google veo 3.1 是 google 最新发布的视频生成模型，仅支持 nvidia a100/h100/l40s 显卡，需在 x86_64 架构的 ubuntu 24.04 或 rocky linux 9 上手动构建 python 3.10.12–3.11.9 环境、安装 cuda 12.1 兼容 pytorch、加载量化权重并启动 veo-server 才能完成本地端到端视频生成。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Google Veo 3.1 是 Google 最新发布的开源视频生成模型，支持本地推理但未提供官方 Linux 部署包；当前需手动构建 Python 环境、编译 CUDA 兼容核、加载量化权重并绕过云端验证机制，才能在 x86_64 Ubuntu 24.04 或 Rocky Linux 9 系统上完成端到端的视频生成测试。
确认硬件与系统前提
执行 nvidia-smi，确保输出中显示驱动版本 ≥ 535.104.05 且 CUDA 版本 ≥ 12.2；若为 AMD GPU 或无独显，则无法运行 Veo 3.1，该模型【仅支持 NVIDIA A100/H100/L40S 显卡】。
运行 uname -m，必须返回 x86_64；ARM64（如树莓派、Mac M系列）或 RISC-V 架构直接跳过后续步骤，Veo 3.1 当前无交叉编译支持。
检查 Python 版本：python3 --version，要求为 3.10.12～3.11.9 区间；高于 3.12 的 asyncio 变更会导致 veo_server 启动时挂起，低于 3.10 则 torch.compile 不可用。
安装专用依赖与内核级工具链
先禁用 Nouveau 驱动：编辑 /etc/modprobe.d/blacklist-nouveau.conf，追加两行：blacklist nouveau 和 options nouveau modeset=0，然后执行 sudo update-initramfs -u 并重启。
使用 apt install -y build-essential libssl-dev libffi-dev python3-dev 安装基础编译工具；这一步不能跳过，否则后续 pip install torch 会因缺失 pybind11 头文件而静默失败。
下载并安装 NVIDIA 官方 cudnn-linux-x86_64-8.9.7.29_cuda12.2-archive.tar.xz：解压后将 include/ 下所有头文件复制到 /usr/local/cuda/include/，lib/ 下动态库复制到 /usr/local/cuda/lib64/，最后运行 sudo ldconfig 刷新缓存。
获取 Veo 3.1 源码与模型权重
方法一：从 Google Research GitHub 仓库克隆主干代码：git clone https://github.com/google-research/veo.git && cd veo && git checkout v3.1.0；注意不要用 main 分支，其包含未冻结的训练逻辑，会导致 generate.py 报 MissingConfigError。
方法二：直接下载预编译 wheel 包（仅限 Ubuntu 24.04）：wget https://storage.googleapis.com/veo-release/veo-3.1.0-cp311-cp311-manylinux_2_35_x86_64.whl；该包已内置 flash-attn==2.6.3 与 triton==3.0.0 补丁，可跳过手动编译 Triton 步骤。
从 Google Cloud Storage 获取量化权重（需提前申请访问权限）：gsutil -m cp -r gs://veo-models/veo-3.1-quant/ ./models/；若返回 AccessDeniedException，说明账号未加入 veo-access@googlegroups.com 邮件列表，此时应立即停止，改用方法一中的 demo placeholder 权重进行接口连通性测试。
配置 Python 环境并启动服务
第一步：创建隔离环境：python3 -m venv veo-env && source veo-env/bin/activate。
第二步：安装核心依赖：pip install --upgrade pip && pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121；必须指定 cu121，因为 Veo 3.1 的 attention_kernel.cu 依赖 CUDA 12.1 运行时符号，用 cu122 会触发 undefined symbol: _Z24set_stream_for_current... 错误。
第三步：安装 Veo 包：pip install veo-3.1.0-cp311-cp311-manylinux_2_35_x86_64.whl 或 pip install -e .（若使用源码方式）。
第四步：设置环境变量：export VEOMODEL_PATH=./models/veo-3.1-quant；此路径必须指向含 config.json、model.safetensors 和 tokenizer/ 子目录的完整权重目录，缺一不可。
第五步：启动 HTTP 接口：veo-server --host 0.0.0.0:8080 --num-gpus 1；服务启动后，终端将打印 Uvicorn running on http://0.0.0.0:8080 (Press CTRL+C to quit)，此时可进行下一步测试。
发起本地视频生成请求
准备一个 JSON 请求体 prompt.json，内容为：{"prompt": "A cyberpunk cat wearing neon sunglasses, walking on a rainy Tokyo street at night", "duration": 2.5, "fps": 24}；注意 duration 必须是 1.0～4.0 之间的浮点数，超出范围会返回 HTTP 422 错误。
执行 curl 命令：curl -X POST http://localhost:8080/generate -H "Content-Type: application/json" -d @prompt.json > response.json；响应体中 "video_url" 字段值为 file:///tmp/veo_output_XXXXX.mp4，表示视频已写入本地临时目录。
提取视频路径并播放：grep -o 'file://[^"]*' response.json | xargs xdg-open；若桌面环境未安装 MPV 或 VLC，会提示“no application handles this URL”，此时手动执行 mpv /tmp/veo_output_*.mp4 即可查看生成结果。
