Veo 3.1 是目前可控性最高的 AI 影片模型之一，但大多數人下提示詞的方式卻像在用搜尋引擎——幾個關鍵字、一個模糊的氛圍，然後在短片回來一片平庸時感到失望。這個模型獎勵的是另一種做法：像導演向攝影指導交代鏡頭那樣描述你的畫面，Veo 3.1 通常就能交出接近你想像的成果。
本指南是這個想法的實戰版本：對 Veo 3.1 穩定有效的提示詞結構、鏡頭、燈光與音訊指示、負向提示詞、種子值、起始影格與結束影格參考圖片，外加人人都會踩到的故障排除——主體變形、指令被忽略、對嘴失敗。每一項技巧都可以在我們的 Veo 3.1 生成器上測試，按次生成計點，新用戶有免費點數。
Veo 3.1 如何解讀提示詞
Veo 3.1 不會把你的提示詞當清單逐項打勾。它從整段描述建構出一個連貫的場景，矛盾會被默默化解——通常不是照你希望的方式。由此得出兩個實務結論。
**把最重要的放最前面。**Veo 3.1 對提示詞開頭的權重更高，所以把主體和核心動作放在最前面，把風格性的點綴留到最後。
**一個場景，一個提示詞。**單支短片只有 4、6 或 8 秒。把三個故事節拍塞進八秒只會產出倉促、糊成一團的動態——每次生成只寫一個清晰的節拍，然後在剪輯軟體裡串接短片。
六段式提示詞結構
最可靠的 Veo 3.1 提示詞公式有六個組成部分，大致按此順序：
- 主體——鏡頭的主角是誰或什麼，附 2–3 個具體的視覺細節（「一位六十多歲、銀髮、穿紅色羊毛大衣的女士」）。
- 動作——主體做的一件明確的事（「緩緩將咖啡倒進一個有缺口的陶瓷馬克杯」）。
- 場景——何地何時（「黎明時分昏暗的小餐館裡，雨水在她身後的窗上劃出痕跡」）。
- 鏡頭——景別與運動（「中特寫，緩慢推軌（dolly-in）」）。
- 燈光與風格——氛圍、色彩、電影語法（「溫暖的鎢絲主光、冷藍色的窗光、淺景深、35mm 底片質感」）。
- 音訊——我們聽到什麼（「輕柔的雨聲、陶瓷的碰撞聲、冰箱低沉的嗡嗡聲；不要音樂」）。
當一次 Veo 3.1 生成出問題時，缺的幾乎總是這六項之一。
Veo 3.1 聽得懂的電影詞彙
Veo 3.1 對真正的電影語言反應強烈。「cinematic」或「epic」這類模糊字眼作用不大；具體的術語作用很大。
| 提示詞元素 | 控制什麼 | 效果好的措辭 |
|---|---|---|
| 景別 | 構圖與親密感 | extreme wide shot（大遠景）、medium shot（中景）、close-up（特寫）、extreme close-up（大特寫） |
| 鏡頭運動 | 畫框的移動 | slow dolly-in（緩慢推軌）、handheld tracking shot（手持跟拍）、crane shot rising（升降鏡頭上升）、static locked-off shot（固定鎖定鏡頭）、orbit around subject（環繞主體） |
| 鏡頭與景深 | 光學特性 | shallow depth of field（淺景深）、85mm portrait lens（85mm 人像鏡頭）、wide-angle 24mm（24mm 廣角）、anamorphic lens flare（變形鏡頭光斑） |
| 燈光 | 氛圍與真實感 | golden hour backlight（黃金時刻逆光）、soft overcast light（柔和陰天光）、hard single-source key（硬質單一主光）、neon practicals（霓虹實景光源）、volumetric light through fog（穿透霧氣的體積光） |
| 風格 | 整體觀感 | shot on 35mm film（35mm 底片質感）、documentary style（紀錄片風格）、1970s film grain（1970 年代底片顆粒）、clean commercial look（乾淨的商業廣告感）、moody film noir（陰鬱黑色電影） |
| 音訊 | 聲音設計 | ambient street noise（街道環境音）、footsteps on gravel（踩碎石的腳步聲）、muffled crowd（模糊人聲）、以引號標註的角色對白、no music（不要音樂） |
鏡頭運動：選一種然後貫徹到底
最常見的 Veo 3.1 錯誤是堆疊鏡頭運動——「一個空拍鏡頭先推軌再左搖再升起」。每支短片選一種運動；如果需要兩種，那就是兩支短片。也別小看固定鏡頭：一個鎖定的畫框搭配強烈的主體動作，往往比晃動的虛擬鏡頭看起來更高級，而且 Veo 3.1 渲染時的瑕疵更少。
音訊指示是提示詞的一部分
Veo 3.1 生成原生音訊，而且會照字面理解音訊指示——你不提聲音，它就隨便猜一個。三個習慣有幫助：
- 點名環境音底：「遠處的車流與風聲」或「安靜的室內底噪」能讓場景落地。
- 對白放進引號並註明說話者：男人說：「我們一小時前就該走了。」十個字以內的台詞同步效果遠勝長篇大論。
- 明確說「不要音樂」，如果你打算自己配樂；否則 Veo 3.1 常會自作主張加配樂，事後很難乾淨移除。
Veo 3.1 的負向提示詞、種子值與參考圖片
在文字提示詞之外，Veo 3.1 給你三個控制桿，把隨便玩玩的人和真正出片的人區分開來。
負向提示詞：說出你不要的
負向提示詞列出要壓制的元素：文字覆蓋、浮水印、多餘的人、卡通化渲染、鏡頭晃動。用單純的名詞和形容詞來寫，不要寫成句子——「模糊、低解析度、字幕、扭曲的手」勝過「請不要弄得很模糊」。並記住：負向提示詞是清理反覆出現的瑕疵用的；它救不了一個含糊的主提示詞。
種子值：可重現性與受控變化
在 veo4.dev 上，Veo 3.1 接受選填的種子值。相同提示詞加相同種子值會產出高度相似的結果；只改種子值，就能在同樣的指示下得到一個全新版本。專業的工作流程是：固定種子值來迭代措辭，這樣你才知道每次修改造成了什麼差異；最後再變換種子值來生成多個版本、挑出最好的。
起始影格與結束影格參考圖片
Veo 3.1 支援同時使用起始影格和結束影格參考的圖片轉影片——這是這個模型最強的一致性工具：
- 只用起始影格：短片從你的圖片分毫不差地開始，向前演化。最適合讓角色、產品或品牌資產在一系列短片中保持一致。
- 起始加結束影格：Veo 3.1 會在兩張圖片之間插補出一條動態路徑——這就是做出刻意轉場的方法，例如第一格門是關的、最後一格門是開的。
使用參考圖片時，縮短文字提示詞。圖片已經承載了主體、場景和風格；你的文字應該主要描述動態和音訊。完整工作流程見我們的圖片轉影片指南。
長寬比與片長：下提示詞之前先決定
我們平台上的 Veo 3.1 可輸出 16:9 或 9:16、720p 或 1080p、4、6 或 8 秒短片——而這些選擇會改變你該怎麼寫提示詞。
**16:9（橫式）**適合定場鏡頭、對話場景和水平的鏡頭運動。**9:16（直式）**是 Shorts、Reels 和 TikTok 的正解——但要為它構圖：單一主體、置中構圖、垂直方向的動態，而不是把寬闊景色硬塞進手機螢幕。
至於片長，通常越短越銳利。4 秒的 Veo 3.1 短片在細節和連貫性上都比 8 秒的更穩，點數也更省。把 8 秒留給真正需要時間的鏡頭——緩慢的揭示、一句完整的對白、一個完整的鏡頭運動。最新點數費率在我們的定價頁面。
五個完整的 Veo 3.1 範例提示詞
每個範例都是可以直接貼上再修改的完整提示詞。注意它們如何遵循六段式結構。
1. 對白特寫（16:9，8 秒）
一位五十多歲、灰鬍子、穿橘色雨衣的漁夫特寫，黎明時分站在濕漉漉的碼頭上。他望向鏡頭後方說：「暴風雨來得比他們說的快。」固定鎖定鏡頭，淺景深。冷藍色的陰天光，背景有薄霧。音訊：輕柔的港灣浪聲、遠處的海鷗，他的聲音清晰貼近。不要音樂。
2. 產品主視覺鏡頭（16:9，4 秒）
一個霧面黑色無線耳機充電盒在白色大理石檯面上緩緩旋轉。上蓋平滑開啟，露出裡面的耳機。攝影棚場景，無縫淺灰背景。繞產品緩慢環繞，85mm 鏡頭，焦點銳利。柔和的擴散主光加細微輪廓光。音訊：上蓋開啟時安靜的機械喀噠聲、微弱的環境嗡鳴。不要音樂、不要文字、不要 logo。
3. 直式社群短片（9:16，6 秒）
一位深色捲髮、穿黃色雨衣的年輕女子，在夜晚下著雨的城市人行道上跳過一灘水，笑著。手持跟拍從側面跟隨她。霓虹店招倒映在濕漉漉的路面上，淺景深。鮮明飽和的調色。音訊：雨打路面聲、濺水的腳步聲、遠處車流、她短促的笑聲。
4. 起始影格圖片轉影片（使用你的產品或角色參考照片）
參考圖片中的角色把頭轉向窗戶，在陽光掠過她臉龐時微微一笑。固定中特寫，鏡頭不動。溫暖的午後光線緩緩移動。音訊：安靜的室內底噪、窗外的鳥鳴。不要音樂、不要對白。
5. 起始加結束影格轉場
從起始影格中闔上的筆記本，平滑過渡到結束影格中攤開的筆記本。一隻手從右側進入，以一個輕柔的動作翻開封面。木桌上的俯拍固定鏡頭，柔和的窗光從左側照入。音訊：紙張的沙沙聲、封面落下的輕響。不要音樂。
想要更完整的實測提示詞庫，見我們的最佳提示詞合集和更全面的 Veo 提示詞指南。
Veo 3.1 常見失敗的故障排除
再好的提示詞偶爾也會失敗。以下是常見失敗的修法。
主體變形與扭曲
當臉孔融化或物體在短片中途改變形狀，常見原因是同時發生的動態太多、主體太多，或短片太長。減到一個主體、一個動作，縮短到 4 秒，放慢鏡頭，並在負向提示詞加上「扭曲、變形、錯誤的人體結構、多餘肢體」。如果某個角色一直漂移，一張起始影格參考圖片對身分的錨定效果遠勝文字。
指令被忽略
如果 Veo 3.1 一直跳過某個細節，通常是它被埋在長提示詞的末尾，或和其他地方相矛盾。把被忽略的元素移到前面，刪掉互相競爭的形容詞，並檢查衝突——「夜晚」卻又「明亮的陽光色彩」。然後用相同的種子值重跑，確認修改真的有幫助。
對白和唇形同步很糟
台詞太長、多個說話者、臉不朝鏡頭，都會讓唇形同步劣化。台詞控制在十個字以內、每支短片一個說話者、以中景或更近的景別讓臉朝向鏡頭，並把確切台詞放進引號。如果同步還是失敗，就生成無聲的表演、另外錄製人聲。
輸出平淡、了無新意
如果短片看起來沒問題但很無聊，把類別詞換成具體細節：不是「路上的一輛車」，而是「龜裂的沙漠公路上一輛滿是塵土的 1980 年代旅行車」。具體性是 Veo 3.1 最便宜的品質升級。
常見問題
什麼是好的 Veo 3.1 提示詞？
好的 Veo 3.1 提示詞讀起來像一份鏡頭描述：帶具體細節的主體、一個明確的動作、場景、單一的鏡頭運動、燈光與風格，以及明確的音訊指示。把主體和動作放最前面，每支短片只寫一個場景。
Veo 3.1 支援負向提示詞嗎？
支援。把負向提示詞欄位用在反覆出現的瑕疵上——文字覆蓋、浮水印、模糊、扭曲的手、不想要的音樂。用逗號分隔的名詞和形容詞來寫，清單保持簡短、有針對性。
Veo 3.1 的種子值怎麼運作？
種子值讓生成可重現：相同提示詞配相同種子值會回傳高度相似的結果。修改措辭時固定種子值，以隔離每次修改的效果；最後再變換種子值，產出多個備選版本。
起始影格和結束影格圖片是做什麼用的？
起始影格圖片讓短片分毫不差地從你的參考圖開始，使角色和產品在系列中保持一致。再加上結束影格圖片，Veo 3.1 就會在兩個狀態之間生成轉場動畫——最適合揭示和受控的場景變化。
為什麼我的 Veo 3.1 影片會變形或扭曲？
變形通常來自超載的提示詞：多個主體、堆疊的鏡頭運動，或明明 4 秒就夠卻用了 8 秒。簡化成一個主體、一個動作，縮短片長，並在負向提示詞加入人體結構相關的詞。
Veo 3.1 可以免費試用嗎？
veo4.dev 的新用戶有免費點數，生成按支計費而非訂閱制。更長、更高解析度的短片消耗更多點數——詳情見定價。Google 也透過自家產品提供 Veo；我們的平台是獨立的多模型替代方案。
結論
Veo 3.1 不是吃角子老虎機——它是一個攝影組，你說什麼它做什麼，而且只做你說的。穩定產出電影感成果的創作者都以同一套方式工作：用真正的電影語言寫六段式提示詞、每支短片一個場景、明確指揮音訊、迭代時固定種子值、凡是需要一致性的地方就用參考圖片。採用這套工作流程，你的命中率就會從偶爾的好運，變成可以據以規劃內容日曆的東西。這套結構還能帶著走——同樣的方法在 Sora 2、Kling 和我們平台上的每一個模型上都能改善結果。