Гайд по промптах для Veo 3.1: як писати дієві запити

Промпт для Veo 3.1 — це короткий опис сцени, який пояснює відеомоделі від Google, що саме знімати і як. Моделі сприймають ваш текст як режисерський бриф: вони виокремлюють із нього об'єкт, дію, стиль, роботу камери, композицію, вибір об'єктива та освітлення, а всі інші деталі додумують самі. Суть створення гарних промптів зводиться до того, щоб залишити нейромережі якомога менше простору для здогадок.

Коротка версія для тих, хто хоче вловити суть за один абзац: опишіть один об'єкт, який виконує одну дію, а потім додайте опис роботи камери. Робочий шаблон виглядає так: "[shot type] of [subject] [doing action] in [setting], [camera movement], [lens or focus], [lighting and mood]". Проста звичка прописувати ракурс камери та світло усуває більшу частину різниці між нудним кадром і якісним відео. Все, що написано нижче — це деталі та докази.

Я тестую Veo 3.1 на BananaBanana щодня з моменту запуску генерації відео. Різниця між поспіхом написаним промптом і структурованим запитом тут помітна сильніше, ніж у будь-якій з генеративних моделей для зображень. Картинки ще прощають неточності, а от відео карає за розмиті формулювання двічі: спочатку в самому кадрі, а потім у його динаміці.

З чого складається хороший промпт для Veo 3.1?

Згідно з документацією Google по Veo, ефективний промпт включає сім складових: об'єкт, дію, стиль, положення камери, композицію, налаштування об'єктива та фокуса, а також загальну атмосферу. Використовувати всі сім параметрів у кожному запиті необов'язково. Проте важливо розуміти, які саме пункти ви пропускаєте, адже все інше модель додумає на власний розсуд.

Порядок слів у запиті відіграє меншу роль, ніж зазвичай вважають. Зазвичай я ставлю об'єкт і дію на початок, оскільки модель спирається саме на них, а опис камери та світла переношу в кінець. Набагато важливіша конкретика: якщо ви напишете просто "a horse", модель обиратиме з сорока порід навмання, а от із "a chestnut Arabian horse" (гнідий арабський скакун) вибір буде однозначним.

Чесне попередження. На стороні Google у Veo 3.1 працює оптимізатор (prompt rewriter), який автоматично розширює короткі запити перед генерацією, до того ж ви не можете побачити, що саме він додав. Через це у роликах за короткими промптами іноді з'являються деталі, про які ви не просили. Якщо ви прописуєте нюанси самостійно, ви забираєте це рішення в автоматичного оптимізатора.

Як керувати камерою у Veo 3.1?

Опис руху камери — це найефективніший важіль керування в промптах для Veo 3.1, але саме його найчастіше упускають з виду. Модель чудово розуміє стандартну кінотермінологію, тому використовуйте її безпосередньо.

Для ракурсу та положення: aerial view (вигляд зверху/з дрона), eye-level (на рівні очей), low-angle shot (знизу вгору), top-down shot (строго зверху вниз), over-the-shoulder (з-за плеча). Для руху: dolly in / dolly out (наїзд або від'їзд камери), tracking shot (стеження за об'єктом), pan left / pan right (панорамування вліво/вправо), tilt up (нахил камери вгору), slow zoom (плавне зумування), POV shot (вигляд від першої особи). Для кадрування: extreme close-up (макро-план / надкрупний план), close-up (великий план), medium shot (середній план), wide shot (загальний план), establishing shot (установчий/панорамний кадр). Для оптики: shallow focus (розмитий фон / мала глибина різкості), deep focus (велика глибина різкості), macro lens (макрооб'єктив), wide-angle lens (ширококутний об'єктив), soft focus (м'який фокус).

Два практичних правила, які ми вивели на основі сотень генерацій. По-перше, використовуйте лише один рух камери на один ролик. Запит на кшталт "a pan that becomes a dolly-in and then tilts up" (панорама, що переходить у наїзд та нахил вгору), швидше за все, видасть один випадковий рух із трьох або незрозумілу суміш. Ролики тривають від 4 до 8 секунд — цього часу вистачає рівно на один якісний проліт. По-друге, дієслова руху сильніші за іменники камери, якщо вони суперечать один одному. Якщо об'єкт "sprints" (біжить щосили), але для камери задано "static wide shot" (статичний загальний план), модель віддасть пріоритет бігу і все одно змістить камеру. Стежте, щоб вони узгоджувалися.

З освітленням ситуація аналогічна: описуйте його так, як це зробив би професійний оператор. Запити на кшталт golden hour backlight (контурне світло в золоту годину), cool blue moonlight (холодне синє місячне світло), harsh overhead fluorescent (різке верхнє люмінесцентне світло), flickering torchlight (миготливе світло смолоскипа) працюють безвідмовно. Розмиті епітети на кшталт "beautiful lighting" (красиве освітлення) модель просто проігнорує.

До і після: одна ідея, два промпти

Слова коштують дешево, тому перейдемо до справи. Ось одна й та сама сцена, згенерована двічі за допомогою Veo 3.1 Fast на BananaBanana: без звуку, 6 секунд, роздільна здатність 720p. Вартість обох демо-роликів склала близько $1.

Спочатку базовий варіант, який усі пишуть у перший день: просто "A horse running on a beach" (кінь біжить по пляжу):

Вийшло непогано. Зверніть увагу, що модель сама додала захід сонця — це якраз робота автооптимізатора промптів. Кадрування залишилося загальним, камера статична, і ви на це ніяк не впливали. А тепер та сама ідея, але переписана за нашою схемою з семи елементів: "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" (Гнідий арабський скакун скаче по вологому піску в золоту годину, вибиваючи копитами бризки морської води; зйомка з нижньої точки, камера рухається паралельно коневі, мала глибина різкості, тепле контурне світло сонця, що заходить):

Той самий об'єкт, та сама модель, та сама ціна. Але в другому випадку ми отримали вивірений рух камери, чіткий напрямок світла та ефектні бризки води в контурному світлі. Все це з'явилося завдяки точним словам у промпті, а не випадковому везінню.

Один із висновків під час створення цього демо коштував мені двох зайвих генерацій: попередня версія промпту закінчувалася фразою "cinematic 35mm look", і Veo сприйняла згадку плівки буквально, вмонтувавши чорні смуги (letterbox) зверху та знизу кадру. Двічі. Стильові фрази на кшталт "35mm", "anamorphic" або "cinematic film look" можуть потягнути за собою весь формат класичного кіноекрана, включно з цими смугами. Якщо вам потрібна кінематографічна атмосфера, але без чорних смуг по краях, описуйте світло та поведінку об'єктива безпосередньо, уникаючи термінів плівкової епохи.

Якщо ви генеруєте відео на основі фото, а не текста, механіка трохи змінюється: зображення фіксує перший кадр, а промпт описує лише рух. Цей процес ми детально описали в керівництві з генерації відео із зображень.

Як генерувати звук у Veo 3.1?

Veo 3.1 вміє створювати вбудований звук, який, згідно з документацією Google, в API увімкнений за замовчуванням: діалоги, звукові ефекти та фонові шуми синхронізуються із картинкою. Для керування кожним типом звуку використовуються свої правила написання.

• Діалог пишеться в лапках і прив'язується до мовця: A man murmurs, "This must be it." (Чоловік шепоче: "Мабуть, це воно").
• Звукові ефекти вказуються як події: "tires screeching" (вереск шин), "waves crashing against rocks" (хвилі б'ються об скелі).
• Фонові шуми описуються як атмосфера: "faint hum of fluorescent lights" (слабке гудіння люмінесцентних ламп), "distant seagulls" (крики чайок удалині).

Приклад промпту від самого Google наочно показує цей шаблон: "A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it.'" (Крупний план: дві людини дивляться на загадковий малюнок на стіні при миготливому світлі смолоскипа. Чоловік шепоче: "Мабуть, це воно"). Текст у лапках перетворюється на мовлення із синхронізацією губ (lip-sync), а слова flickering та torchlight задають характерний фоновий шум приміщення.

Репліки мають бути короткими. За результатами наших тестів, якщо фраза перевищує десяток слів, її кінцівка у 8-секундному ролику може обірватися або прозвучати занадто поспішно. Також пишіть діалоги максимум для одного або двох персонажа, а не для натовпу — накладання голосів перетворюється на нерозбірливий гул.

На BananaBanana звук підключається окремим перемикачем, і його генерація тарифікується окремо, оскільки Google виставляє за неї окремий рахунок. Наприклад, 8-секундний ролик Veo 3.1 Fast у якості 720p або 1080p коштує $0.70 без звуку та $1.00 зі звуком. Демо-відео вище ми навмисно зробили беззвучними — це розумний спосіб заощадити бюджет, якщо ролики все одно відтворюватимуться в режимі автовідтворення з вимкненим звуком. (Якщо ж вам потрібен звук у кожному кліпі за замовчуванням, модель Omni Flash працює інакше: аудіо завжди увімкнене, а вартість становить $0.10 за секунду).

Негативні промпти, тривалість та вартість генерації у Veo 3.1

Ситуація з негативними промптами виглядає заплутаною, тому поділимося тим, що ми бачимо з боку API. Документація Gemini API для Veo 3.1 не містить згадок про параметр негативного промпту. Проте ендпоінт Vertex AI, на базі якого працює BananaBanana, приймає параметр negativePrompt, і в наших тестах він відчутно впливає на результат генерації. Тож це поле є в нашому генераторі й воно справно працює, просто не варто чекати від нього абсолютної точності жорсткого фільтра.

При складанні негативних промптів є одне неочевидне правило з рекомендацій Google щодо написання запитів: ніколи не використовуйте заперечення "no" або "don't" у полі негативного промпту. Просто перелічуйте небажані об'єкти іменниками. Список на кшталт "Cartoon, low quality, text overlay, watermark" спрацює чудово, а вот фраза "no cartoons" може дати зворотний ефект, оскільки саме слово "cartoon" усе ще присутнє в запиті.

Щодо тривалості та форматів, згідно з документацією Google та нашою робочою архітектурою: тривалість роликів становить 4, 6, 7 або 8 секунд із співвідношенням сторін 16:9 або 9:16, а на виході доступні роздільні здатності 720p, 1080p та 4K. Тривалість у 8 секунд обов'язкова для генерації в 1080p, 4K, при використанні референсних зображень та для функції продовження (extension). Продовження — це прихована суперсила Veo: кожен запит додає 7 секунд відео, і так можна робити до 20 разів. Завдяки цьому з одного ланцюжка промптів можна отримати ролик тривалістю понад дві хвилини.

Актуальні ціни на BananaBanana для 8-секундного ролика в якості 720p:

4-секундний беззвучний ролик на моделі Lite обійдеться всього в $0.10 — а вітального балансу, який отримує кожен новий акаунт, вистачить на два такі ролики. Тож ваше перше відео у Veo буде абсолютно безкоштовним. І, якщо чесно, якості Lite в 720p цілком достатньо, щоб освоїти структуру промптів, перш ніж витрачати баланс на Fast або флагманську модель. Повна сітка тарифів доступна на сторінці з тарифами.

Мій звичний процес роботи: спочатку я створюю чорновий промпт у Lite, доопрацьовую його доти, доки рух та кадрування не стануть стабільними, а потім запускаю фінальний варіант на Fast або повноцінній Veo 3.1. Якість промпту переноситься між версиями без спотворень — різниця полягає саме в якості фінального рендерингу, за яке ви і платите.

FAQ

Яка найкраща структура промпту для Veo 3.1?

Об'єкт, дія, стиль, камера, композиція, об'єктив, атмосфера — саме в такому порядку. Компактний шаблон виглядає так: "[shot type] of [subject] [action] in [setting], [camera move], [lens], [lighting]". Конкретні іменники завжди працюють краще за прикметники, а один рух кадру на ролик значно ефективніший за три.

Чи підтримує Veo 3.1 негативні промпти?

На платформе Vertex AI — так: параметр negativePrompt підтримується і працює, хоча в документації Gemini API для Veo 3.1 він не вказаний. Записуйте негативні промпти простими іменниками ("cartoon, blurry, watermark"), уникаючи заперечень на кшталт "no X".

Як змусити Veo 3.1 генерувати мовлення?

Вкажіть репліку в лапках і прив'яжіть її до персонажа прямо в тексті запиту: A woman whispers, "We're not alone." (Жінка шепоче: "Ми не самі"). Veo добре синхронізує губи з короткими фразами. Намагайтеся, щоб репліка не перевищувала десятка слів на один ролик.

Якої максимальної тривалості може бути відео у Veo 3.1?

Базові ролики тривають від 4 до 8 секунд. Завдяки функції продовження (кожен запит додає по 7 секунд, максимум до 20 продовжень згідно з документацією Google) один ланцюжок кадрів можна довести до 148 секунд у роздільній здатності 720p.

Скільки коштує одне відео у Veo 3.1?

На BananaBanana вартість варіюється від $0.10 (4-секундний беззвучний ролик на моделі Veo 3.1 Lite у 720p) до $4.40 (8-секундний ролик на флагманській Veo 3.1 зі звуком у 4K). Збалансований варіант за замовчуванням — 8 секунд без звуку на моделі Fast — обійдеться в $0.70.