Veo 3.1 提示词指南：写出真正有效的提示词
实用的 Veo 3.1 提示词指南：七要素结构、镜头运动术语、音频提示，以及低至每部视频 $0.10 的真实前后对比视频。
Veo 3.1 提示词是一段简短的场景描述，用于告诉 Google 的视频模型要拍摄什么以及如何拍摄。模型会将你的文本视作一份“导演简报”：它们会从中读取主体、动作、风格、镜头运动、构图、镜头选择和光影，然后用自己的推测来填补你未指定的空白。写好提示词的核心在于：减少让模型猜测的空间。
如果你只想看一段话的极速版：描述一个主体做一个动作，然后加入镜头。一个实用的模板是："[shot type] of [subject] [doing action] in [setting], [camera movement], [lens or focus], [lighting and mood]"。仅仅养成“加上镜头和光影”这一个习惯，就能抹平枯燥片段与可用素材之间的大部分差距。以下是具体的细节和实证。
自我们推出视频生成功能以来，我每天都在 BananaBanana 上运行 Veo 3.1。懒人提示词与结构化提示词之间的差距，在这里比在我用过的任何图像模型中都要大。图像会宽容模糊，而视频则会加倍惩罚模糊——一次在画面上，一次在动作里。
什么是优秀的 Veo 3.1 提示词？
根据 Google 的 Veo 官方文档，一个强大的提示词包含七个要素：主体（Subject）、动作（Action）、风格（Style）、相机定位（Camera positioning）、构图（Composition）、焦距和镜头效果（Focus and lens effects）以及氛围（Ambiance）。你不需要每次都用齐这七个要素，但你需要清楚自己忽略了哪些，因为模型会即兴发挥剩余的部分。
| 要素 | 控制内容 | 示例词组 |
|---|---|---|
| Subject | 画面中出现的人物或事物 | "an elderly potter with clay-stained hands" |
| Action | 视频片段中发生的事情 | "shaping a bowl on a spinning wheel" |
| Style | 整体美学风格 | "cinematic documentary style" |
| Camera | 相机位置和镜头运动 | "slow dolly-in at eye level" |
| Composition | 画幅构图 | "close-up" |
| Lens / focus | 光学特征（如虚化） | "shallow depth of field" |
| Ambiance | 光影与色彩氛围 | "warm window light, dust in the air" |
要素s的顺序并不像人们想象的那样重要。我通常会把主体和动作放在最前面，因为这是模型的理解锚点，然后把镜头运动和光影放在最后。更重要的是具体性：写下 “a horse” 相当于让模型在 40 种马匹中扔硬币决定，而 “a chestnut Arabian horse”（一匹栗色阿拉伯马）则不会留给模型随机的选择。
一个诚实的警示：Veo 3.1 在 Google 端有一个提示词重写器（Prompt rewriter），会在生成前扩写简短的提示词，而且你无法完全看到它添加了什么。简短的提示词有时会带回你从未要求过的细节。亲自写明细节，才是把决策权从重写器手中夺回的方法。
如何在 Veo 3.1 中控制镜头？
镜头语言是 Veo 3.1 提示词中最具杠杆效应的部分，也是大多数人忽略的部分。模型能理解标准的电影拍摄词汇，因此请直接、字面地使用它们。
相机位置：aerial view（航拍）、eye-level（平视）、low-angle shot（低角度仰拍）、top-down shot（自上而下俯拍）、over-the-shoulder（过肩镜头）。镜头运动：dolly in or out（推拉镜头）、tracking shot（跟镜头/移动拍摄）、pan left or right（左/右摇镜头）、tilt up（仰摇镜头）、slow zoom（慢速变焦）、POV shot（主观视角）。构图：extreme close-up（特写/微距）、close-up（近景）、medium shot（中景）、wide shot（远景）、establishing shot（全景定场镜头）。光学特性：shallow focus（浅焦/浅景深）、deep focus（深焦/全景深）、macro lens（微距镜头）、wide-angle lens（广角镜头）、soft focus（柔焦）。
根据我们的视频生成经验，有两条非常实用的规则。第一，每段剪辑只指定一个镜头运动。一个要求“摇镜头然后推进紧接着仰摇”的提示词，通常只会让你随机得到这三种动作之一，或者得到一个模糊折中的效果。片段只有 4 到 8 秒，只够容纳一个执行完美的镜头运动。第二，当两者冲突时，动作动词会胜过相机名词。如果你的主体在“全力奔跑（sprints）”，但相机指令是“静态远景（static wide shot）”，那么模型会优先表现奔跑，并无论如何都会移动相机。请让两者保持一致。
光影的处理方式也是一样：像电影摄影师那样去命名。诸如 “Golden hour backlight”（黄金时刻逆光）、“cool blue moonlight”（冷蓝色月光）、“harsh overhead fluorescent”（刺眼的头顶荧光灯）和 “flickering torchlight”（摇曳的火把光）都能被模型可靠地识别。而类似 “beautiful lighting”（美丽光影）这种模糊的形容词，在模型眼里等于不存在。
前后对比：同一个创意，两段提示词
空谈无益，让我们来看在 BananaBanana 上使用 Veo 3.1 Fast 生成的同一个场景。视频无声，时长 6 秒，分辨率 720p。这两个演示片段的总成本仅约 $1。
首先，是大家第一天上手时通常会写的提示词。仅仅是 “A horse running on a beach”：
效果还可以。但请注意，模型自己决定选择了日落场景，这就是提示词重写器在替你做决定。构图保持在很远的远景，镜头没有明确的目的，而这一切都不是你选择的。现在，用七要素结构重写同一个创意：“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”：（一匹栗色阿拉伯马在黄金时刻沿着湿漉漉的沙滩奔驰，蹄子踢起海水浪花，低角度跟镜头伴随马匹移动，浅焦/浅景深，落日带来的温暖逆光轮廓光）：
同样的主体，同一个模型，同样的价格。第二段视频拥有精心设计的镜头运动、一致的光线方向以及迎光飞溅的浪花，这些都是因为提示词中写明了字句，而非凭运气得来。
在制作这个演示时，有一个教训让我多付出了两次重新生成的代价：该提示词的早期版本以 “cinematic 35mm look” 结尾，而 Veo 字面上理解了胶片引用，在画面中直接渲染出了固定的黑色上下遮幅（letterbox bars）。重复出现了两次。像 “35mm”、“anamorphic” 或 “cinematic film look” 这样的风格词汇可能会拉入整个宽银幕表现形式，连带遮幅条也一起画出来。如果你想要那种氛围但不需要遮幅，请直接描述光线和镜头行为，省去电影胶片类的词汇。
如果你是从一张照片而非纯文本开始，机制会发生一些变化（你的图像会锁定第一帧，提示词只负责描述运动）。我们在单独的 图生视频指南 中介绍了该工作流程。
如何在 Veo 3.1 中添加音频提示词？
Veo 3.1 可以生成原生音频。根据 Google 文档，在 API 中它是默认开启的：包含与画面同步的对话、音效和环境噪声。你可以通过不同的文本约定来分别控制它们。
- 对话放在双引号中，并附带发言者：A man murmurs, "This must be it."（一个男人低语道：“应该就是这里了。”）
- 音效则作为事件来陈述：“tires screeching”（轮胎刺耳的摩擦声）、“waves crashing against rocks”（海浪拍打岩石的声音）。
- 环境噪音则作为氛围进行描述：“faint hum of fluorescent lights”（荧光灯微弱的嗡嗡声）、“distant seagulls”（远处海鸥的叫声）。
Google 自己的提示词示例展示了这一模式：“A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it.'” 引号内的对话会生成对口型的语音，而 “flickering” 和 “torchlight” 则定下了房间的背景音调。
保持口语台词简短。在我们的测试中，每行如果超过大约 12 个单词，在 8 秒的剪辑中就有可能导致结尾被切断或显得过于仓促。而且对话最好只安排一到两个发声者，而不是一群人，否则重叠的声音听起来会很嘈杂。
在 BananaBanana 上，音频生成是一个开关，并且因为 Google 单独计费，所以它也是单独定价的：在 720p 或 1080p 分辨率下，一个 8 秒的 Veo 3.1 Fast 视频片段无声版为 $0.70，带声音版为 $1.00。上面的演示视频特意制作成了无声版，在视频注定要在静音下自动播放的情况下，这显然是更省钱的实在之举。（如果你希望默认让每个片段都有声音，Omni Flash 模型 采取了相反的策略：音频始终开启，按每秒 $0.10 计费。）
反向提示词、时长与 Veo 3.1 资费
反向提示词的情况确实令人困惑，所以这是我们从 API 端看到的事实。用于 Veo 3.1 的 Gemini API 文档中并没有记录反向提示词参数。然而，BananaBanana 运行的 Vertex AI 终结点确实接受 negativePrompt，并且在我们的生成测试中，它能够明显引导输出方向。所以该字段在我们的生成器中是存在且起效的；只是不要指望它的表现会像一个硬性过滤网那样绝对。
编写反向提示词有一个来自 Google 提示词指南 极其反直觉的规则：千万不要在反向输入框中写入 “no” 或 “don't”。请把不想要的事物作为普通名词直接列出。“Cartoon, low quality, text overlay, watermark” 这样的列举很有效；而写成 “no cartoons” 反而可能适得其反，因为 “cartoon” 这个词依然包含其中。
根据 Google 的文档和我们的生产环境设置，视频时长和画幅格式为：支持 16:9 或 9:16 画幅下的 4、6、7 或 8 秒视频，输出分辨率有 720p、1080p 和 4K。1080p、4K、参考图和视频延长（extension）均要求 8 秒的基础视频长度。延长是 Veo 极易被忽视的强大功能：每次请求会增加 7 秒，最多可以重复 20 次，这就是你如何通过一个提示词链生成超过两分钟视频的秘诀。
目前 BananaBanana 一个 8 秒 720p 片段的资费如下：
| 模型 | 无声版 | 带声音版 |
|---|---|---|
| Veo 3.1 Lite | $0.20 | $0.36 |
| Veo 3.1 Fast | $0.70 | $1.00 |
| Veo 3.1 | $1.40 | $3.00 |
一个 4 秒的 Lite 无声片段价格为 $0.10，而每个新账户获得的免费余额足够生成两个这样的片段。所以你的第一个 Veo 视频不需要花一分钱。说实话，在你在 Fast 或完整模型上花真金白银之前，720p 下的 Lite 模型完全足够你用来摸索提示词的结构。完整的资费表可以在 价格页面 上找到。
我个人的默认工作流：先在 Lite 上起草提示词，反复测试迭代直到动作和镜头稳定，然后将最终提示词在 Fast 或 Veo 3.1 上重新跑一次。提示词的优劣能完美地跨层级通用；你所支付的价格，本质上是在为渲染画质买单。
常见问题（FAQ）
Veo 3.1 最佳的提示词结构是什么？
大致顺序为：主体、动作、风格、相机、构图、镜头、氛围。简明模板："[shot type] of [subject] [action] in [setting], [camera move], [lens], [lighting]"。具体名词优于形容词，且每段片段一个镜头运动优于三个。
Veo 3.1 支持反向提示词吗？
在 Vertex AI 上是支持的：模型接受 negativePrompt 参数并且确实有效，尽管 Gemini API 文档中没有针对 Veo 3.1 列出它。请以纯名词形式书写反向词（例如 “cartoon, blurry, watermark”），切勿写成带有 “no X” 的否定句。
如何让 Veo 3.1 生成语音？
将台词放在引号中，并在提示词里将其与说话者关联起来：A woman whispers, "We're not alone."。Veo 对短台词的对口型效果很好；请让每段视频片段的对话控制在 12 个单词以内。
一部 Veo 3.1 视频最长可以多长？
基础片段为 4 到 8 秒。通过视频延长功能（每次请求增加 7 秒，根据 Google 的文档最多支持 20 次延长），单个提示词链在 720p 分辨率下最高可达到 148 秒。
生成一部 Veo 3.1 视频需要多少钱？
在 BananaBanana 上，价格区间从 $0.10（4 秒无声 720p 的 Veo 3.1 Lite）到 $4.40（带音频的 8 秒 4K 版 Veo 3.1）。处于中间档默认推荐的 8 秒无声 Fast 片段，资费为 $0.70。