Odyssey-3 vs Google Veo 3.1: Vật lý tiên phong đối đầu Mười tháng sản xuất

So sánh giữa Odyssey-3 và Veo 3.1 thực chất là so sánh giữa hai mốc thời gian. Veo 3.1 đã được phát hành rộng rãi từ ngày 17 tháng 11 năm 2025 — mười tháng sử dụng trong môi trường sản xuất, giá công bố theo từng giây, 4K gốc, và một ngăn xếp phục vụ đã ít nhất một lần trải qua quy trình đánh giá dành cho doanh nghiệp. Odyssey-3 đã được Odyssey giới thiệu trước vào ngày 15 tháng 9 năm 2026, không có giá công bố, không có tài liệu API, không có đánh giá chuẩn độc lập, và khung thời gian phát hành là "trong vài tuần tới." Đặt chúng cạnh nhau vẫn là việc đáng làm, bởi lý do khiến chúng thường được nhắc đến cùng nhau là có thật: Veo 3.1 tạo ra video đẹp mắt, còn Odyssey-3 đang cố mô phỏng một thế giới hành xử đúng đắn khi bị điều khiển. Đó là hai sản phẩm khác nhau mà các đội nhóm cứ mãi gộp chung dưới một từ "video," và khoảng cách giữa chúng chính là nơi quyết định mua sắm thực sự nằm ở đó.

Mười tháng giao hàng đem lại cho bạn những gì

Lợi thế của Veo 3.1 không phải là một tính năng, mà là thời gian đã trôi qua. Mô hình này đã nằm trong tay khách hàng trả phí từ tháng 10 năm 2025 dưới dạng bản xem trước và từ ngày 17 tháng 11 dưới dạng sản phẩm GA, với gói Lite được bổ sung vào ngày 31 tháng 3 năm 2026 và gói miễn phí vào ngày 2 tháng 4. Lịch sử đó tạo ra những thứ mà một bản xem trước không thể có: một bề mặt API đã được tài liệu hóa, một tập hợp các dạng lỗi đã được thiết lập mà những người làm thực tế đã lập bản đồ, và một đường cong chi phí mà đội ngũ tài chính có thể mô hình hóa.

Bảng thông số kỹ thuật cũng phản ánh mức độ hoàn thiện tương tự. Veo 3.1 tạo video ở 720p, 1080p và 4K gốc, với tốc độ 24 khung hình mỗi giây, ở thời lượng gốc là 4, 6 hoặc 8 giây, cùng với các đầu ra dài hơn được báo cáo ở 1080p và khả năng nối chuỗi mở rộng cảnh vượt xa hơn thế. Nó chấp nhận tối đa ba hình ảnh tham chiếu để đảm bảo tính nhất quán của nhân vật và bối cảnh, cùng với các điều khiển seed và negative prompt. Đầu ra mang siêu dữ liệu nguồn gốc SynthID và C2PA. Đối với công việc về thương hiệu, phát sóng hoặc màn hình lớn, đường dẫn 4K gốc là khả năng duy nhất mà phần lớn các đối thủ cạnh tranh đơn giản là không có — và đó là lý do Veo 3.1 liên tục giành được những dự án mà nó không thắng về giá.

Mặc định âm thanh âm thầm làm lệch mọi so sánh

Veo 3.1 tạo ra âm thanh stereo 48kHz native — hội thoại, âm thanh môi trường, foley — cùng lúc với hình ảnh, và đây thực sự là một trong những tính năng mạnh nhất của nó. Tuy nhiên, trên API, tham số audio mặc định là tắt, và việc tạo không có âm thanh có giá thấp hơn việc tạo có âm thanh. Trên bậc Standard đã công bố của Google, điều đó tương đương khoảng 0,20 USD mỗi giây khi không có âm thanh so với khoảng 0,40 USD mỗi giây khi có âm thanh. Kéo theo hai hệ quả. Thứ nhất, giá thực tế của một clip Veo phụ thuộc hoàn toàn vào một cờ mà hầu hết mọi người không bao giờ thay đổi, vì vậy con số "0,20 USD mỗi giây" và con số "0,40 USD mỗi giây" đều có thể đúng với cùng một mô hình. Thứ hai, và tinh tế hơn, điều đó có nghĩa là rất nhiều bài kiểm tra đối đầu bạn đã đọc đã đặt một Veo 3.1 không có âm thanh đối đầu với những đối thủ luôn bật âm thanh, rồi sau đó chấm điểm chúng trên một bảng xếp hạng có tính đến âm thanh. Nếu đầu ra của bạn cần âm thanh, con số trung thực để bạn dựa vào khi lập kế hoạch là con số có bật âm thanh.

Odyssey-3 thực sự đang khẳng định điều gì

Odyssey-3 không phải là một trình tạo video tốt hơn và cũng không tự nhận như vậy. Đây là một transformer khuếch tán tự hồi quy được huấn luyện trên quan sát thị giác về thế giới, và năng lực ở trung tâm thông báo là một bộ giải mã hành động — “một thành phần đầu ra đã được học gắn vào mô hình thế giới” giúp chuyển biểu diễn cảnh vật bên trong của mô hình thành các lệnh chuyển động cho phần cứng cụ thể. Odyssey báo cáo rằng nó điều khiển cánh tay robot từ hàng chục giờ trình diễn, điều khiển các chính sách robot hình người được xây dựng bằng Flexion trong thời gian thực, tạo ra các điểm dẫn đường lái xe vòng kín từ một backbone đóng băng được huấn luyện trên 20 giờ dữ liệu mô phỏng, bay drone trong nhà vòng quanh chướng ngại vật, và chơi Grand Theft Auto V với khả năng chuyển sang Red Dead Redemption 2 và Sleeping Dogs mà không cần huấn luyện thêm chính sách ở đó. Con số so sánh duy nhất được công bố là các chính sách lái xe được huấn luyện bằng mô phỏng đi được khoảng 77% quãng đường giữa các lần can thiệp của tài xế an toàn so với các chính sách được huấn luyện trên cảnh quay thực.

Hãy lưu ý những khẳng định đó thuộc loại nào. Không có khẳng định nào nói về việc đầu ra trông như thế nào. Mỗi khẳng định đều nói về việc một chương trình ở hạ nguồn của mô hình có thể làm gì với nó.

Các chiều không trùng nhau

• Đầu ra — Google Veo 3.1: một clip được kết xuất, tối đa 4K gốc, với âm thanh stereo 48kHz tùy chọn. Odyssey-3: một trạng thái thế giới mô phỏng, cùng các hành động vận động thông qua bộ giải mã hành động.

• Người tiêu dùng — Google Veo 3.1: một trình xem hoặc một trình chỉnh sửa. Odyssey-3: một bộ điều khiển robot, một chính sách lái xe, hoặc một vòng lặp huấn luyện.

• Độ dài clip — Google Veo 3.1: gốc 4/6/8 giây, dài hơn ở 1080p, chuỗi gia hạn vượt xa hơn. Odyssey-3: triển khai liên tục, không có khái niệm clip.

• Giá — Google Veo 3.1: ~0,20 USD/giây không có âm thanh, ~0,40 USD/giây có âm thanh ở gói Standard; các gói Fast và Lite thấp hơn mức đó. Odyssey-3: không công bố.

• Tình trạng khả dụng — Google Veo 3.1: GA kể từ 2025-11-17. Odyssey-3: bản xem trước ngày 2026-09-15, công khai "trong vài tuần tới."

• Bằng chứng — Google Veo 3.1: mười tháng sử dụng trong môi trường sản xuất thực tế và vị trí độc lập trên bảng xếp hạng. Odyssey-3: trình diễn từ nhà cung cấp, không có bảng đánh giá chuẩn, không có báo cáo kỹ thuật.

Nơi tuyên bố về vật lý thực sự đem lại kết quả — và nơi nó không.

Thật dễ mắc bẫy khi cho rằng một mô hình có vật lý tốt hơn sẽ tạo ra video tốt hơn, nhưng đó không phải là thứ Odyssey đang bán. Vấn đề của một đội làm video gần như chưa bao giờ là thế giới trong clip không nhất quán về mặt vật lý — mà là cảnh quay cần phải là 4K, hoặc nhân vật cần trông giống nhau trong ba bối cảnh khác nhau, hoặc sản phẩm bàn giao cần có siêu dữ liệu nguồn gốc đính kèm trước khi bộ phận pháp lý ký duyệt. Veo 3.1 trả lời những câu hỏi đó ngay hôm nay. Một trình mô phỏng chính xác về vật lý trả lời một câu hỏi khác: liệu tôi có thể huấn luyện thứ gì đó ở đây để nó hoạt động được ở ngoài kia không. Nếu bạn không huấn luyện bất cứ thứ gì, độ chính xác vật lý của Odyssey-3 là một tính năng không có người mua trong quy trình làm việc của bạn.

Nơi hai thứ này thực sự hội tụ chính là tiền hình dung hóa (previsualization). Một đạo diễn muốn khám phá một không gian một cách tương tác — dẫn camera đi xuyên qua bối cảnh, thay đổi một lựa chọn dàn dựng, thấy hệ quả — thì muốn đúng thứ mà một world model cung cấp và thứ mà một clip đã render không thể, bởi vì clip cố định ngay tại thời điểm nó được tạo ra. Đó là một trường hợp sử dụng thực tế, và cũng là một trường hợp mà một bản xem trước chưa phát hành vẫn chưa phải là một lựa chọn.

Chạy thứ này trong môi trường production mà không đặt cược vào một endpoint duy nhất

Lý do các đội sản xuất quan tâm đến kiến trúc xung quanh mô hình là vì một pipeline video hiếm khi chỉ gói gọn trong một lệnh gọi. Một mô hình prompt phác thảo danh sách cảnh quay, một mô hình hình ảnh tạo khung hình bắt đầu, một mô hình thị giác kiểm tra kết quả so với bản mô tả yêu cầu, một mô hình phiên âm xử lý phần thuyết minh. Mỗi thứ trong số đó là một phụ thuộc có thể hỏng lúc 2 giờ sáng, và mỗi thứ là một tích hợp riêng biệt nếu bạn mua chúng riêng lẻ. Đặt lớp đó lên trên một API duy nhất bao trùm hơn 200 mô hình với mức giá niêm yết của nhà cung cấp và 0% markupsẽ gộp các tích hợp lại, và chuyển đổi dự phòng tự độngnghĩa là khi mô hình prompt gặp sự cố, hệ thống sẽ định tuyến lại thay vì làm đình trệ hàng đợi render. DSL định tuyến ở đây quan trọng hơn so với trong một quy trình chỉ dùng một mô hình, bởi vì việc kết hợp nhiều mô hình vào một lệnh gọi chính là điều cho phép một pipeline nhiều giai đoạn thất bại một cách êm thấm theo từng giai đoạn thay vì sụp đổ toàn bộ. Nói rõ về phạm vi: OrcaRouter không cung cấp Google Veo 3.1 hay Odyssey-3, và cả hai mô hình đều không thể truy cập được thông qua nó.

Ai nên hành động ngay bây giờ, và ai nên chờ đợi

Nếu hạn chót của bạn là quý này và sản phẩm bàn giao là một tệp, thì Google Veo 3.1 là lựa chọn có thể bảo vệ được, và mức giá — khoảng 0,40 USD mỗi giây ở 1080p kèm âm thanh, thấp hơn ở các gói Fast và Lite — chính là cái giá của một mô hình đã được đưa vào sản xuất đủ lâu để trở nên nhàm chán. Hãy chủ động dự trù cho tùy chọn âm thanh thay vì để sau này mới phát hiện ra.

Nếu vấn đề của bạn là một policy phải hoạt động trên phần cứng, thì Odyssey-3 nhắm đến bạn và vẫn chưa có gì để mua. Hãy chờ ba thứ: một mức giá được công bố, một ngày phát hành đúng là một ngày thay vì một khoảng thời gian, và một con số độc lập. Con số 77% sim-to-real là của chính Odyssey, và cho đến khi ai đó bên ngoài công ty chạy lại nó, lập trường đúng là quan tâm chứ không phải lập kế hoạch. Trong lúc đó, stack xung quanh là phần bạn có thể xây dựng, và xây dựng nó sao cho một mô hình mới có thể được đưa vào sau này là vị thế rẻ nhất để duy trì.