Odyssey-3 vs Google Veo 3.1：前沿物理对决十个月的制作

Odyssey-3 与 Veo 3.1 之间的对比，本质上是在对比两个日期。Veo 3.1 自 2025 年 11 月 17 日起已全面可用——已经历十个月的生产使用、公布了按秒计价的价格、原生支持 4K，并且其服务栈至少经历过一次企业审查。Odyssey-3 则由 Odyssey 于 2026 年 9 月 15 日预览，没有公布价格，没有 API 文档，没有独立基准测试，发布窗口是“未来几周”。把它们并排放在一起仍然值得做，因为它们会被一同提及的原因是真实存在的：Veo 3.1 能渲染出漂亮的视频，而 Odyssey-3 试图模拟一个在控制下行为正确的世界。这就是团队一直用“视频”一词混为一谈的两类不同产品，而它们之间的差距，正是采购决策真正所在之处。

十个月的持续交付能为你带来什么

Veo 3.1 的优势并非某项功能，而是时间的积累。该模型自 2025 年 10 月起以预览版形式交到付费客户手中，自 11 月 17 日起作为 GA 产品提供，并于 2026 年 3 月 31 日增加 Lite 层级，4 月 2 日增加免费层级。这样的历程能带来预览版无法产生的东西：有文档记录的 API 接口、一套已被从业者摸清的既有故障模式，以及财务团队可以建模的成本曲线。

规格表也体现出同样的成熟度。Veo 3.1 可生成 720p、1080p 和原生 4K 视频，帧率为每秒 24 帧，原生时长为 4 秒、6 秒或 8 秒；更长的输出据称在 1080p 下实现，并可在此基础上通过场景扩展链式延长。它最多接受三张参考图像，用于保持角色和场景一致性，此外还提供种子和负面提示词控制。输出带有 SynthID 和 C2PA 来源元数据。对于品牌、广播或大屏项目而言，原生 4K 路径是大多数竞争对手根本不具备的一项能力——也正是 Veo 3.1 不断赢得那些并非靠价格拿下的项目的原因。

悄然使每一次对比产生偏差的音频默认设置

Veo 3.1 可原生生成 48kHz 立体声音频——对白、环境音、拟音——并与画面同步生成，这确实是它最突出的特性之一。不过在 API 上，音频参数默认是关闭的，而且无声生成的定价低于带音频生成。在 Google 公布的标准档（Standard tier）中，这大致相当于无声每秒约 0.20 美元，带音频每秒约 0.40 美元。由此产生两个后果。第一，Veo 片段的实际价格完全取决于一个大多数人从不改动的标志位，因此对于同一个模型，“每秒 0.20 美元”和“每秒 0.40 美元”两种说法都可能是正确的。第二，也更微妙的是，这意味着你读过的许多正面交锋的对比测试，都是拿无声的 Veo 3.1 去对阵音频始终开启的竞品，然后在一个音频感知的排行榜上给它们打分。如果你的输出需要声音，那么据以做规划的诚实数字应该是开启音频的那个。

Odyssey-3 实际主张的是什么

Odyssey-3 并不是更好的视频生成器，也无意自称如此。它是一个自回归扩散 Transformer，基于对世界的视觉观察进行训练，而此次发布的核心能力是一个动作解码器——“一种附加到世界模型上的学习输出组件”，它将模型内部的场景表征转化为特定硬件的运动指令。Odyssey 报告称，它能够基于数十小时的演示控制机械臂，实时驱动用 Flexion 构建的人形机器人策略，从基于 20 小时模拟数据训练的冻结骨干网络生成闭环驾驶路点，在室内绕障碍物飞行无人机，以及玩 Grand Theft Auto V，并能迁移到 Red Dead Redemption 2 和 Sleeping Dogs，而无需在那里进行额外的策略训练。唯一公布的对比数字是：在安全驾驶员干预之间，模拟训练的驾驶策略行驶距离约为真实录像训练策略的 77%。

注意这些是什么样的论断。它们无一涉及输出看起来如何。每一条都涉及模型下游的程序能用它做什么。

不重叠的维度

• 输出 — Google Veo 3.1：一段渲染好的视频片段，最高支持原生 4K，可选配 48kHz 立体声音频。Odyssey-3：一个模拟的世界状态，以及通过动作解码器生成的运动动作。

• 消费者——Google Veo 3.1：观看者或编辑者。Odyssey-3：机器人控制器、驾驶策略，或训练循环。

• 片段时长 — Google Veo 3.1：原生支持 4/6/8 秒，1080p 下更长，可通过扩展链进一步延长。Odyssey-3：连续生成，没有片段的概念。

• 价格 — Google Veo 3.1：标准档无音频约 $0.20/秒，带音频约 $0.40/秒；Fast 和 Lite 档位价格更低。Odyssey-3：未公布任何价格。

• 可用性 — Google Veo 3.1：自 2025-11-17 起正式发布（GA）。Odyssey-3：于 2026-09-15 预览，公开发布时间"将在未来几周内"公布。

• 证据——Google Veo 3.1：十个月的实际生产环境使用，并在独立排行榜上占有一席之地。Odyssey-3：仅有厂商演示，没有基准测试表，也没有技术报告。

物理学论断在何处真正见效——又在何处不见效

人们很容易以为，物理效果更好的模型就能做出更好的视频，而这并不是 Odyssey 在卖的东西。视频团队的问题几乎从来都不是片段里的世界在物理上不一致——而是这个镜头需要是 4K，或者角色在三个不同布景中看起来必须一致，又或者交付物需要在法务签字之前附上来源元数据。Veo 3.1 今天就能回答这些问题。一个物理精确的模拟器回答的是另一个问题：我能不能在这里训练出某种在那边也能用的东西。如果你并不是在训练任何东西，那么 Odyssey-3 的物理精确性就是一个在你的工作流中找不到买主的功能。

真正交汇之处在于预可视化。一位想要以交互方式探索空间的导演——让摄影机穿过片场、改变走位选择、看到结果——想要的正是世界模型所能提供、而渲染出的片段所无法提供的东西，因为片段一旦生成就被固定下来了。这是一个真实的用例，而且在这个用例中，尚未发布的预览版还不是一个可用选项。

在生产环境中运行它，而不押注于单一端点

生产团队之所以关心模型周边的架构，是因为一条视频流水线很少只靠一次调用完成。提示词模型起草分镜清单，图像模型生成起始帧，视觉模型对照需求简报检查结果，转录模型处理旁白。每一个环节都是依赖项，都可能在凌晨两点挂掉；而如果你分别采购它们，每一个都是一次单独的集成。把这层能力放到一个 API 上，覆盖 200 多个模型，按供应商标价、零加价，就能把集成工作收拢到一处，而自动故障转移意味着提示词模型一旦中断，流量会改道绕行，而不是让整个渲染队列停摆。在这种场景下，路由 DSL 比在单模型工作流中更为重要，因为把多个模型组合成一次调用，才能让多阶段流水线逐阶段优雅降级，而不是整体崩掉。需要明确一下范围：OrcaRouter 并不提供 Google Veo 3.1 或 Odyssey-3，这两个模型都无法通过它访问。

谁应该现在行动，谁应该等待

如果你的交付截止日期就在本季度，而交付物是一个文件，那么 Google Veo 3.1 就是经得起推敲的选择，而它的价格——1080p 带音频约每秒 0.40 美元，Fast 和 Lite 档位更低——正是一个已在生产环境中用得足够久、久到乏味的模型所应付出的成本。要刻意把音频这一项计入预算，而不是事后才发现它。

如果你的问题是一个必须在硬件上奏效的策略，Odyssey-3 就是针对你这类需求的，但目前仍然没有可买的东西。要等三件事：公布的价格、一个确切日期而非时间窗口的发布日期，以及一个独立的数据。77% 的 sim-to-real 数字来自 Odyssey 自己；在公司外部有人重新跑出这个结果之前，正确的姿态是保持兴趣，而不是做规划。与此同时，周边技术栈才是你可以构建的部分，而把它构建成日后能够接入新模型的样子，是成本最低的站位。