Veo 3.1 原生音频与 4K 产品视频提示词：完整指南
摘要
- Veo 3.1 是 Google DeepMind 的旗舰视频模型，可在单次生成中同时输出原生音频（对话、音效、环境音）和 4K 分辨率视频——无需后期配音（deepmind.google/models/veo）。
- 最可靠的 Veo 3.1 提示词公式是
主体 → 动作 → 场景 → 镜头 → 镜头语言 → 风格 → 音频 → 负面提示，需严格按照此顺序排列。 - Veo 3.1 对摄影师级专业词汇响应强烈——”低角度”、”变焦对焦”、”向左跟踪”、”35mm 镜头”和”伦勃朗光”都会显著改变输出效果（aistudio.google.com/docs/veo/cookbook）。
- 原生音频包含三个独立层（对话、音效、环境音）。每层都必须单独指定，否则 Veo 的生成结果会不一致。
- 4K（3840×2160）输出需要在 Vertex AI 或 Gemini API 中明确选择；并非所有界面都默认显示该选项（Google AI Studio Veo prompt cookbook）。
- Veo 3.1 已知的薄弱环节是时长控制（默认 8 秒片段）和多角色同步对话——下文故障排查部分均有应对方案。
Veo 3.1 是什么，以及为什么原生音频 + 4K 至关重要
Veo 3.1 是 Google DeepMind 发布的第三代视频基础模型，于 2025 年 10 月至 11 月期间陆续上线 Gemini API、Vertex AI 和 Flow。与前代不同，Veo 3.1 能从单条文本提示词中一次性生成同步音频和 4K 分辨率视频。相关文档可参阅官方 Veo 模型页面 和实用的 Veo 提示词手册。
对产品营销人员而言，三项能力改变了工作流程：
- 原生音频生成。 对话、音效和环境声在视频推理的同一过程中生成。你不再需要在 Runway、ElevenLabs 或 DAW 中进行唇形同步。
- 4K 输出。 Veo 3.1 支持在多种宽高比下进行 4K（3840×2160）生成，适用于网页主横幅、广播剪辑和高端电商详情页。
- 摄影师感知型提示词。 该模型基于影视术语训练，能够理解镜头、灯光和运镜词汇并做出有意义的响应。
2025 年 11 月的 model comparison: Seedance vs Kling vs Veo 将 Veo 3.1 与 OpenAI 的 Sora 2 进行了对比，指出 Veo 的音频保真度更强，而 Sora 2 的默认片段长度更长。对于产品制作而言，Veo 的音频层是决定性因素。
本指南是一份实战参考文档，涵盖了提示词公式、摄影师专业词汇、三层音频模型、跨五个产品类别的 15 个生产就绪模板，以及那些反复浪费额度的常见失败模式。
Veo 3.1 提示词公式
产品视频提示词最可靠的结构是一条八段式链。顺序很重要，因为 Veo 按位置对词元加权——靠前的词元主导构图，靠后的词元起修饰作用。
Subject → Action → Scene → Camera → Lens → Style → Audio → Negative
| 插槽 | 用途 | 示例 |
|---|---|---|
| 主体 | 主角产品或模特 | “一只哑光黑色陶瓷护肤瓶” |
| 动作 | 片段中发生的事 | “缓慢旋转 90 度” |
| 场景 | 所处环境 | “在森林中一块湿润的石板上” |
| 镜头 | 运动和构图 | “缓慢推入，平视” |
| 镜头语言 | 焦距和光圈表现 | “85mm，浅景深” |
| 风格 | 调色与视觉风格 | “暖色钨丝灯，35mm 胶片颗粒” |
| 音频 | 对话、音效、环境音 | “轻柔的雨声环境音，无对话，第 2 秒有一滴水滴音效” |
| 负面提示 | 需要避免的内容 | “不要文字、不要标志、不要多余手指、不要硬阴影” |
Vertex AI 电商提示词库（Google AI Studio Veo prompt cookbook）也采用相同的结构，只是将镜头语言和风格合并为一个”外观”字段。将其拆分可获得更精细的控制。
使用摄影师的语言
Veo 3.1 的训练数据中包含了大量摄影参考资料，因此专业术语可以产生效果。模糊的表述（如”一个不错的镜头角度”）会降低输出质量，而具体的表述则会显著提升效果。
可靠有效的镜头运动
- 推近 / 拉远 — 整机前后移动。适合产品揭幕。
- 向左跟踪 / 向右跟踪 — 与主体平行的横向运动。适合行走镜头和传送带展示。
- 升臂 / 降臂 — 沿垂直轴的升降运动。适合规模感镜头。
- 低角度 / 高角度 — 视角指定。低角度让产品显得宏伟；高角度则更具编辑感。
- 变焦对焦（Rack focus） — 在前后景之间切换焦平面。Veo 3.1 对静态构图处理良好，但在快速运动中表现欠佳。
- 手持 — 增加可控的抖动。在生活方式内容中谨慎使用；如果提示词同时要求”电影感”，可能显得业余。
- 环绕 / 弧线运动 — 围绕主体的圆周运动。产品主镜头最可靠的运动方式。
构图术语
- 特写（CU）、中特写（MCU）、中景（MS）、全景（WS） — 标准景别。
- 过肩镜头（OTS） — 用于带主持人的对话或产品演示。
- 插入镜头 / 微距 — 极近距离的特写，用于呈现质感、成分或细节叙事。
- 双人镜头 — 用于产品与人物或成对物品同时出现的场景。
Veo 提示词手册 证实，将运动方式与构图术语结合使用（例如”缓慢环绕，中特写”）比单独使用任何一项都能获得更稳定的结果。
原生音频：对话、音效、环境音
Veo 3.1 的音频模型包含三个独立层。在提示词中分别指定每一层——而不是笼统地写”音效”——是产出可用渲染和音频错位/缺失片段之间的关键差别。
第一层：对话
将台词用引号标注并明确放置：
Audio: A female voiceover says, "Meet the new Hydra-Serum. Three drops, every morning."
对于同步的画外音台词，请注明说话者并给出唇形提示：
Audio: A male presenter, off-camera, says, "Notice the brushed-aluminum finish."
Veo 3.1 能够可靠地处理单说话者对话。双说话者同步对话是其已知薄弱环节之一（见下文）。
第二层：音效（SFX）
要具体。”飞溅”只产生一个通用飞溅声。”第 1 秒一滴水击中大理石”则能产生一个精确的电影级音效。
常用有效的音效表述方式：
- “磁吸闭合的柔和机械咔嗒声”
- “第 2 秒单次浓缩咖啡萃取，奶泡嘶嘶声”
- “轻微的纸张撕裂声”
- “玻璃杯轻轻放在杯垫上”
第三层：环境音
环境音是基础层——室内音、风声、远处的车流声。缺少它，片段会显得空洞。
- “安静的森林环境音，远处鸟鸣，无风声”
- “黄金时段的露天屋顶露台，隐约的城市嗡鸣”
- “摄影棚内景，死寂声学环境，无混响”
Google AI Studio Veo prompt cookbook 指出，明确指定环境音的产出音频明显比依赖 Veo 默认行为更加”制作精良”。
有效的镜头与灯光词汇
灯光方案
| 术语 | 效果 | 适用场景 |
|---|---|---|
| 伦勃朗光 | 眼下形成三角形光斑，经典人像布光 | 护肤、香水、主形象人像 |
| 分割光 | 半张脸打亮，半张脸处于阴影中 | 神秘、高端、男性护理 |
| 蝴蝶光 / 派拉蒙光 | 来自上方的光线，鼻下形成小阴影 | 美妆、华丽、珠宝 |
| 轮廓光 / 逆光 | 主体边缘的高光 | 将产品与背景分离 |
| 黄金时段 | 温暖的低位阳光，长长的阴影 | 户外生活方式、时尚 |
| 阴天柔光 | 漫射光，无阴影 | 护肤微距、食物 |
| 霓虹光 / 实用光 | 来自画面内光源的色彩 | 科技、游戏、夜生活 |
镜头与光圈
- 35mm — 标准广角，带轻度环境感。多用途。
- 50mm — “自然”焦距，几乎无畸变。编辑类产品的默认选择。
- 85mm — 讨喜的压缩感，经典人像焦距。美妆主镜头的默认选择。
- 微距 — 极近距离特写，浅景深，展现质感。
- 变形宽银幕 — 椭圆形散景，水平光斑。电影感强但可能扭曲产品几何形状。
请始终将镜头与光圈表现配对使用：
Lens: 85mm, shallow depth of field, f/1.8 equivalent
不指定光圈时，Veo 的默认值不稳定。
15 个生产就绪的产品视频模板
以下每个模板都格式化为一条完整提示词。可原样复制，然后替换你的产品、品牌颜色或特定音效。
美妆与护肤
模板 1 — 精华液滴落主镜头
Subject: A 30ml matte-black glass serum bottle with a gold dropper cap.
Action: A single amber drop falls from the dropper onto the back of a hand.
Scene: On a white marble slab, soft window light from camera left, dust motes visible.
Camera: Slow dolly-in, macro framing, eye level.
Lens: 85mm, shallow depth of field, f/2.0.
Style: Warm tungsten, soft film grain, muted beige and gold palette.
Audio: Quiet room ambience, single soft water-drop sound at 2s, no dialogue.
Negative: No text, no logos, no harsh shadows, no reflections of crew.
模板 2 — 口红涂抹美妆镜头
Subject: A matte lipstick in a deep burgundy shade being applied to lips.
Action: The lipstick glides across the lower lip in one slow, deliberate stroke.
Scene: Close-up of a model's lips and chin, soft pink backdrop out of focus.
Camera: Static medium close-up, eye level, slight handheld breath.
Lens: 85mm, shallow depth of field.
Style: Soft beauty-dish key light, petal diffuser, pastel color grade.
Audio: Silence except for a faint breath inhale at 1s and 4s.
Negative: No teeth visible, no text overlays, no skin blemishes.
模板 3 — 护肤流程平铺俯拍
Subject: Five skincare bottles and jars arranged in a row on a stone tray.
Action: Morning light sweeps across the products from left to right as the camera orbits.
Scene: Bathroom counter, eucalyptus sprig to the right, white linen towel beneath.
Camera: Slow 180-degree orbit, medium shot.
Lens: 50mm, moderate depth of field.
Style: Spa-grade, clean whites, sage green accents, soft natural light.
Audio: Distant birdsong through an open window, soft ceramic clink at 3s.
Negative: No visible brand logos, no text, no people.
科技数码
模板 4 — 无线耳机开箱质感
Subject: A pair of matte-silver wireless earbuds in an open charging case.
Action: The case lid opens slowly under its own weight, revealing the earbuds inside.
Scene: Dark walnut desk, single desk lamp casting warm pool of light.
Camera: Slow dolly-in, high angle 30 degrees.
Lens: 50mm, shallow depth of field, f/2.0.
Style: Premium product commercial, desaturated teal and amber grade.
Audio: Soft mechanical hinge sound at 0.5s, quiet room tone, no music.
Negative: No charging cables, no people, no packaging, no logos.
模板 5 — 腕上的智能手表
Subject: A titanium-cased smartwatch on a male wrist, screen glowing softly.
Action: The wrist rotates 30 degrees, catching the light, screen displays a heart-rate pulse.
Scene: Mountain trail at sunrise, blurred pines in background.
Camera: Tracking alongside, medium close-up.
Lens: 85mm, shallow depth of field, f/2.8.
Style: Adventure-grade, golden hour, cinematic film emulation.
Audio: Soft wind, distant raven call at 3s, no dialogue.
Negative: No visible screen text, no other people, no harsh shadows.
模板 6 — 机械键盘敲击
Subject: A low-profile mechanical keyboard with RGB backlighting under each key.
Action: Hands type a short phrase in real time, keys depress with tactile precision.
Scene: Dark desk setup, single monitor glow in background, blue ambient.
Camera: Overhead 45-degree angle, static.
Lens: 35mm, deep depth of field.
Style: Cyberpunk-influenced, neon blues and purples, high contrast.
Audio: Crisp mechanical key clicks, soft hum of computer fans, no music.
Negative: No faces visible, no screen text legible, no logos.
食品与饮料
模板 7 — 咖啡倾倒主镜头
Subject: A cup of black coffee in a ceramic mug, viewed from a 30-degree angle.
Action: Steaming milk is poured in a thin stream, creating latte art.
Scene: Rustic wooden table, morning window light from camera left.
Camera: Static medium close-up.
Lens: 50mm, shallow depth of field, f/1.8.
Style: Warm, inviting, muted earth tones, slight vignette.
Audio: Soft pour of liquid, gentle ceramic scrape at 5s, distant kettle whistle.
Negative: No visible brand names, no people, no harsh reflections.
模板 8 — 精酿啤酒瓶凝露
Subject: A chilled craft beer bottle with visible condensation droplets.
Action: A hand enters frame and rotates the bottle 45 degrees to reveal the label.
Scene: Dark wood bar, amber backlight, glassware in soft focus behind.
Camera: Medium close-up, slow push-in.
Lens: 85mm, very shallow depth of field.
Style: Moody pub atmosphere, warm tungsten, cinematic grain.
Audio: Ice clinking in a distant glass, faint jazz piano two rooms over.
Negative: No legible label text, no visible faces, no neon signage.
模板 9 — 松露巧克力展示
Subject: A single dark chocolate truffle dusted with cocoa powder.
Action: A hand places the truffle on a slate plate next to two more truffles.
Scene: Velvet tablecloth, candlelight from a single taper to the right.
Camera: Slow orbit, macro to medium transition.
Lens: Macro 100mm equivalent, extreme shallow depth of field.
Style: Rich, low-key lighting, deep browns and golds, soft glow.
Audio: Soft cloth rustle, single breath at 2s, no music.
Negative: No packaging, no people visible past the hand, no text.
时尚与奢侈品
模板 10 — 真丝围巾飘动
Subject: A patterned silk scarf in jewel tones, 90cm square.
Action: The scarf drifts through still air, twisting into an S-curve.
Scene: Pure black void with a single soft spotlight from above.
Camera: Static medium shot, centered.
Lens: 85mm, moderate depth of field.
Style: High-fashion editorial, saturated color, slow-motion feel.
Audio: Silence, single breath of wind, no music, no dialogue.
Negative: No visible hands holding the scarf, no wrinkles, no text.
模板 11 — 皮质手袋细节
Subject: A caramel-brown leather handbag with brass hardware.
Action: The bag is rotated slowly to show stitching and clasp detail.
Scene: Marble pedestal, museum-style spotlight, white seamless background.
Camera: Slow orbit, medium close-up.
Lens: 85mm, shallow depth of field.
Style: Luxury catalog, neutral palette, soft contrast, fine grain.
Audio: Single soft leather creak at 3s, otherwise silent.
Negative: No price tags, no people, no visible brand marks, no harsh shadows.
模板 12 — 香水瓶主镜头
Subject: A faceted crystal perfume bottle with a gold atomizer.
Action: A fine mist sprays once to the right, catching the backlight.
Scene: Velvet dressing table, single candle to the left, mirror reflection behind.
Camera: Static, eye-level, medium close-up.
Lens: 100mm macro equivalent, very shallow depth of field.
Style: Glamour, deep contrast, ruby and gold tones, soft bloom.
Audio: Soft hiss of the atomizer at 1s, otherwise silent.
Negative: No visible text or labels, no reflections of crew, no harsh flash.
生活方式场景
模板 13 — 清晨瑜伽垫
Subject: A rolled natural-rubber yoga mat on a wooden floor at sunrise.
Action: A pair of hands unrolls the mat smoothly across the frame.
Scene: Sunlit apartment, large window with sheer curtains, plants in background.
Camera: Low angle, tracking the unroll motion.
Lens: 35mm, moderate depth of field.
Style: Wellness editorial, soft golden tones, film emulation.
Audio: Quiet morning ambience, distant traffic murmur, no music, no dialogue.
Negative: No visible people past hands, no logos, no clutter.
模板 14 — 越野跑鞋登山
Subject: A trail running shoe in burnt orange, planted on a rocky path.
Action: The shoe pushes off, kicking up a small spray of dust and gravel.
Scene: Mountain ridge at dawn, fog in the valley below, pines on the horizon.
Camera: Low angle, tracking alongside, 60fps slow-motion feel.
Lens: 35mm, deep depth of field.
Style: Adventure documentary, cool teals and warm orange contrast.
Audio: Crisp footfall on gravel, soft wind, single raven call at 4s.
Negative: No people visible past ankle, no logos readable, no motion blur.
模板 15 — 手冲咖啡仪式
Subject: A glass pour-over coffee carafe on a copper stand.
Action: Hot water pours in a slow spiral over a bed of ground coffee, blooming.
Scene: Morning kitchen, wood counters, plants on the windowsill.
Camera: Overhead 90-degree angle, static.
Lens: 50mm, moderate depth of field.
Style: Slow living, soft natural light, pastel beige palette.
Audio: Soft pour of water, faint percolation, distant birdsong, no dialogue.
Negative: No hands visible, no logos, no harsh reflections on glass.
4K 输出设置与宽高比
分辨率
Veo 3.1 支持多种输出分辨率。4K 目标为 3840×2160，即广播级 UHD 标准。更低分辨率（1080p、720p）也可使用，但无法发挥 Veo 3.1 在高端产品制作中的优势。
在 Vertex AI 中，需在生成参数中明确选择 4K；Gemini API 的默认分辨率可能较低。Google AI Studio Veo prompt cookbook 列出了各地区和账户类型支持的分辨率。
宽高比
| 宽高比 | 分辨率（4K） | 适用场景 |
|---|---|---|
| 16:9 | 3840×2160 | YouTube、广播、网页主横幅 |
| 9:16 | 2160×3840 | TikTok、Reels、Shorts、Stories |
| 1:1 | 2160×2160 | Instagram 信息流、PDP 画廊 |
| 4:5 | 2160×2700 | Instagram 信息流竖图、Pinterest |
| 21:9 | 3840×1620 | 电影信箱模式、高端网站主视觉 |
在提示词或 API 调用中指定宽高比。Veo 3.1 并不总是能从提示词中自动推断宽高比。
生成时间与成本
Veo 3.1 的 4K 生成比 1080p 更耗时且成本更高。建议先用 1080p 进行提示词迭代，最后在确认通过的提示词上以 4K 重新生成。这正是 Google AI Studio Veo prompt cookbook 中推荐的标准工作流。
规避 Veo 3.1 的薄弱环节
时长控制
Veo 3.1 的默认片段长度为 8 秒。更长的片段需要拼接生成结果，或在可用时使用模型的扩展片段模式。如果需要 15 秒的主镜头，建议生成两段 8 秒片段，并在第二段提示词中加入视觉连续性提示。
技巧：在第一段提示词结尾设置一个清晰的”结束姿态”（如手部停放、产品静止），以便第二段自然衔接。
多角色复杂度
两位画内说话者的同步对话是 Veo 3.1 中最容易失败的场景。模型可以视觉上生成两个角色，但唇形与特定台词的同步常常失配。变通方案：
- 一次只使用一个说话者，通过剪辑切换。
- 使用画外旁白代替画内对话。
- 仅使用模型生成画面，对话在后期添加。
文字与标志
Veo 3.1 仍然难以生成清晰的画面内文字。品牌标志经常呈现为模糊的近似形态。不要让 Veo 渲染你的文字商标，请在后期添加。
手部与手指瑕疵
与大多数当前视频模型一样，手部可能出现多余或合并的手指。负面提示”不要多余手指，不要变形的手”有助于改善，但并非总能生效。如果片段中手部是前景元素，建议安排人工审核。
多片段之间的一致性
对于需要在五个场景中展示同一产品的推广活动，建议先生成一段”主形象”片段，然后在后续提示词中描述该视觉结果（”与主形象镜头相同的哑光黑色瓶子，现在置于木质架子上”）。这种回溯参考技术在 Veo 提示词手册 中有详细记录。
常见问题
Veo 3.1 的最大片段长度是多少？ Veo 3.1 默认生成 8 秒片段。扩展模式可根据你的 Vertex AI 或 Gemini API 等级生成更长片段。
Veo 3.1 真的能原生生成音频吗？ 是的。对话、音效和环境声在视频推理的同一过程中生成，无需后期配音。
Veo 3.1 能输出 4K 吗？ 可以，在支持的宽高比下最高可达 3840×2160。你必须在生成参数中明确选择 4K。
Veo 3.1 支持哪些宽高比？ 16:9、9:16、1:1、4:5 和 21:9 为常见支持的比例。具体请根据你的 Vertex AI 地区和账户配置核实。
在产品视频方面，Veo 3.1 与 Sora 2 相比如何？ 2025 年 11 月的 model comparison: Seedance vs Kling vs Veo 指出 Veo 3.1 的原生音频保真度更强。Sora 2 的默认片段往往更长，但同步对话效果较弱。
我可以将 Veo 3.1 的输出用于商业用途吗？ 可以，依据 Google 生成式 AI 的标准条款。请务必在你签署的 Vertex AI 协议中核实最新的商业使用政策。
在哪里可以找到更多产品视频提示词示例？ Google AI Studio Veo prompt cookbook 维护着一个包含 25 条提示词的产品库，Google AI Studio Veo prompt cookbook 则整理了面向商业用途的提示词。
如何让一个产品在不同片段之间保持一致？ 使用回溯参考技术：先生成一段主形象镜头，然后在后续提示词中描述该视觉结果。Veo 提示词手册 对此有详细阐述。
结语
Veo 3.1 将原生音频和 4K 输出相结合，使其成为 2025 年末最强大的单提示词产品视频模型。该模型对摄影师级词汇、结构化提示词和明确音频分层均有良好响应。以上模板可作为起点——替换你的产品、调色板和音效，先在 1080p 下迭代，最后再提交 4K 生成。
如需了解更广泛的 AI 视频领域相关内容，请参阅我们关于 Seedance 2.5 角色动作提示词、Kling 3.0 角色一致性工作流 和 Wan 3.0 商业广告流水线 的指南。如需打下更扎实的提示词工程基础，2026 年最佳 AI 视频提示词大师课 和 2K 视频模型模板库 值得收藏。
官方 Google DeepMind Veo 模型页面 和 Google AI Studio Veo prompt cookbook 仍然是权威参考——请将它们加入书签，并在模型迭代时回顾查看。
由 videosprompt.org 编辑团队审校 · 2026 年 10 月
分享文章
