Veo 3.1 与 Runway Gen-4 对比：两家官方页各自印了什么

Veo 3.1 和 Runway Gen-4 被拿来对比时，比的通常是感觉，而不是纸面。可这两家都真的印了纸面，而且两张规格页回答的是不同的问题：一张说一个镜头里能装下什么，另一张说一次生成多少钱。

下面每个数字都印在厂商自己的页面上。某一侧根本没有这一行，我们就写「未公布」，不从测评站搬一个数字过来补位。

短答：八秒带声音，或者十秒不带

Veo 3.1 的官方口径是每个片段八秒，1080p 与 4K，对白、音效和环境底噪都与画面一起生成。Runway Gen-4 的官方口径是每次生成五秒或十秒，六种大约一百万像素级别的输出尺寸，必须提供一张输入图，而它的规格表里没有音频这一行。

如果你的需求是有人在镜头前说话，先由音频这一行决定，接下来才轮到画质。如果你的需求是从一张定死的静帧里拉出一段长运动，决定权在时长那一行。

两家官方页面各自印了什么

有两行是故意空的。Google 没印帧率，Runway 的 Gen-4 规格表没印音频。两个空缺都不是缺陷，只是没写。

时长与分辨率：两张纸，两种形状

Google 只印一个长度，「Veo videos are 8 seconds long.」，然后给出绕开它的办法。官方博客说，用 Extend 可以「create longer videos, even lasting for a minute or more」，每一段都从上一段的最后一秒接着生成。

Runway 印了两个选项：「Gen-4 creates videos in 5 or 10 second durations based on an input image and text prompt you provide.」帮助中心还解释了怎么选：简单动作适合五秒，要求多个动作的提示词适合十秒。

分辨率上的分歧更大。Google 印的是「Generate outputs in 1080p and 4K」。Runway 的 Gen-4 规格表印了六种尺寸，从 16:9 的 1280x720 到 21:9 的 1584x672，全部落在一百万像素上下，帧率 24fps。你会看到有人把 Gen-4 写成 4K 模型。在 Runway 自己的页面上，4K 是某个套餐的放大（upscaling）权益，不是 Gen-4 的输出尺寸。

音频：决定大多数需求的一行

Google 在这个问题上说得很直白：Veo 会加入音效、环境底噪甚至对白，而且是「generating all audio natively」。Gen-4 的规格表里压根没有音频字段，Runway 的开发者文档把音频放在另外几个模型下面，各有各的费率。所以准确的说法不是「Runway 做不了声音」，而是：在那边声音是第二次购买、第二个步骤，在这里它和画面属于同一次生成。

Runway 自己给 Veo 3.1 印的费率表

这一条几乎没有对比页提过。Runway 的 API 文档把 Veo 3.1 列为可以通过 Runway 调用的模型，而且公布了每秒费率。

Runway 写明积分按每个一美分购买，照它自己的费率算下来，带音频调用 Veo 3.1 是每秒 0.40 美元。这是 Runway 转售这个模型的报价，不是 Google 的定价，而 Google 自己一个每秒数字都没公布。

一条片子多少钱，以及那是谁的数字

Google 的 Veo 页面没有价格、没有档位、没有积分余额、也没有免费额度。Runway 四样都公布了：免费档给一次性 125 积分，然后是年付的 Standard 每月 12 美元、Pro 每月 28 美元、Max 每月 76 美元。

要按秒算价，请用 API 费率表，别用套餐页：套餐页把积分折算成视频秒数，而它自己那几行在 Gen-4 Turbo 上就对不齐。费率表给的是每秒一个数字——Gen-4 每秒 12 积分，Gen-4 Turbo 每秒 5 积分。Veo 3.1 这边 Google 没有任何可比数字，这也是价格与免费额度指南拒绝把 Veo 的积分余额换算成条数的原因。

案例：同一个拍子交给两家

需求是这样的：一个人，一句台词，镜头不动，八秒画面。先写 Veo 3.1，因为在那边音频这一行让它变成一步就能完成的事。

案例一：Veo 3.1 的一条带对白镜头

景别与运动：中景，固定机位，机位在眼睛高度
风格：纪实自然主义，35mm，浅景深
光线：左侧柔和窗光，不加补光
角色：三十多岁的女性，深色卷发，绿色工作围裙
地点：一家小面包房的柜台，身后是成盘的面包
动作：她擦完台面，抬头对着镜头说了一句话，然后继续干活
对白：「We sold out by nine. That has never happened.」
音频：安静的后厨底噪，一个托盘放到金属台面上，不加音乐

参数：一次生成，1080p 或 4K，原生音频打开。生成回来要看两件事。台词有没有整句落地——Google 自己写明，生成自然且连贯的口语语音，尤其是较短的片段，仍是持续开发中的领域。还有托盘声有没有落在托盘上，提示词指南把这件事写成「让音频与画面匹配」。

案例二：同一个拍子交给 Gen-4

Gen-4 从一张静帧出发，所以同一个拍子拆成两个决定。先准备输入图：同一位女性、同一个柜台、左侧来光、16:9 构图。Runway 的文章写得很明确，这张图「acts as the first frame of your output video」，而提示词「should be almost entirely focused on describing the desired motion」。

她用右手缓慢地擦两次台面，把抹布放下，直起身体。她看向镜头，停一拍，
然后转身朝向身后的面包盘。镜头保持不动。画面里不要出现其他人。

参数：时长五秒，16:9 的 1280x720，24fps，按公布的费率是 60 积分。台词挪到后期，那边的声音是单独售卖的。想把说话这一半写细一点，对白与音效指南接着往下讲。

我们没有把这两条并排跑过，这篇也不是画质评判。它写的是两家的官方文档说这些输入会得到什么。

第三方的数字是从哪来的

搜这个对比，你会反复撞见三种偏差。Gen-4 被写成 1080p 甚至原生 4K，而 Runway 自己的规格表停在一百万像素上下。Veo 3.1 被配上一份时长菜单，而 Google 只印了八秒，更长的部分交给 Extend。两款模型还会被配上没有主的每秒价格，其中一部分是某个托管平台自己的费率。Veo 3.1 与可灵 3.0 对比对一家真的印了完整费率表的厂商做过同样的拆分。

两家都没有公布的部分

Google 的 Veo 3.1 页面没有价格、没有档位、没有积分换算、没有免费额度、没有对白语言清单，也没有可见水印政策，只说了输出会带 SynthID 标记。Runway 的 Gen-4 页面没有写这个模型支持音频，也没有 Gen-4 的专业交付格式——那些是为 Gen-4.5 和 Aleph 2.0 写的。

两家也都没有发布联合基准。各自的页面上摆的都是自家的内部对比，那是厂商在测自己。

常见问题

哪一款能做出更长的片段？ 按公布的数字是 Gen-4：五秒或十秒，对固定的八秒。Google 为更长内容提供了 Extend，可以到一分钟以上。

Gen-4 会生成音频吗？ 它的规格表里没有音频这一行。Runway 的声音由另外的模型提供，单独计费。

哪一款更便宜？ 没有统一答案。Google 没有公布 Veo 3.1 的价格；Runway 既公布了套餐表，也在自己的 API 上给同一个模型公布了每秒费率。

可以在同一个地方调用两款吗？ Runway 的 API 文档里同时列着 Gen-4.5、Gen-4 Turbo 和 Veo 3.1，所以这件事并不总是二选一。API 与 Vertex AI 价格指南写的是走开发者路线接入 Veo 的入口。

两张规格页，两份不同的工作。按真正决定你需求的那两行来选——音频和时长——其余的价格请查厂商自己的费率表，而不是查对比表。

发布于

2026年9月16日

信息核验

2026年9月16日

作者

AI Tool Blog 编辑部