Гайд по промптам для Veo 3.1: как писать рабочие запросы

Промпт для Veo 3.1 — это короткое описание сцены, которое объясняет видеомодели от Google, что именно снимать и как. Модели воспринимают ваш текст как бриф для режиссера: они вычленяют из него объект, действие, стиль, работу камеры, композицию, выбор объектива и освещение, а все неописанные детали додумывают сами. Суть качественного составления промптов сводится к тому, чтобы оставить как можно меньше места для догадок нейросети.

Короткая версия для тех, кто хочет уловить суть за один абзац: опишите один объект, выполняющий одно действие, а затем добавьте описание работы камеры. Рабочий шаблон выглядит так: "[shot type] of [subject] [doing action] in [setting], [camera movement], [lens or focus], [lighting and mood]". Обычная привычка прописывать ракурс камеры и свет устраняет бóльшую часть разницы между скучным кадром и качественным видео. Все, что написано ниже — это детали и доказательства.

Я тестирую Veo 3.1 на BananaBanana каждый день с момента запуска генерации видео. Разница между наспех написанным промптом и структурированным запросом здесь заметна сильнее, чем в любой из генеративных моделей для изображений. Картинки еще прощают неточности, а вот видео наказывает за размытые формулировки дважды: сначала в самом кадре, а затем в его динамике.

Из чего состоит хороший промпт для Veo 3.1?

Согласно документации Google по Veo, эффективный промпт включает семь составляющих: объект, действие, стиль, положение камеры, композиция, настройки объектива и фокуса, а также общая атмосфера. Использовать все семь параметров в каждом запросе необязательно. Но важно понимать, какие именно пункты вы пропускаете, ведь все недостающее модель додумает на свое усмотрение.

Порядок слов в запросе играет меньшую роль, чем принято считать. Обычно я ставлю объект и действие в начало, так как модель опирается именно на них, а описание камеры и света переношу в конец. Гораздо важнее конкретика: если вы напишете просто "a horse", модель будет выбирать из сорока пород наугад, а если "a chestnut Arabian horse" (гнедой арабский скакун) — выбор будет однозначным.

Честное предупреждение. На стороне Google в Veo 3.1 работает оптимизатор (prompt rewriter), который автоматически расширяет короткие запросы перед генерацией, причем вы не можете увидеть, что именно он добавил. Из-за этого в роликах по коротким промптам иногда появляются детали, о которых вы не просили. Если вы прописываете нюансы самостоятельно, вы забираете это решение у автоматического оптимизатора.

Как управлять камерой в Veo 3.1?

Описание движения камеры — это самый эффективный рычаг управления в промптах для Veo 3.1, но именно его чаще всего упускают из виду. Модель отлично понимает стандартную кинотерминологию, поэтому используйте ее напрямую.

Для ракурса и положения: aerial view (вид сверху/с дрона), eye-level (на уровне глаз), low-angle shot (снизу вверх), top-down shot (строго сверху вниз), over-the-shoulder (из-за плеча). Для движения: dolly in / dolly out (наезд или отъезд камеры), tracking shot (следование за объектом), pan left / pan right (панорамирование влево/вправо), tilt up (наклон камеры вверх), slow zoom (плавное зумирование), POV shot (вид от первого лица). Для кадрирования: extreme close-up (макро-план / сверхкрупный план), close-up (крупный план), medium shot (средний план), wide shot (общий план), establishing shot (установочный/панорамный кадр). Для оптики: shallow focus (размытый фон / малая глубина резкости), deep focus (большая глубина резкости), macro lens (макрообъектив), wide-angle lens (широкоугольный объектив), soft focus (мягкий фокус).

Два практических правила, которые мы вывели на основе сотен генераций. Во-первых, используйте только одно движение камеры на один ролик. Запрос в духе "a pan that becomes a dolly-in and then tilts up" (панорама, переходящая в наезд и наклон вверх), скорее всего, выдаст одно случайное движение из трех или невнятную смесь. Ролики длятся от 4 до 8 секунд — этого времени хватает ровно на один качественный пролет. Во-вторых, глаголы движения сильнее существительных, если они противоречат друг другу. Если объект "sprints" (бежит сломя голову), но для камеры задан "static wide shot" (статичный общий план), модель отдаст приоритет бегу и все равно сдвинет камеру. Следите, чтобы они сочетались.

С освещением та же история: описывайте его так, как это сделал бы профессиональный оператор. Запросы вроде golden hour backlight (контрмишень в золотой час), cool blue moonlight (холодный синий лунный свет), harsh overhead fluorescent (резкий верхний флуоресцентный свет), flickering torchlight (мерцающий свет факела) работают безотказно. Размытые эпитеты вроде "beautiful lighting" (красивое освещение) модель просто проигнорирует.

До и после: одна идея, два промпта

Слова стоят дешево, поэтому перейдем к делу. Вот одна и та же сцена, сгенерированная дважды с помощью Veo 3.1 Fast на BananaBanana: без звука, 6 секунд, разрешение 720p. Стоимость обоих демо-роликов составила около $1.

Сначала базовый вариант, который все пишут в первый день: просто "A horse running on a beach" (лошадь бежит по пляжу):

Получилось неплохо. Обратите внимание, что модель сама добавила закат — это как раз работа автооптимизатора промптов. Кадрирование осталось общим, камера статична, и вы никак на это не влияли. А теперь та же идея, но переписанная по нашей схеме из семи элементов: "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" (Гнедой арабский скакун скачет по мокрому песку в золотой час, выбивая копытами брызги морской воды; съемка с нижней точки, камера движется параллельно лошади, малая глубина резкости, теплый контровой свет заходящего солнца):

Тот же объект, та же модель, та же цена. Но во втором случае мы получили выверенное движение камеры, четкое направление света и эффектные брызги воды в контровом свете. Все это появилось благодаря точным словам в промпте, а не случайному везению.

Один из выводов при создании этого демо обошелся мне в две лишние генерации: прошлая версия промпта заканчивалась фразой "cinematic 35mm look", и Veo восприняла упоминание пленки буквально, встроив черные полосы (letterbox) сверху и снизу кадра. Дважды. Стилевые фразы вроде "35mm", "anamorphic" или "cinematic film look" могут потянуть за собой весь формат классического киноэкрана, включая эти полосы. Если вам нужна атмосфера кино, но без черных полос по краям, описывайте свет и поведение объектива напрямую, избегая терминов пленочной эпохи.

Если вы генерируете видео на основе фото, а не текста, механика немного меняется: изображение фиксирует первый кадр, а промпт описывает только движение. Этот рабочий процесс мы подробно описали в руководстве по генерации видео из изображений.

Как генерировать звук в Veo 3.1?

Veo 3.1 умеет создавать встроенный звук, который, согласно документации Google, в API включен по умолчанию: диалоги, звуковые эффекты и фоновые шумы синхронизируются с картинкой. Для управления каждым типом звука используются свои правила написания.

• Диалог пишется в кавычках и привязывается к говорящему: A man murmurs, "This must be it." (Мужчина шепчет: "Должно быть, это оно").
• Звуковые эффекты указываются как события: "tires screeching" (визг шин), "waves crashing against rocks" (волны бьются о скалы).
• Фоновые шумы описываются как атмосфера: "faint hum of fluorescent lights" (слабый гул люминесцентных ламп), "distant seagulls" (крики чаек вдали).

Пример промпта от самого Google наглядно показывает этот шаблон: "A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it.'" (Крупный план: два человека смотрят на загадочный рисунок на стене при мерцающем свете факела. Мужчина шепчет: "Должно быть, это оно"). Текст в кавычках превращается в речь с синхронизацией губ (lip-sync), а слова flickering и torchlight задают характерный фоновый шум помещения.

Реплики должны быть короткими. По результатам наших тестов, если фраза превышает десяток слов, ее концовка в 8-секундном ролике может оборваться или прозвучать слишком торопливо. Также пишите диалоги максимум для одного или двух персонажей, но не для толпы — наложение голосов превращается в неразборчивый гул.

На BananaBanana звук подключается отдельным переключателем, и его генерация тарифицируется отдельно, так как Google выставляет за нее отдельный счет. Например, 8-секундный ролик Veo 3.1 Fast в качестве 720p или 1080p стоит $0.70 без звука и $1.00 со звуком. Демо-видео выше мы намеренно сделали беззвучными — это разумный способ сэкономить бюджет, если ролики все равно будут воспроизводиться в режиме автоплея с выключенным звуком. (Если же вам нужен звук в каждом клипе по умолчанию, модель Omni Flash работает иначе: аудио всегда включено, а стоимость составляет $0.10 за секунду).

Негативные промпты, длительность и стоимость генерации в Veo 3.1

Ситуация с негативными промптами выглядит запутанной, поэтому поделимся тем, что мы видим со стороны API. Документация Gemini API для Veo 3.1 не содержит упоминаний о параметре негативного промпта. Однако эндпоинт Vertex AI, на базе которого работает BananaBanana, принимает параметр negativePrompt, и в наших тестах он ощутимо влияет на результат генерации. Так что это поле есть в нашем генераторе и оно исправно работает, просто не стоит ждать от него абсолютной точности жесткого фильтра.

При составлении негативных промптов есть одно неочевидное правило из рекомендаций Google по написанию запросов: никогда не используйте отрицания "no" (без) или "don't" (не) в поле негативного промпта. Просто перечисляйте нежелательные объекты существительными. Список вида "Cartoon, low quality, text overlay, watermark" сработает отлично, а вот фраза "no cartoons" может дать обратный эффект, поскольку само слово "cartoon" все еще присутствует в запросе.

По поводу длительности и форматов, согласно документации Google и нашей рабочей архитектуре: продолжительность роликов составляет 4, 6, 7 или 8 секунд с соотношением сторон 16:9 либо 9:16, а на выходе доступны разрешения 720p, 1080p и 4K. Длительность в 8 секунд обязательна для генерации в 1080p, 4K, при использовании референсных изображений и для функции продления (extension). Продление — это скрытая суперсила Veo: каждый запрос добавляет 7 секунд видео, и так можно делать до 20 раз. Благодаря этому из одной цепочки промптов можно получить ролик длительностью более двух минут.

Актуальные цены на BananaBanana для 8-секундного ролика в качестве 720p:

4-секундный беззвучный ролик на модели Lite обойдется всего в $0.10 — а приветственного баланса, который получает каждый новый аккаунт, хватит на два таких ролика. Так что ваше первое видео в Veo будет совершенно бесплатным. И, если честно, качества Lite в 720p вполне достаточно, чтобы освоить структуру промптов, прежде чем тратить баланс на Fast или флагманскую модель. Полная сетка тарифов доступна на странице с тарифами.

Мой привычный рабочий процесс: сначала я составляю черновой промпт в Lite, дорабатываю его до тех пор, пока движение и кадрирование не станут стабильными, а затем запускаю финальный вариант на Fast или полноценной Veo 3.1. Качество промпта переносится между версиями без искажений — разница заключается именно в качестве финального рендеринга, за которое вы и платите.

FAQ

Какова наилучшая структура промпта для Veo 3.1?

Объект, действие, стиль, камера, композиция, объектив, атмосфера — именно в таком порядке. Компактный шаблон выглядит так: "[shot type] of [subject] [action] in [setting], [camera move], [lens], [lighting]". Конкретные существительные всегда работают лучше прилагательных, а одно движение кадра на ролик гораздо эффективнее трех.

Поддерживает ли Veo 3.1 негативные промпты?

На платформе Vertex AI — да: параметр negativePrompt поддерживается и работает, хотя в документации Gemini API для Veo 3.1 он не указан. Записывайте негативные промпты простыми существительными ("cartoon, blurry, watermark"), избегая отрицаний вида "no X".

Как заставить Veo 3.1 генерировать речь?

Укажите реплику в кавычках и привяжите ее к персонажу прямо в тексте запроса: A woman whispers, "We're not alone." (Женщина шепчет: "Мы не одни"). Veo хорошо синхронизирует губы с короткими фразами. Старайтесь, чтобы реплика не превышала десятка слов на ролик.

Какой максимальной длины может быть видео в Veo 3.1?

Базовые ролики длятся от 4 до 8 секунд. Благодаря функции продления (каждый запрос добавляет по 7 секунд, максимум до 20 продлений согласно документации Google) одну цепочку кадров можно довести до 148 секунд в разрешении 720p.

Сколько стоит одно видео в Veo 3.1?

На BananaBanana стоимость варьируется от $0.10 (4-секундный беззвучный ролик на модели Veo 3.1 Lite в 720p) до $4.40 (8-секундный ролик на флагманской Veo 3.1 со звуком в 4K). Сбалансированный вариант по умолчанию — 8 секунд без звука на модели Fast — обойдется в $0.70.