开发者可直接复制的 Veo 3.1 Fast 图生视频提示词配方

为什么提示词结构比措辞更重要

大多数图生视频提示词失败，并不是因为用词错了，而是因为同时变化的变量太多。你改了一个形容词，镜头漂移的方式就变了，而你根本不知道是哪一处改动导致的。固定的提示词骨架能解决这个问题，它把生成变成一次受控实验。

把每条提示词都当作四个独立区块：主体、首帧运动线索、镜头措辞和音频线索，再加上一个简短的约束区块。当某段视频表现异常时，你只改一个区块并重新运行。如果主体变形了，就只动运动线索。如果镜头显得平淡，就只动镜头那一行。这就是调试与赌博之间的区别。

这种结构还能让你的提示词可移植。你为某一首帧调好的配方能直接迁移到下一个素材，因为字段位置不变——只有它们的值变了。

配方解剖：每条提示词中的字段

本指南中的每条配方都使用同样的五个字段，顺序也相同。弄清每个字段控制什么，你就能自己组合变体，而不必靠猜。

主体

对首帧中已经可见的内容做简短、具体的描述。这是一个锚点，不是重新想象：点明物体、它的材质，以及它最稳定的视觉特征。控制在一句话内。如果图像里已经是一个放在桌上的红色陶瓷马克杯，就照实说——不要描述一个厨房。

首帧运动线索

这是大多数人搞错的字段。它声明从第零帧起应该动什么：哪个元素、朝哪个方向、以什么节奏。把它写成与图像中可见部分绑定的单一动作，而不是笼统的场景描述。

镜头措辞

用单独一行说明虚拟相机的行为。推近、推轨、环绕、手持漂移。镜头语言对观感能量的影响超过大多数运动形容词，所以给它独立字段，而不是埋进主体句子里。

音频线索

描述应该伴随可见动作的声音。把它绑定到你能看到的事件上——关门、脚步、风掠过织物——而不是“电影感”或“史诗感”这类情绪词。

负面约束

简短列出要避免的内容：不要文字叠加、不要多余肢体、不要场景切换。保持简短；臃肿的负面列表会与你的正面指令竞争。

首帧运动可直接复制的配方

这些模式假设你提供一张静态图像，并希望动画从这张图像中生长出来。把它们粘贴为运动线索行，并把方括号部分换成你的主体。

主体入画

[主体] 从左侧边缘进入画面，缓慢移入并在接近中央处停稳。 当首帧留有主体可占据的空白时使用。运动有方向性，第一遍观看就很容易验证。

主体出画

[主体] 朝右侧边缘漂移，以稳定的步行速度离开画面。 适合转场和镜头收尾节拍。出画比入画更容易控制，因为目的地明确无歧义。

主体变形或改变状态

[主体] 缓慢改变形状——[具体变化，例如织物泛起波纹后平复]——同时保持在原位。 点明发生变化的确切部位。含糊的变形请求会产生融化伪影；点明部位能让模型保持专注。

主体做出反应

[主体] 头部微微转向光源，随后静止不动。 当首帧已经暗示了注意力时，反应线索效果很好——一张脸、一只动物、一个角色。让反应小而单一。

对上述四种模式，都把线索控制在一句话、一个主要动作。在同一行里叠加两个动作，是视频看起来不稳定的最常见原因。

镜头措辞可直接复制的配方

镜头措辞值得单独一行，因为它独立于主体行为塑造视频的观感。这些模式与静态首帧搭配良好。

缓慢推近

镜头：缓慢推近 [主体]，无横向移动。 最安全的默认选项。它增加意图而不引入新的几何结构，因此很少与运动线索冲突。

推轨后拉

镜头：从 [主体] 推轨后拉，揭示周围空间。 当首帧较紧、你想让环境出现时使用。搭配保持静止的主体。

弧形环绕

镜头：围绕 [主体] 做轻柔的弧形环绕，约 30 度，匀速。 环绕能带来三维观感，但可能暴露出主体背后的缺失细节。只有在首帧暗示了完整环境时才使用。

手持漂移

镜头：手持漂移，带轻微垂直晃动，如同在胸口高度持握。 增加纪录片式的能量。晃动保持细微——大幅手持运动容易把精细细节抹糊。

一条实用规则：每条提示词只给一条镜头指令。如果你想在同一段视频里既有推近又有环绕，就生成两个镜头再剪辑衔接。冲突的镜头术语是得到漂移、模糊画面的最快途径。

原生音频可直接复制的配方

当音频提示词描述由可见动作引起的声音时效果最好。模型只能对齐它能看见的内容，所以把每条音频请求都绑定到画面中的某个事件上。

动作锁定环境音

音频：轻柔的室内底噪，伴随 [可见动作，例如翻页] 的声音，与屏幕上的运动相匹配。 这是最可靠的模式。动作给音频提供了时间锚点。

节拍上的冲击

音频：当 [主体] 落位时发出一声轻柔冲击，随后安静。 当运动线索有明确终点时使用。一个事件，一个声音。

环境底床

音频：轻微的户外环境音——远处的鸟鸣、隐约的风声——连续且在混音中音量较低。 适合缓慢镜头运动的建立镜头。让底床描述足够通用，以免与画面冲突。

容易被忽略的音频请求

抽象情绪词——“史诗”、“电影感”、“情感化”——没有给模型任何可见内容可供同步。对话请求在短片中同样不可靠：如果没有可见的嘴和明确的台词，结果通常是含糊嘟囔。如果你需要说话，请另行规划一个步骤。每条音频行控制在一句话内，并引用相机能看到的东西。

把配方组合成逐镜头流水线

字段稳定之后，把它们串成可重复的逐镜头工作流。

一次构建一个镜头

一张图像、一条运动线索、一行镜头、一行音频、一行约束。每次都按这个顺序组装提示词。正是这种一致性让批量工作成为可能。

并行生成变体

保持主体和约束不变，只在小批次中改变镜头或运动行——每个镜头三到五次运行通常就足以看出规律。因为其他字段被冻结，输出的差异可归因于你改动的那个字段。

沉淀胜出的配方

当某个组合奏效时，把完整提示词文本保存为命名的配方。经过几个项目，你就积累了一个个人库，里面是经过验证、彼此配合良好的运动、镜头和音频行。

针对最弱的字段迭代

每一轮之后，问哪个字段产生了最差的伪影，只改那一个。每个素材做两到三轮精修是现实的预算；指望第一次生成就得到最终视频则不然。

同一套流水线在 veo-3.1-fast 图生视频端点上同样适用，所以验证过一次的提示词在你扩大产量时依然有效。

常见失败模式及如何调试

大多数糟糕的视频都可以追溯到少数几个提示词问题。每一个都有只需改一处的修复方法。

提示词塞得过满

症状：主体融化或场景自行重排。原因：一行里太多指令相互竞争。修复：把提示词裁到五个字段，删掉每一个不起作用的形容词。如果一句话描述了两个动作，就把它拆开。

镜头术语冲突

症状：无定义的漂移、抖动，或镜头始终不选定方向。原因：提示词中有两条或更多镜头指令。修复：只保留一条镜头行。把第二个运动留给单独的镜头。

音频未锚定

症状：音频感觉脱节或泛泛。原因：用了情绪词而非与动作关联的声音。修复：围绕一个可见事件重写音频行——一次落位、一次转身、一声脚步。

运动线索描述整个场景

症状：所有东西都动了一点，但没有一样动得有说服力。原因：线索命名的是场景而不是单个元素。修复：挑一个主体和一个方向，并明确写出。

臃肿的负面词

症状：模型似乎忽略了你一半的指令。原因：冗长的负面列表稀释了正面提示词。修复：把负面词裁剪到两三项，只针对你实际见过的伪影。

一次只调试一个字段，并记录改了什么。这里的配方只是起点——请预期要花两到三轮把它们调教到适配你特定的首帧，之后才会觉得可靠。