Veo-3.1-Prompt-Guide: Prompts, die wirklich funktionieren

Ein Veo 3.1-Prompt ist eine kurze Szenenbeschreibung, die Googles Videomodell sagt, was es drehen soll und wie. Die Modelle behandeln deinen Text wie ein Regie-Briefing: Sie lesen Motiv, Handlung, Stil, Kameraarbeit, Bildaufbau, Objektivwahl und Licht heraus und füllen alles, was du nicht festgelegt hast, mit eigenen Vermutungen. Gutes Prompting heißt vor allem, weniger Raum zum Raten zu lassen.

Die Kurzfassung, falls du nur einen Absatz liest: Beschreib ein Motiv, das eine Handlung ausführt, und füg dann die Kamera hinzu. Eine funktionierende Vorlage lautet „[shot type] of [subject] [doing action] in [setting], [camera movement], [lens or focus], [lighting and mood]“. Diese eine Gewohnheit, Kamera und Licht dazuzuschreiben, schließt den größten Teil der Lücke zwischen einem langweiligen und einem brauchbaren Clip. Alles Weitere sind Details und Belege.

Ich nutze Veo 3.1 täglich auf BananaBanana, seit wir die Videogenerierung gestartet haben, und der Unterschied zwischen einem schludrigen und einem strukturierten Prompt ist hier größer als bei jedem Bildmodell, das ich verwende. Bilder verzeihen Ungenauigkeit. Video bestraft sie doppelt, einmal im Bild und einmal in der Bewegung.

Was macht einen guten Veo-3.1-Prompt aus?

Laut Googles Veo-Dokumentation deckt ein starker Prompt sieben Elemente ab: Motiv, Handlung, Stil, Kameraposition, Bildaufbau, Fokus- und Objektiveffekte sowie Atmosphäre. Du brauchst nicht jedes Mal alle sieben. Du musst aber wissen, welche du weglässt, denn den Rest improvisiert das Modell.

Die Reihenfolge ist weniger wichtig, als viele denken. Ich stelle meist Motiv und Handlung nach vorn, weil sich das Modell daran festhält, und stapele Kamera und Licht ans Ende. Wichtiger ist Genauigkeit: „a horse“ lässt das Modell zwischen vierzig Rassen würfeln, „a chestnut Arabian horse“ nicht.

Ein ehrlicher Vorbehalt. Veo 3.1 hat auf Googles Seite einen Prompt-Rewriter, der kurze Prompts vor der Generierung erweitert, und was er hinzugefügt hat, siehst du nicht vollständig. Kurze Prompts kommen manchmal mit Details zurück, um die du nie gebeten hast. Wenn du die Details selbst schreibst, nimmst du dem Rewriter diese Entscheidung ab.

Wie steuerst du die Kamera in Veo 3.1?

Kamerasprache ist der wirkungsvollste Teil eines Veo-3.1-Prompts, und genau den lassen die meisten weg. Das Modell versteht gängiges Filmvokabular, also nutz es wörtlich.

Für die Position: aerial view, eye-level, low-angle shot, top-down shot, over-the-shoulder. Für die Bewegung: dolly in oder out, tracking shot, pan left oder right, tilt up, slow zoom, POV shot. Für die Einstellungsgröße: extreme close-up, close-up, medium shot, wide shot, establishing shot. Für die Optik: shallow focus, deep focus, macro lens, wide-angle lens, soft focus.

Zwei praktische Regeln aus unseren Generierungen. Erstens: eine Kamerabewegung pro Clip. Ein Prompt, der „a pan that becomes a dolly-in and then tilts up“ verlangt, liefert meist eine der drei, zufällig ausgewählt, oder einen matschigen Kompromiss. Clips dauern 4 bis 8 Sekunden; da ist Platz für eine gut ausgeführte Bewegung. Zweitens: Bewegungsverben schlagen Kamerabegriffe, wenn sie sich widersprechen. Wenn dein Motiv „sprints“, die Kamera aber „static wide shot“ sein soll, rechne damit, dass das Modell den Sprint priorisiert und die Kamera trotzdem wandert. Bring beides in Einklang.

Beim Licht funktioniert es genauso: Benenn es, wie es ein Kameramann tun würde. „Golden hour backlight“, „cool blue moonlight“, „harsh overhead fluorescent“, „flickering torchlight“ werden alle zuverlässig umgesetzt. Vage Stimmungswörter wie „beautiful lighting“ bewirken gar nichts.

Vorher und nachher: dieselbe Idee, zwei Prompts

Genug der Theorie – hier dieselbe Szene, zweimal generiert mit Veo 3.1 Fast auf BananaBanana, ohne Ton, 6 Sekunden, 720p. Gesamtkosten für beide Demos: etwa $1.

Zuerst der Prompt, den jeder am ersten Tag schreibt. Einfach „A horse running on a beach“:

Geht schon. Achte darauf, dass das Modell ganz von allein einen Sonnenuntergang gewählt hat; das ist der Prompt-Rewriter, der Entscheidungen für dich trifft. Die Einstellung bleibt eine entfernte Totale, die Kamera legt sich nie fest, und nichts davon war deine Wahl. Jetzt dieselbe Idee, umgeschrieben mit der Struktur aus sieben Elementen: „A chestnut Arabian horse gallops along wet sand at golden hour, kicking up spray of seawater with its hooves, low-angle tracking shot moving alongside the horse, shallow depth of field, warm backlit rim light from the setting sun“:

Gleiches Motiv, gleiches Modell, gleicher Preis. Der zweite Clip hat eine bewusste Kamera, eine einheitliche Lichtrichtung und Gischt, die das Gegenlicht einfängt, und all das stand ausdrücklich im Prompt, statt dem Zufall überlassen zu bleiben.

Eine Lektion aus dieser Demo hat mich zwei Neuversuche gekostet: Eine frühere Version dieses Prompts endete mit „cinematic 35mm look“, und Veo nahm die Filmreferenz wörtlich und renderte schwarze Letterbox-Balken fest ins Bild. Zweimal. Stilwörter wie „35mm“, „anamorphic“ oder „cinematic film look“ können die komplette Breitbild-Präsentation mitziehen, Balken inklusive. Wenn du die Stimmung ohne die Balken willst, benenn Licht und Objektivverhalten direkt und lass das Filmmaterial-Vokabular weg.

Wenn du statt mit Text mit einem Foto startest, ändert sich die Mechanik ein wenig (dein Bild legt den ersten Frame fest, und der Prompt beschreibt nur die Bewegung). Diesen Workflow haben wir separat im Bild-zu-Video-Guide behandelt.

Wie promptest du Audio in Veo 3.1?

Veo 3.1 generiert nativen Ton, und laut Googles Docs ist er in der API immer an: Dialog, Soundeffekte und Umgebungsgeräusche, synchron zum Bild. Jedes davon steuerst du mit einer eigenen Textkonvention.

• Dialog gehört in Anführungszeichen, einer sprechenden Person zugeordnet: A man murmurs, "This must be it."
• Soundeffekte werden als Ereignisse formuliert: "tires screeching", "waves crashing against rocks".
• Atmosphäre wird als Stimmung beschrieben: "faint hum of fluorescent lights", "distant seagulls".

Googles eigener Beispielprompt zeigt das Muster: „A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it.'“ Das Dialogzitat erzeugt lippensynchrone Sprache, und „flickering“ plus „torchlight“ legen den Raumklang an.

Halte gesprochene Sätze kurz. In unseren Tests läuft alles über etwa ein Dutzend Wörter pro Satz Gefahr, dass das Ende in einem 8-Sekunden-Clip abgeschnitten oder durchgehetzt wird. Und schreib Dialog für eine oder zwei Personen, nicht für eine Menge; überlappende Stimmen klingen matschig.

Auf BananaBanana ist Audio ein Schalter und wird separat bepreist, weil Google es separat abrechnet: Ein 8-Sekunden-Clip mit Veo 3.1 Fast kostet $0.70 ohne Ton oder $1.00 mit Audio in 720p oder 1080p. Die Demos oben sind absichtlich stumm, und das ist der ehrliche Spartipp, wenn ein Clip ohnehin für stummes Autoplay gedacht ist. (Wenn du standardmäßig auf jedem Clip Ton willst, geht das Omni-Flash-Modell den umgekehrten Weg: Audio immer an, abgerechnet mit $0.10 pro Sekunde.)

Negativprompts, Dauer und was Veo 3.1 kostet

Die Lage bei Negativprompts ist wirklich verwirrend, deshalb hier, was wir von der API-Seite sehen. Die Docs der Gemini API zu Veo 3.1 dokumentieren keinen Parameter für Negativprompts. Googles Veo API akzeptiert aber negativePrompt, und in unseren Generierungen steuert er die Ausgabe messbar. Das Feld gibt es in unserem Generator also, und es funktioniert; erwarte nur nicht, dass es sich wie ein harter Filter verhält.

Für Negatives gilt eine kontraintuitive Regel aus Googles Prompt-Leitfaden: Schreib nie „no“ oder „don't“ in das Negativfeld. Zähl die unerwünschten Dinge als einfache Substantive auf. „Cartoon, low quality, text overlay, watermark“ funktioniert; „no cartoons“ kann nach hinten losgehen, weil das Wort „cartoon“ trotzdem im Spiel ist.

Dauer und Formate, laut Googles Docs und unserem Produktiv-Setup: Clips laufen 4, 6, 7 oder 8 Sekunden in 16:9 oder 9:16, mit Ausgabe in 720p, 1080p und 4K. Referenzbilder brauchen die vollen 8 Sekunden; 1080p und 4K rendern in jeder der vier Längen, die Verlängerung ebenso. Die Verlängerung ist Veos unterschätzte Funktion: Jede Anfrage hängt 7 Sekunden an, bis zu 20-mal, und so kommst du mit einer einzigen Prompt-Kette über zwei Minuten.

Aktuelle Preise auf BananaBanana für einen 8-Sekunden-Clip in 720p:

Ein 4-Sekunden-Clip mit Lite ohne Ton kostet $0.10, und das Startguthaben, das jedes neue Konto bekommt, reicht für zwei davon. Dein erstes Veo-Video kostet also nichts, und ehrlich gesagt ist Lite in 720p gut genug, um die Prompt-Struktur zu lernen, bevor du echtes Geld für Fast oder das volle Modell ausgibst. Das vollständige Preisraster steht auf der Preisseite.

Mein Standard-Workflow: Den Prompt auf Lite entwerfen, iterieren, bis Bewegung und Bildaufbau sitzen, und den finalen Prompt dann einmal auf Fast oder Veo 3.1 laufen lassen. Die Qualität des Prompts überträgt sich fast perfekt zwischen den Stufen; bezahlt wird die Renderqualität.

FAQ

Was ist die beste Prompt-Struktur für Veo 3.1?

Motiv, Handlung, Stil, Kamera, Bildaufbau, Objektiv, Atmosphäre, ungefähr in dieser Reihenfolge. Eine kompakte Vorlage: „[shot type] of [subject] [action] in [setting], [camera move], [lens], [lighting]“. Konkrete Substantive schlagen Adjektive, und eine Kamerabewegung pro Clip schlägt drei.

Unterstützt Veo 3.1 Negativprompts?

In der Veo API selbst ja: Der Parameter negativePrompt wird akzeptiert und funktioniert, auch wenn die Docs der Gemini API ihn für Veo 3.1 nicht aufführen. Schreib Negatives als einfache Substantive („cartoon, blurry, watermark“), nie als Sätze nach dem Muster „no X“.

Wie bringe ich Veo 3.1 zum Sprechen?

Setz den Satz in Anführungszeichen und ordne ihn im Prompt einer sprechenden Person zu: A woman whispers, "We're not alone." Kurze Sätze synchronisiert Veo gut mit den Lippen; halte den Dialog unter etwa einem Dutzend Wörtern pro Clip.

Wie lang kann ein Veo-3.1-Video sein?

Basisclips dauern 4 bis 8 Sekunden. Mit Verlängerung (7 zusätzliche Sekunden pro Anfrage, laut Googles Docs bis zu 20 Verlängerungen) erreicht eine einzelne Kette 148 Sekunden in 720p.

Was kostet ein Veo-3.1-Video?

Auf BananaBanana von $0.10 (4 Sekunden Veo 3.1 Lite ohne Ton in 720p) bis $4.40 (8 Sekunden Veo 3.1 in 4K mit Audio). Der übliche Mittelweg, ein 8-Sekunden-Clip mit Fast ohne Ton, kostet $0.70.