使用指南
在 HiAPI API 上使用 veo-3.1-lite/text-to-video 构建短视频
一份实用的开发者工作流:分镜文生视频、原生音频和宽高比选择
本页内容
为什么短视频会让朴素的文生视频提示词失效
第一次接触文生视频模型时,人的本能是写一段长长的电影感提示词,然后期望拿回一段完成的视频。对于一个 30 秒的短视频作品来说,这种做法几乎总是令人失望,而原因在于结构,而非提示词的打磨程度。
单条提示词要求模型在整个叙事弧上保持连续性:角色一致性、镜头运动、节奏和音频都必须在整个时长内保持连贯。然而,短视频并不是一个连续的长镜头——它是一系列节拍。钩子、铺垫、转折、收尾。每个节拍都需要不同的构图、不同的能量,而且往往需要不同的主体位置。把它们塞进一条提示词里,会让模型把它们平均化,而平均化恰恰会毁掉短视频的留存率。
另一种失败模式是迭代成本。当一条提示词生成一段长视频,而第三个节拍出错时,你只能重新生成全部内容,并祈祷你喜欢的那部分能保留下来。这是一个缓慢的循环,且没有可靠的控制手段。
本指南采用的工作流则基于镜头:把脚本拆解为离散的镜头,为每个镜头单独发一次生成请求,并将连续性放在你自己的元数据中,而不是放在提示词里。后续每一节都建立在这种拆解之上——请求结构、宽高比、音频和迭代全都假设你在逐个镜头地工作。
这也正是 veo-3.1-lite/text-to-video 自然契合之处。一个更轻量的文生视频模型非常适合生成许多短的、可单独重新生成的片段,而这正是短视频流水线的形态。
思维模型的转变
不要再把模型当作一位能返回成片的导演。把它当作一个镜头渲染器:你提供范围明确的镜头描述,它返回一个片段,而你的流水线负责排序、音频混音和节奏。一旦这种分工明确,剩下的大部分决策就变成了工程决策,而不是提示词写作决策。
在调用 API 之前规划镜头列表
镜头列表是脚本与生成调用之间的契约。把它写成数据,而不是散文,这样你的流水线就能遍历它。
从脚本出发,把它切分成节拍。对于短视频,一条实用规则是:每个句子或每个视觉想法一个镜头,取两者中更短的。如果一个句子需要两个机位才能表达清楚,那就是两个镜头。如果三个句子共享一个连续视觉,它们可以是一个镜头——但前提是时长仍然能轻松容纳在一次生成中。
对于每个镜头,至少记录:
- 镜头 ID——稳定、人类可读,用于缓存和重试。
- 提示词——视觉描述,足够自包含,使该镜头在孤立状态下也能成立。
- 时长——该镜头在最终剪辑中应持续多久。
- 宽高比——按渠道确定,在生成前决定。
- 音频意图——原生环境音、待替换的静音,或用于配音的占位。
- 连续性备注——角色服装、灯光、地点和屏幕方向。
尽可能把连续性从提示词中移出
连续性备注应放在元数据中,而不是逐字重复在每条提示词里。携带长篇复用描述的提示词往往会在强调重点上漂移——一个镜头过度强调服装,下一个又强调不足。更干净的模式是为每个角色或地点准备一个简短、稳定的描述块,由你(流水线作者)将其组装进每条提示词,这样即使提示词本身不同,措辞在各镜头之间也完全一致。
让每个镜头对应一次请求
每个镜头都应该能在单次调用中生成。如果一个镜头需要的时间超过一次生成能轻松覆盖的范围,就在自然的剪辑点——一个反应、一次镜头运动、一拍静默——将其拆开,而不是拉伸请求。较短的镜头在一个出错时重新生成的成本也更低,这正是拆解的意义所在。
把镜头列表和脚本一起放在版本控制中。当脚本发生变化时,差异会准确告诉你哪些镜头需要重新渲染。
在流水线中构造生成请求
有了作为数据的镜头列表,请求层就变成了一个薄封装:读取一个镜头,为 veo-3.1-lite/text-to-video 构造请求,调用 HiAPI API,按镜头 ID 存储结果。
在高层次上,一次生成调用携带的信息与镜头记录相同:提示词文本、预期时长和宽高比。确切的参数名称和可接受值由模型在 HiAPI 上的 API 参考定义,因此把端点文档当作事实来源,并让封装层的默认值与之一致,而不是在许多地方硬编码假设。
可复用的封装
下面的形态刻意采用语言中立的伪代码——价值在于结构,而不在于语法:
function renderShot(shot, attempt):
request = {
model: "veo-3.1-lite/text-to-video",
prompt: buildPrompt(shot),
duration: shot.duration,
aspect_ratio: shot.aspectRatio
}
response = hiapi.generate(request)
save(shot.id, attempt, response)
return response
三个特性让这个封装值得拥有:
- 每次调用都以镜头 ID 和尝试次数为键。当第 4 个镜头出错时,你确切知道该替换哪个产物,以及哪些尝试失败了。
- 提示词是构建出来的,而不是粘贴的。
buildPrompt将镜头自身的描述与元数据中稳定的角色和地点描述符合并,使连续性措辞在各镜头之间保持一致。 - 下游不依赖首次调用成功。封装返回一个产物引用;拼接器读取每个镜头当前已批准的内容。
实践中生成是异步的
把生成视为长时间运行的任务,而不是请求处理器内部的同步调用。提交、持久化任务引用,并在工作进程中轮询或等待完成。这样重试、并发限制和部分失败都在你的控制之内,而不会与应用程序的请求生命周期纠缠在一起。
拼接是独立的阶段
不要在一个步骤中生成并拼接。渲染所有已批准的镜头,存储它们,然后运行单独的组装过程:按镜头 ID 排序、拼接、应用转场(如果有)以及混流音频。保持组装独立意味着重新渲染一个镜头只需要重新运行组装,而不需要重新生成任何内容。
按渠道选择宽高比和片段长度
宽高比和时长应该从分发渠道向内决定,在任何生成发生之前——而不是事后调整。将完成的片段裁剪到不同画幅是浪费渲染的最常见方式。
宽高比
为每个渠道选择一个主画幅,并在整个作品中保持它。单个短片中混合宽高比会破坏每个平台上的观看体验。
- 竖屏——信息流滑动短视频界面的默认选择。为高画幅构图:主体居中或略高,顶部和底部留出安全边距以容纳 UI 叠加层。
- 横屏——用于嵌入式播放器、网站主视觉视频和观众静止的演示场景。
- 方形——偶尔用于网格化布局;把它当作刻意的选择,而不是退路。
对你的镜头列表的实际影响:竖屏构图会改变画面内能容纳的内容。一个在横屏中表现良好的广角建立镜头,在被压缩到高画幅时可能难以辨认。先决定比例,再编写为此构图的镜头。
片段长度
片段长度由节奏驱动,而不是由模型最大能生成多少决定。几条准则:
- 钩子要短。第一个镜头通常决定赢得还是失去注意力;保持紧凑且视觉上明确无歧义。
- 每个片段一个想法。如果一个镜头包含两个不同的视觉事件,就拆开。较短的片段也让你在剪辑中对最终节奏有更精细的控制。
- 留出裁剪余地。生成比目标剪辑点稍长一些,在组装时裁掉。裁剪是免费的;重新生成不是。
- 对照平台汇总。总时长是各镜头之和。在生成前把计划时长加起来,检查序列是否符合该渠道的典型消费窗口——重新平衡镜头列表比重新渲染容易得多。
每种比例只生成一次
如果你确实需要同一作品以两种画幅呈现,将它们视为两个独立的交付物,各配两份镜头列表。共享提示词没问题;共享渲染不行,因为构图不同。在镜头元数据中编码宽高比可以明确这一点,并防止意外的跨渠道复用。
将原生音频与配音结合
veo-3.1-lite/text-to-video 可以随画面一起生成原生音频,而这种音频确实有用——环境音、环境质感和简单的叙事内声音赋予片段一种静音所缺乏的存在感。错误在于让原生音频和你自己的配音都试图承担同一个角色。
有效的分工是:原生音频提供世界,配音提供信息。如果原生音轨已经包含类似语音的内容或强烈的音乐铺底,你会在混音时与之冲突。逐镜头决定哪条音轨主导。
混音顺序
- 先铺配音。旁白的时间由脚本固定;其他一切都适应它。
- 把原生音频放在下面。当原生音轨是环境音或质感时,保持其可听但处于从属地位。
- 压低,而不是删除。在旁白下降低原生音轨,而不是完全切掉——台词之间突然的静音听起来不自然。在每个镜头边界上平滑增益过渡。
- 最后归一化。逐镜头混音再拼接会产生电平跳变。对组装后的作品运行一次最终处理。
何时静音原生音轨
在以下情况下静音它——或者用更清晰的音频意图重新生成该镜头:
- 原生音频包含可理解的语音,与你的旁白竞争。
- 质感与场景不符(例如室外镜头中出现室内环境音)。
- 你用一条连续的音乐铺底为整个作品配乐,而原生音轨自身的节奏与之冲突。
这些通常可以逐镜头检测到,这也是保持镜头独立的另一个理由:你可以重新生成一个镜头的音频而不触碰其余部分。
把音频意图写入镜头列表
为每个镜头添加一个明确的音频字段:native_ambience、silent 或 voiceover_covered。它迫使你在生成前做出决定,并告诉组装阶段哪些镜头需要压低音量,哪些只需要丢弃原生音轨。
跨多次尝试控制质量和成本
迭代纪律是区分收敛的流水线和烧掉渲染的流水线的关键。好消息是,基于镜头的生成让正确的习惯变得自然。
只重新生成单个镜头,绝不重新生成序列
当一个节拍出错时,替换那个镜头。你的封装按镜头 ID 和尝试次数为结果建立键,所以修复就是为一个 ID 发起新尝试并重新运行组装。如果你发现自己为了修复一个镜头而重新渲染多个镜头,镜头列表可能太粗了——进一步拆分它。
积极缓存已批准的片段
一旦一个镜头被批准,就把它视为不可变,持久存储,以镜头 ID 加上其提示词和参数的哈希为键。重新运行流水线时会跳过任何未变化的内容。这在音频和节奏工作期间最重要,因为你在画面固定的情况下迭代混音。
每次尝试只改变一个变量
当一个镜头未达预期时,调整一件事——提示词的具体程度、时长或构图——然后重新生成。同时改变三个变量不会告诉你哪个修复起了作用,你会在下一个镜头上重新学习同样的教训。
在扩大尝试规模之前先确定配方
让一个完整序列达到你满意的状态,然后把它用作变体的模板:备选钩子、不同的 CTA。因为镜头列表是数据,一个变体只是一个小差异,而不是一个新项目。
按镜头数量做预算,而不是按成片分钟数
工作单位是镜头,所以迭代单位也是镜头。在生成一批之前,计算镜头数量和每个镜头的预期尝试次数。这个数字,结合模型的计费基础,就是你的规划数字——查看 HiAPI 定价面板上的当前费率,而不是沿用陈旧的假设。
按最终尺寸审查
在实际宽高比下,并在观众将观看的屏幕上检查每个镜头。在桌面横屏尺寸下看不见的问题,在竖屏信息流中会很明显。在审查时发现它们比在发布后发现要便宜得多。
排查常见生成问题
当一个镜头返回不可用时,按顺序执行这些检查。它们覆盖了绝大多数失败情况,前两项就能解决大部分问题。
1. 提示词的具体程度
提示词是否自包含?它是否描述了主体、动作、构图和灯光,还是依赖相邻镜头的上下文?镜头提示词必须独立成立——模型只看到你发送的内容。模糊的主体描述会导致漂移;过载的提示词会导致糊成一团。目标是每个镜头一个清晰主体和一个清晰动作。
2. 镜头长度
对于其时长的镜头是否做了太多事?如果一条提示词在短片段中暗示了多个视觉事件,模型会把它们压缩。拆分镜头或延长它。反过来,内容对于其时长来说太少的镜头往往会漫无目的——裁掉它。
3. 宽高比不匹配
你是否为你实际请求的画幅编写了提示词?在竖屏画幅中写宽幅、横向的描述会产生别扭的裁剪和死空间。检查镜头的视觉描述是否与其宽高比匹配,以及流水线中是否有其他阶段在悄悄重新裁剪。
4. 音频冲突
如果画面没问题但结果感觉不对,单独听原生音轨。竞争的语音、错误的环境音,或旁白下强烈的节奏通常是音频问题,而不是视觉问题。通过静音原生音轨或调整镜头的音频意图来修复,然后重新混音——不需要重新生成画面。
5. 流水线和参数错误
如果生成直接失败或返回与请求不一致的内容,对照 HiAPI 上的端点文档验证参数:模型标识符拼写正确、时长和宽高比的值在可接受范围内、提示词非空。这些错误很无聊,但在多个地方硬编码默认值的封装中很常见——这就是把请求构造保持在一个函数中的理由。
6. 镜头之间的连续性漂移
如果每个镜头看起来都没问题但序列无法保持连贯,问题在于元数据,而不是生成。比较每个镜头组装后的提示词文本:如果角色或地点描述符的措辞不同,在共享描述符块中对齐它们,只重新生成有偏差的镜头。
按顺序处理列表,并记录哪项检查解决了每次失败。经过几个序列后,你就会知道哪些检查对您的内容占主导地位,排查过程会变成快速扫描而不是重建。你可以通过 HiAPI API 开始用 veo-3.1-lite/text-to-video 渲染镜头,让定价面板处理数字,而你专注于序列。