Google 的 Veo 3：实用示例全指南

目前，Veo 3 仅在美国提供，且只能通过Flow（Google 新推出的 AI 电影制作界面）使用。要访问它，您需要订阅 AI Ultra 方案，费用为每月 250 美元（含税约 272 美元）。

让我们开始制作吧！

制作一支广告

在第一次测试中，我想为一个名为 Mintro 的虚构薄荷糖品牌制作一支一镜到底的广告。核心思路：短促、有力、令人难忘。我设想了一个尴尬但有共鸣的瞬间——可以成为刷屏时的“急刹”。

设定如下：两位同事被困在拥挤的电梯里，面对面——在这种空间里，自信（和清新的口气）很重要。为了化解紧张，其中一人来了一句既悲壮又好笑的话：

“我曾在全员会上打了个喷嚏，同时点了‘共享屏幕’。无人幸免。”

随后广告切到 Mintro 的标志，并配上标语：

“电梯聊天，放心开口。”

如果您想跟着一起做，请使用下图中的可视化步骤在 Veo 3 中创建视频：

先用这个提示词试试看会得到什么：

提示词：

上班早高峰中拥挤的公司电梯里。两位衣着得体的同事面对面站着，因为空间逼仄显得有点不自在。其中一人保持面不改色，微微俯身说：“我曾在全员会上打了个喷嚏，同时点了‘共享屏幕’。无人幸免。”另一人强忍笑意。电梯叮的一声，门开到熙攘的办公楼层。

第一版看起来很有戏，但有些地方不到位。

其一，电梯里的所有人都在看主角——这让焦点被错误地带偏了。我希望周围的人自顾自，就像我们大多数人早高峰通勤那样。理想状态是：有人在看手机，另一个人陷入沉思，或有人在调整背包——但没人关注这段互动。

第二个问题：女性把手放到鼻子上，潜台词是男生口气不好。这彻底削弱了广告的主旨——本该强调因口气清新而带来的自信。这个动作必须删掉。

场景也有点不对。电梯不知为何直接开到办公室里，这并不符合办公室的布局。通常电梯会开到走廊或大堂，而不是直接到某人的工位。这虽是小细节，却让场景显得不自然。

此外，视频里出现了我并未要求的字幕——而且拼写严重错误。最后，电梯内的声场太“死”，需要一些细微的元素，比如从头顶扬声器传来的电梯背景音乐，让环境更真实。

基于这些反馈，我迭代了大约五次，终于得到一个还不错的版本。虽然不完美，但更贴近我的目标。

以下是我使用的修订版提示词：

提示词：

上班早高峰中非常拥挤的办公楼电梯。视频开始时电梯门是关闭的，随后缓缓打开，我们从头顶扬声器听到轻柔的电梯音乐以及轻微的机械嗡鸣。镜头采用单一、连续、平视的固定机位，紧紧对准两位衣着得体、面对面站立的同事——由于空间拥挤而贴得很近。就在电梯门开到一半时，男士平静而自信地说：“我曾在全员会上打了个喷嚏，同时点了‘共享屏幕’。无人幸免。”女士发出真诚的笑声——好笑但不过分——她始终不说话、不后退、不触碰面部，也不回避。周围其他乘客保持放松与超然：一人滑动手机，另一人发呆向前凝视，还有人挪动背包——但无人看向或回应主角。电梯门继续完全打开，镜头末尾，两位同事走出电梯，而镜头始终固定不动。人物从不看向镜头。不要加入任何字幕或屏显文字。

这一版在走位和基调上大体到位，但仍有几点小问题：

• 电梯门开得有点太快，观感略显突兀。
• 即便加入了电梯音乐的提示，音频仍显得过于安静。

根据我的 AI 使用经验：用一分钟可以做到 90%，而把最后 10%打磨好可能要一个小时——说实话，几乎从来达不到完全理想。所以我把草稿导入 DaVinci Resolve 手动完成剩余部分。大约花了 15 分钟的轻量剪辑——加了一些渐变、背景音乐，以及最后带标语的 Mintro 标志。

标志本身是用 Google 的设计工具 Whisk 生成的，其底层运行 Imagen 4（如果您更喜欢在 Gemini 中工作，也能找到它）。成片足够干净，我不用再做调整就能直接放进来。

经过这些编辑，广告就准备好了。它短小、古怪，而且——希望——令人难忘。

通过角色一致性制作多镜头场景

接下来我想演示如何制作一个在多个镜头中保持角色一致性的场景——也就是同一角色在不同镜头中保持面部和外观一致。听起来很基础，但在 AI 视频生成中，这类连续性仍然很难做到。

先澄清一下：场景是时间和空间连续的叙事单元。它可以由一个或多个镜头组成，取决于您的拆分方式。一旦理解这种结构，就更容易搭建完整场景——最终还能把它们拼接成短片。

为演示这一点，我将创作一个很简短的故事，灵感来自一则常被誉为“最伟大的闪小说”（据说出自海明威）：

“转让：婴儿鞋，从未穿过。”

这就是我要围绕构建的情感内核。我设想了两镜头的微叙事来呈现这句话：

• 镜头 1：一位 30 多岁后期的女性打开走廊壁橱，里面是旧外套、叠好的床品和几个未贴标签的纸箱。她轻轻取下其中一个箱子，跪在地上。她打开箱子，小心翼翼地取出里面包着的一件小物：一双崭新的白色婴儿鞋，安放在薄纸中。
• 镜头 2：几分钟后，在厨房。女人独自坐在餐桌旁，手里拿着手机。镜头保持静止、中近景侧面角度。她把婴儿鞋放在身旁桌面上，开始在手机上发布出售信息。手机屏幕文字：“转让：婴儿鞋，从未穿过。”

这次我不会为打磨出影院级效果而多次迭代。我的目标只是展示这个工具的潜力——如何确立基调，并在多镜头中保持角色外观一致。

我们先像做广告那样，常规生成第一个镜头。

提示词：

清晨一所安静、有人居住痕迹的家中。自然光柔和地透过走廊的窗户。一位 30 多岁后期的女性打开走廊壁橱，里面是旧外套、叠好的床品和几个未贴标签的纸箱。她轻轻取下其中一个箱子，跪到地上。镜头保持静止、中广角、平视。她打开箱子，小心翼翼地取出里面的一件小物：一双崭新的白色婴儿鞋，安放在薄纸中。她坐回脚跟，手里捧着鞋，放在膝上。她的表情难以捉摸——不悲伤，只是专注、安静。镜头安静而从容。无音乐。强调自然环境音——房子的轻微声响、壁橱门的吱呀、纸板摩擦，以及远处细微的滴答钟声或窗外鸟鸣。这个时刻应当安静而真实。视觉风格：温暖、扎实的现实主义，自然光。避免过度电影化。保持单一连续镜头，无剪切或变焦。不要加入任何屏显文字或字幕。

效果相当不错。我喜欢构图和色调，声音也还可以。表演算不上出彩——情绪不多——但我们先不纠结这个。

假设我们现在想转到厨房的下一个镜头。要尽可能保持角色一致性——同样的面孔、服装和整体外观——最好使用 Scene Builder。

当您对第一个镜头满意时，点击添加到场景（Add to scene）：

时间轴会打开。点击加号，然后在以下两者间选择：

• 跳转到（Jump to）：发生了这件事，然后（场景跳转到）
• 延展（Extend）：发生了这件事，然后（延长同一镜头）

在这个例子里我需要剪切，所以我选择“跳转到”，并使用这个提示词（这是我迭代几次后的结果——该功能确实还有待改进）：

提示词：

几分钟后在厨房。阳光轻柔地洒在桌面和地板上，营造出平静、安宁的氛围。安静的居家环境音——冰箱轻微嗡鸣、椅子轻响、手机屏幕细微的轻点声。无音乐、无人声。女人独自坐在餐桌旁，手里拿着手机。镜头保持静止、中近景的侧面角度。她把婴儿鞋放在身旁桌面上，开始在手机上发布出售信息。镜头切到越肩或紧凑特写，展示手机屏幕：“转让：婴儿鞋，从未穿过。”她盯着这行字片刻，拇指悬在发布键上。她的眼眶开始泛光，但很快眨眼压下。她没有哭——而是锁屏，把手机正面朝下放好，吐出一口气让自己平静。她的表情克制难辨，但肢体语言说明了一切：这并不容易。不要加入任何屏显字幕。

提示词的遵从度不高——基调和构图与我预想的不太一致。话虽如此，角色一致性还算不错：发型相同、面部结构相近，但衣服变了。

我还注意到输出中有一些视觉伪影（看看那双鞋）。而且我本以为会得到一个单镜头，结果一次生成里出现了三个剪切。后来我意识到自己在提示词里不小心暗示了第二个剪切，这点怪我——但第三个镜头从何而来，我至今不清楚。

更糟的是，从 Scene Builder 导出时音频完全被移除了。我不确定这是 bug 还是当前设置的限制，但似乎没有直接的解决办法。好在您可以分别下载每个镜头——于是我在 DaVinci Resolve 里把它们重新拼接起来。

Google 在 Scene Builder 上还有很多工作要做，但前景可期！

用 Ingredients to Video 实现模块化控制

Flow 中一个更具实验性（也更有趣）的功能是 Ingredients to Video。它赋予您模块化控制：先单独生成各个元素——称为ingredients（配料）——再把它们组合成一个场景。

您可以通过图像生成功能创建配料，不过目前还不支持图像上传。以下是 Google 团队的示例：

这次测试里，我想尝试点儿荒诞的——一支好笑、卡夫卡风格的小短片：

一只长着人脸的虫子开着一辆 SUV。但这里还有个反转（好像已经不够离奇了似的）：驾驶座是一张国王的王座椅。

首先，选择 Ingredients to Video 选项：

我先逐一生成三个配料：王座椅、SUV 和虫子。

遗憾的是，这个功能目前运行在 Veo 2 上，而不是 Veo 3。从下拉菜单里技术上可以选择 Veo 3，但生成时总会自动切回 Veo 2，并显示如下警告：

不出所料，输出质量不尽如人意：

提示词：

一只长着人脸的虫子平静地驾驶一辆 SUV，坐在一张巨大的国王王座上。

话虽如此，三个配料里有两个——尤其是虫子和王座椅——效果出奇地好。SUV 就不太行了……

若能用上 Veo 3 的能力，这个设定的效果大概率会更强。目前来看，这种模式有潜力，但还差点火候。

Frames to Video

Frames to Video 的思路是：您提供第一帧和最后一帧，模型尝试为两者之间制作动画过渡（可以由您控制镜头运动）。您可以通过提示生成这些帧，或（将来）自行上传——目前尚不支持图像上传。

与 Ingredients 功能类似，此模式会自动默认到 Veo 2，质量受到明显限制。我没能用它生成什么特别有用的内容。

最后我用它给一只变色龙的单镜头做了个动画。我把同一张图设为起始和结束帧，并请求推进（dolly-in）机位运动——但这一点在最终渲染中并未被遵循。

提示词：

一只变色龙一动不动地蹲在树枝上，双眼向相反方向缓慢扫描，耐心等待猎物。

Veo 3 最佳实践

当您通过 Flow 首次获得 Veo 3 的使用权限时，起始会有 12,500 点额度。每次视频生成都会消耗额度——使用 Veo 3 每次为 150 点——因此从一开始就需要有策略。

我的建议：认真思考提示词，并一次只生成一个输出。您需要把额度分摊到整个月份，而每次生成都需要时间——通常 2 到 3 分钟，甚至更久。这让迭代相对缓慢，试错既不便宜也不高效。

在提示词撰写方面，Google 提供了 Vertex AI 视频生成提示词指南，提供针对 Veo 的有效提示词结构化方法。指南强调了清晰、具象的提示词的重要性，并给出了入门示例。

如果您还想获取更多指导， Runway Gen-3 Alpha 提示词指南也很有价值。它提供了打造高质量视频输出的详细提示策略，对使用 Veo 3 同样有帮助。

结语

自从GPT-4o 的图像生成以来，我还没被哪次 AI 突破震撼到这种程度。

Veo 3 带来了一种本质上全新的体验：用自然语言提示生成连贯、内嵌音频的视频。仅此一点，就足以让它从我测试过的其他产品中脱颖而出。

当然，它也有缺点——提示词漂移、像 Scene Builder 这类关键工具无法全面使用 Veo 3，以及偶现的视觉故障——但核心体验确实令人兴奋。

最突出的是，它已经很接近可用的创作管线。稍加剪辑并谨慎撰写提示词，您就能在数小时内从创意到分镜，再到一个可运行的短项目。加上角色一致性（尽管还有些脆弱）、内嵌音频输出，以及对模块化工作流的支持，它开始像是一款真正严肃的工具。