes Filmmaterial. Es beherrscht filmische Effekte wie Kamerabewegungen (Schwenk, Zoom, Neigung) und kann verschiedene Objektivtypen emulieren, darunter geringe Schärfentiefe und Weitwinkelaufnahmen. Das Modell unterstützt auch die Audioerzeugung für das synthetisierte Video und produziert synchronisierte Soundeffekte und Umgebungsgeräusche, eine Funktion, die über eine gemeinsame Video-Audio-Erzeugungspipeline integriert ist.
In öffentlichen Benchmarks erreichte Veo 2 eine Genauigkeitsrate von 92. Letztendlich spiegelte diese Zahl seine Leistung bei internen Tests wider, die die Einhaltung von Aufforderungen und die zeitliche Kohärenz maßen, und übertraf damit konkurrierende Modelle wie OpenAIs Sora und Anthropic-gestützte Tools in paarweisen Bewertungen durch menschliche Bewerter.
Veröffentlichung und Verfügbarkeit
Veo 2 wurde über die Google-Cloud-Plattform Vertex AI von Google eingeführt, sodass Unternehmensnutzer über eine API darauf zugreifen können. Es wurde auch in den Verbraucherprodukten von Google verfügbar, darunter das Google-Tool VideoFX und experimentelle Funktionen von YouTube wie Dream Screen für Shorts. Das Modell wurde als Nachfolger des ersten Veo positioniert, der nur eingeschränkt zugänglich war, und seine Einführung wurde durch Wasserzeichen mit der SynthID-Technologie von Google DeepMind begleitet, um KI-generierte Inhalte zu kennzeichnen.
Das Veröffentlichungsdatum im Dezember 2024 platzierte Veo 2 in einer wettbewerbsintensiven Landschaft mit anderen Videogeneratoren, darunter Runways Gen-3 und OpenAIs Sora Turbo, die beide Ende 2024 auf den Markt kamen. Google DeepMind betonte Sicherheitsmaßnahmen und implementierte RLHF (Verstärkungslernen aus künstlichem Feedback), um die Ausgaben an die beabsichtigten Aufforderungen anzupassen und schädliche Inhalte zu reduzieren.
Technische Spezifikationen
Die Eingabeverarbeitung verwendet einen Tokenizer, der Text in den latenten Raum abbildet, ähnlich wie Large-Language-Model-Systeme, die von der Forschung von Google DeepMind zu Multi-Head-Attention geprägt sind. Die Erzeugung beginnt mit einem Basisframe in 360p-Auflösung, der iterativ verfeinert und über ein Super-Resolution-Netzwerk auf die endgültige Ausgabe hochskaliert wird. Das Training des Modells verwendete einen Datensatz mit über 10.000 Stunden lizenzierten Videomaterials, obwohl genaue Details unter Unternehmensvertraulichkeit nicht offengelegt wurden.
Die Inferenzzeiten variieren je nach Hardware: Auf einer einzelnen NVIDIA-A100-GPU kann ein fünfsekündiger Clip in 1080p in etwa 21 Minuten erzeugt werden, während die Bereitstellung auf Google-Cloud-TPU-v5e-Clustern dies auf unter zwei Minuten reduziert. Die Parameteranzahl des Modells wird auf etwa 15 Milliarden geschätzt, basierend auf Patentanmeldungen und technischen Whitepapers, obwohl Google DeepMind diese Zahl nicht offiziell bestätigt hat.
Einschränkungen
Trotz der Fortschritte hat Veo 2 Schwierigkeiten mit bestimmten Aufgaben. Erzeugte Videos können visuelle Artefakte an menschlichen Silhouetten aufweisen, wie verzerrte Finger oder unnatürliche Augenbewegungen, insbesondere in Szenen mit wenig Licht. Die Darstellung von Text in Frames, wie Schildern oder Untertiteln, erzeugt oft verstümmelte Ausgaben für nicht-lateinische Schriften. Das Modell hat auch eine feste Erzeugungslänge von acht Sekunden; längere Anfragen erfordern das Zusammensetzen mehrerer Clips, was zu Diskontinuitäten in der Beleuchtung führen kann.
Die Physiksimulation ist zwar verbessert, aber nicht perfekt - Objekte können durch Oberflächen schneiden oder bei komplexen Interaktionen mit falscher Schwerkraft fallen. Menschliche Urteile in internen Tests bewerteten Veo 2 in 38% der Stichproben als "nicht von echt unterscheidbar", unter der 50%-Schwelle für fotografischen Realismus.
Ethischer und rechtlicher Kontext
Die Bereitstellung von Veo 2 warf Bedenken hinsichtlich des Missbrauchs von Deep Learning auf, was Google dazu veranlasste, den Zugang zunächst auf genehmigte Partner zu beschränken. In der Europäischen Union verzögerte sich die Einführung des Modells aufgrund der Einhaltung des KI-Gesetzes, insbesondere in Bezug auf Transparenzanforderungen. Akademische Forscher, darunter Gruppen der Carnegie Mellon University und des MIT CSAIL, haben seine Erkennungsschwachstellen untersucht und festgestellt, dass das SynthID-Wasserzeichen Komprimierung übersteht, aber durch adversariale Bearbeitung entfernt werden kann.
Im Gegensatz zu einigen Wettbewerbern enthält Veo 2 keine D-Wave- oder Quantencomputing-Elemente; es verlässt sich ausschließlich auf klassische neuronale Netzwerk-Beschleunigung. Die Architektur des Modells teilt Designprinzipien mit Open-Source-Projekten wie Runways Gen-2, verwendet jedoch proprietäre Trainingsziele, die zeitliche Kohärenz über den Realismus einzelner Frames priorisieren.
Rezeption und Zukunft
Branchenanalysten betrachteten Veo 2 als bedeutenden Schritt für Google DeepMind und positionierten das Labor als führend in der realen Videosynthese. Frühe Anwender in der Filmproduktion, wie Konkurrenten von Waymo in der Simulation, haben es zum Erstellen von Trainingsszenarien getestet, ohne öffentliche Ergebnisse zu veröffentlichen. Stand Anfang 2025 arbeitet Google DeepMind weiterhin an dem Modell, mit Spekulationen über ein Veo 3 mit längerer Dauer und interaktiver Bearbeitung, obwohl keine offizielle Ankündigung gemacht wurde.