Veo 3.1 提示词与电影级画面完全指南

Veo 3.1 是 OmniArt 的广播级视频模型——当你需要输出画面能在大屏幕上经受考验时，第一个会想到它。它原生支持 4K 输出，空间音频与视频帧同步生成，并在你提供参考图片时对首帧有异常强的遵循能力。但如果提示词含糊不清，这些优势都无从发挥。本指南提供一个可复用的五段式公式，帮你像导演一样指导 Veo 3.1，同时附有前后对比示例、电影词汇速查表，以及如何在标准、快速和轻量版之间做出正确选择的建议。

Veo 3.1 五段式提示词公式

Veo 3.1 对结构化提示词响应极佳——提示词需要依次回答五个问题。少写一个，模型就会自行补全，通常是最平庸的方式。

1. 主体与动作 — 谁或什么，在做什么，在哪里。"一位电影人在昏暗剪辑室里独自审看素材。"
2. 摄影机（运动、镜头、构图） — 景别、焦段、运动方式及速度。"缓慢推进，50mm，中近景，机位锁定后缓缓向前漂移。"
3. 灯光与氛围 — 光源、方向、质感、色调。"单一显示器光作为主光，深度阴影，冷蓝色调，高对比度。"
4. 音频与环境声 — 空间音效、特定声响、音乐方向或 no music。"安静的电流嗡嗡声，偶尔的键盘敲击声，no music。"
5. 技术输出 — 分辨率（是否 4K）、时长预期、风格参考。"4K，8 秒，写实风格。"

完整示例

提示词：

"一位电影人在昏暗剪辑室里独自审看素材。缓慢推进，50mm，中近景，机位锁定后缓缓向前漂移。单一显示器光作为主光，深度阴影，冷蓝色调，高对比度。安静的电流嗡嗡声，偶尔的键盘敲击声，no music。4K，8 秒，写实风格。"

这条提示词不到三十秒就能写完。它以摄影指导向灯光师描述镜头的方式来规定画面，让 Veo 3.1 几乎没有猜测空间。

电影词汇速查表

以下术语可直接转化为 Veo 3.1 的生成指令，按需复制到你的提示词中。

摄影机运动

景别与角度

灯光

前后对比示例

A：摄影机方向——最重要的单一调节杠杆

对 Veo 3.1 提示词影响最大的改动，是加入摄影机运动和焦段。对比如下：

无摄影机描述： "A street musician playing violin in the rain."

有摄影机描述： "Medium close-up of a street musician playing violin in the rain. Slow dolly-in, 85mm, shallow depth of field — background traffic dissolving into blur. Practical street-lamp from above, rim-lighting the bow. Light rain sound, distant traffic, no music."

第二版没有使用一次"cinematic"这个词，却明确规定了让画面具有电影感的所有要素——模型渲染的是你的意图，而不是从十种通用解释中任选一种。

B：图生视频的首帧遵循能力

当你提供参考图片作为首帧时，Veo 3.1 的图片遵循能力尤为突出。模型会将构图、色彩调性和关键角色细节从第一帧中锁定，并在整个生成过程中将其作为约束条件。

实际用法：取一张商业拍摄的静帧、产品渲染图或角色概念图，在 OmniArt 的图生视频工作流中将其设为首帧，然后编写描述从该起点出发的运动的提示词。

提供产品拍摄首帧后的提示词：

"香水瓶静置于白色大理石台面上。从左至右缓慢弧形运动，瓶子保持居中。傍晚时分来自高处窗口的阳光扫过玻璃，照出刻面的光芒。4K，6 秒，no music。"

模型会从你的参考图中继承精确的灯光、产品位置和表面质感，并将描述的运动应用其上——而非从头重新生成场景。

C：用一行提示词生成空间音频

Veo 3.1 的空间音频无需单独处理——在提示词中加入一行描述性音频指令，就足以生成层次丰富、具有方位感的声景。

提示词片段：

"...音频：头顶波纹铁皮屋顶上近距离收录的雨声，远处市场人群嘈杂声，偶尔有摩托车从右至左驶过，no music。"

模型生成的效果：雨声有方向感，你能感受到它从场景上方传来。市场人群声处于中距离。摩托车按描述在立体声场中扫过。方向感来自 Veo 3.1 的原生音频架构，而非后期处理。命名各音层及其空间关系——close、distant、passing left to right——为模型提供了位置渲染所需的所有信息。

在标准、快速和轻量版之间做选择

Veo 3.1 在 OmniArt 上提供三个版本，正确选择取决于任务需求，而非习惯性使用默认选项。

4K 值得额外积分的情况： 大屏幕交付物、产品主视觉、任何需要全分辨率导出的内容，或模型对背景和材质细节的渲染对项目质量有影响的工作。4K 仅在 veo-3.1-standard 上可用。

4K 浪费积分的情况： 1080p 或更小尺寸的社交媒体裁切、你会反复重新生成的动态草稿、任何处于探索阶段而非交付阶段的内容。这类工作请使用 veo-3.1-lite——廉价迭代，确定最终版本后再切换到标准版进行 4K 生成。

常见提示词错误

主体描述过度堆砌。 "一位中年女性，卷曲红发，穿着复古大衣，站在阿姆斯特丹的运河边，手捧一束郁金香，神情惆怅" 这样的描述在主体行中堆积了太多细节，模型不得不自行取舍哪些要实际渲染。只保留这个镜头真正必要的特征，其余放手。

摄影机方向相互冲突。 "Slow push-in with a wide pull-back" 在物理上是不可能的——模型会选一个并忽略另一个。每条提示词只写一个有动机的镜头运动。如果你需要一个从宽景逐渐推近的镜头，那就是推进，别无其他。

完全忘记音频。 Veo 3.1 无论你是否指定，都会生成音频。未指定的音频生成不是静默——而是模型的最佳猜测，可能与你的意图不符。每条提示词最后都要加一行音频指令，哪怕只是 no music, ambient room tone only。

把"cinematic"当风格词来写。 写"cinematic"是在要求模型替你做决定。用你真正想要的具体视觉属性来替代它：镜头、光线、运动、色调。

在 OmniArt 上开始创作

Veo 3.1（标准、快速和轻量版）可在 OmniArt 视频工作区中使用，与库中所有其他模型并列。建立熟练度最快的方式是：取一个现有创意，按上述五段式公式写出来，先在 veo-3.1-fast 上生成以优化提示词，再提交到标准版。

如需了解更广泛的电影词汇以及同样的提示词模式如何在 OmniArt 全视频模型阵容中应用，请参阅电影级 AI 视频提示词指南。当你准备深入了解 Veo 3.1 的音频生成能力时，Veo 3.1 空间音频最佳实践指南详细介绍了分层声景、位置音频提示和音乐方向。如需对比 Veo 3.1 与其他顶级模型的表现，请参阅 Veo 3.1 与 Sora 2 对比。