Veo 3.1 终极提示词使用指南：教你如何像导演一样，用文字“指挥”AI 生成带声音的视频
把生成视频当拍片：先想清楚镜头怎么走、光从哪来、声音是什么。这份指南把导演的工作方法翻译成提示词。
- 核心功能先过一遍：图生视频、多镜头角色一致性、音画同步。
- 镜头语言那节最值钱——推拉摇移这些词模型是认的，用对了画面立刻不一样。
- 声音控制单独讲，这是很多人完全没用上的一半能力。
- 负向提示教你怎么说「不要什么」，这往往比说「要什么」更管用。
- 整套镜头语言是电影行业通用的，换视频模型照样能用。
Google Veo 3.1 可把文本或图像变成带音频的高清视频。 比上一代更擅长理解故事结构、控制角色一致性、生成高质量音画。
- 能做什么：
- 从图像生成视频（image-to-video）
- 让人物和风格在多镜头中保持一致
- 生成带声音、对话、环境音的视频
- 在视频中添加或删除物体
- 通过“起始帧+结束帧”制作自然转场
在生成式视频的世界里，我们曾经历过“Prompt and Pray”的阶段——输入一段文字，然后祈祷结果够好。 但现在，这个时代结束了。
Veo 3.1 是 Google 最新的 AI 视频生成模型，它不只是“帮你生成”，而是让你真正掌控创意。 你可以像导演一样，通过文字控制镜头语言、人物动作、场景氛围，甚至背景音效。
这篇文章是一份实战指南，教你如何用提示词（Prompt）精准“指挥” Veo 3.1，让 AI 理解你的导演意图。
📚 本指南将帮助你学习：
- 了解 Veo 3.1 在 Vertex AI 上的全部能力范围；
- 掌握一个用于保持角色与风格一致的提示词公式；
- 使用专业的电影镜头语言来指导视频与声音；
- 结合 Gemini 2.5 Flash Image（Nano Banana） 创建复杂的多步骤生成工作流。
🔍 Veo 3.1 的核心功能
🎬 基础生成能力
- 分辨率：720p 或 1080p。
- 视频长度：4、6 或 8 秒。
- 画幅比例：16:9 或 9:16（横屏/竖屏）。
- 音频生成：支持多角色对话、环境音效、同步声效。
- 叙事理解：模型可理解场景、情感、镜头语言，生成更自然的故事节奏。
🧩 高级创意控制
- Image-to-Video：从参考人物、物体、地点、道具等组合图像素材生成视频。
veo-3-1-ingredients-to-video-1080-ytshorts.savetube.me.mp4
- Ingredients-to-Video：上传参考图片以保持人物或场景一致性和叙事控制（含音频）。
veo-3-1-and-more-artistic-control-in-flow-1080-ytshorts.savetube.me.mp4
- First & Last Frame：输入起始与结束帧，生成自然过渡动画。
veo-3-1-frames-to-video-1080-ytshorts.savetube.me.mp4
- Add/Remove Object：在视频中添加或移除物体（当前基于 Veo 2，不含音频）。
veo-3-1-add-and-remove-objects-to-your-scene-1080-ytshorts.savetube.me.mp4
- SynthID 数字水印：自动标记为 AI 生成内容。✍️ 五步提示词公式
Veo 3.1 推荐使用以下结构编写提示词，以获得更一致的高质量结果：
[Cinematography] + [Subject] + [Action] + [Context] + [Style & Ambiance]
镜头类型 + 主体 + 动作 + 环境 + 风格氛围
🎥 示例 Example Prompt（中英对照）
English:
Medium shot, a tired corporate worker, rubbing his temples in exhaustion, in front of a bulky 1980s computer in a cluttered office late at night. The scene is lit by the harsh fluorescent overhead lights and the green glow of the monochrome monitor. Retro aesthetic, shot as if on 1980s color film, slightly grainy.
中文翻译：
中景，一位疲惫的上班族，在深夜杂乱的办公室中，坐在一台笨重的1980年代电脑前揉着太阳穴。场景由刺眼的荧光灯与显示器的绿色光芒照亮。复古风格，仿佛用80年代彩色胶片拍摄，略带颗粒感。 retro-video-generated-with-veo-3-1-720-ytshorts.savetube.me.mp4
🎬 专业导演级提示技巧
🎥 镜头语言的力量
[Cinematography] 是传达情绪与基调的关键。
Camera movement（镜头运动）：
- Dolly shot（推轨镜头）
- Tracking shot（跟拍）
- Crane shot（升降镜头）
- Aerial view（空拍）
- POV shot（主观镜头）
Crane shot example（摇臂镜头示例）
Crane shot starting low on a lone hiker and ascending high above, revealing they are standing on the edge of a colossal, mist-filled canyon at sunrise, epic fantasy style, awe-inspiring, soft morning light. 升降镜头从一位孤独登山者的脚下缓缓升起，露出他们正站在巨大的薄雾峡谷边缘，黎明时分，史诗奇幻风格，柔和的晨光令人震撼。 crane-shot-generated-with-veo-3-1-720-ytshorts.savetube.me.mp4
常用构图术语： Wide shot（大全景）、Close-up（特写）、Extreme close-up（超特写）、Low angle（低角度）、Two-shot（双人镜头）。 | 镜头焦距与景深： Shallow depth of field（浅景深）、Wide-angle lens（广角）、Soft focus（柔焦）、Macro lens（微距）、Deep focus（深景深）。
Shallow depth of field example（浅景深示例）
Close-up with very shallow depth of field, a young woman's face, looking out a bus window at the passing city lights with her reflection faintly visible, at night during a rainstorm, melancholic mood with cool blue tones, moody, cinematic. 浅景深特写镜头：一名年轻女子望着公交车窗外流动的城市灯光，窗玻璃上隐约映出她的倒影。夜晚下雨，冷蓝色调，忧郁氛围，电影感十足。 woman-looking-out-a-bus-window-1080-ytshorts.savetube.me.mp4
🔊 声音控制 Directing the Soundstage
Veo 3.1 能根据文本生成完整的声场，例如：
- Dialogue（对白）： 使用引号表示具体台词，例如：A woman says, “We have to leave now.”（一名女子说：“我们现在必须离开。”）
- Sound Effects / SFX（音效）： 清晰描述声音类型，例如：SFX: thunder cracks in the distance（音效：远处传来雷声）。
- Ambient noise（环境音）： 描述背景声音，例如：Ambient noise: the quiet hum of a starship bridge（环境音：飞船指挥舱的低沉嗡鸣）。
🚫 负向提示 Mastering Negative Prompts
用否定描述精确控制输出。 ✅ “a desolate landscape with no buildings or roads” ⛔ 不推荐：“no man-made structures”
💡 提示增强 Prompt Enhancement with Gemini
如果提示词过于简单，可用 Gemini 模型 丰富语言与视觉描述，让场景更具电影感。
🎨 高级创意工作流 Advanced Creative Workflows
单条提示词可以完成一个短片，但多步骤的工作流能让你实现更复杂、可控的创作。 以下示例展示如何结合 Veo 3.1 与 Gemini 2.5 Flash Image（Nano Banana） 来执行多阶段创意。
🎞 Workflow 1：First & Last Frame 动态过渡
利用首尾帧创建镜头平滑转换。
此技巧可在两个视角之间创建流畅的相机运动或画面变换。
- 第一步：用 Gemini 2.5 Flash Image 生成首帧图像
- 第二步：生成结尾图像（可为不同视角）
- 第三步：在 Veo 中描述转场及音效
步骤 1：生成起始画面（Gemini 2.5 Flash Image 提示词） Prompt / 提示词： Medium shot of a female pop star singing passionately into a vintage microphone. She is on a dark stage, lit by a single spotlight. Photorealistic, cinematic. 中景镜头：一名流行女歌手激情地对着复古麦克风演唱。黑暗舞台上仅有一道聚光灯照亮。写实风格，具电影质感。
步骤 2：生成尾帧画面（Gemini 2.5 Flash Image 提示词） Prompt / 提示词： POV shot from behind the singer on stage, looking out at a cheering crowd, stage lights bright, lens flare visible, energetic atmosphere. 主观视角镜头：从歌手身后俯瞰台下欢呼的观众，舞台灯光明亮，镜头有光晕效果，充满能量感。
步骤 3：用 Veo 生成过渡动画 Veo 3.1 Prompt Example： The camera performs a smooth 180-degree arc shot, starting with the front-facing view of the singer and circling around her to seamlessly end on the POV shot from behind her on stage. 镜头以平滑的180度弧线运动，从正面视角环绕歌手，最后衔接到舞台后方的POV视角。 pop-star-singing-1080-ytshorts.savetube.me.mp4
🎭 Workflow 2：Ingredients-to-Video 对话场景
使用角色与场景参考图，生成一致风格的对话镜头。
此流程适合制作多镜头的对话场景，可通过参考素材保持角色一致性。
步骤 1：生成角色与场景图像（Gemini 2.5 Flash Image） 创建侦探、女子与办公室的独立参考图。
步骤 2：组合成完整场景（Ingredients to Video） Prompt / 提示词 1： Using the provided images for the detective, the woman, and the office setting, create a medium shot of the detective behind his desk. He says, “Of all the offices in this town, you had to walk into mine.” 根据提供的侦探、女子和办公室素材，生成中景镜头：侦探坐在办公桌后，抬头说道：“在这座城市的所有办公室里，你偏偏走进了我的。” detective-film-1080-ytshorts.savetube.me.mp4
Prompt / 提示词 2： Using the same references, focus on the woman. She smiles faintly and replies, “You were highly recommended.” 同样的素材，镜头转向女子，她微笑着答道：“你可是被人极力推荐的。” noir-multi-shot-scene-720-ytshorts.savetube.me.mp4
示例：
Using the provided images for the detective, the woman, and the office setting, create a medium shot of the detective behind his desk. He looks up at the woman and says in a weary voice, "Of all the offices in this town, you had to walk into mine." 使用提供的侦探、女子及办公室图像，生成侦探坐在桌后、疲惫地抬头说出那句经典台词的镜头。
⏱ Workflow 3：Timestamp Prompting 时间轴控制
通过时间段控制镜头节奏，在单次生成中实现多镜头叙事。
可为每个时间片段定义镜头与音效。
Prompt / 提示词示例：
[00:00-00:02] Medium shot from behind a young female explorer pushing aside vines to reveal a hidden path.
[00:02-00:04] Reverse shot of her awed face gazing at ancient ruins. SFX: leaves rustle, birds call.
[00:04-00:06] Tracking shot as she enters the clearing, touching carvings. Emotion: wonder.
[00:06-00:08] High-angle crane shot revealing vast temple ruins. SFX: soft orchestral music.
译文：
[00:00-00:02] 从背后中景拍摄：年轻女探险者拨开藤蔓，露出隐藏的小路。
[00:02-00:04] 反打镜头：她满怀惊叹地凝视远处的古老遗迹。音效：树叶摩擦、鸟鸣。
[00:04-00:06] 跟拍镜头：她走入空地，抚摸石壁雕纹。情绪：敬畏。
[00:06-00:08] 高角度摇臂镜头：俯视被丛林吞噬的庞大神庙。音效：柔和交响乐渐起。开始使用 Veo 3.1
现在你已经具备了“AI 导演”的全部工具。 Veo 3.1 目前已在 Google Cloud Vertex AI 平台提供预览版，开发者可以通过 API 集成，创建属于自己的 AI 视频创作系统。
最好的学习方法，就是亲手去试。
🙏 致谢 Acknowledgements
特别感谢 Anish Nangia、Sabareesh Chinta、Wafae Bakkali 为客户提供提示词指导的贡献。
原文：https://cloud.google.com/blog/products/ai-machine-learning/ultimate-prompting-guide-for-veo-3-1