Google Veo 3 发布：PromptHero 详解电影级视频生成提示词设计指南

DeepMind 于 2025 年 5 月正式发布了 Google Veo 3，这不仅是 AI 视频生成技术的重大飞跃，更代表了一种全新的创作范式。与早期仅能“可视化文本”的模型不同，Veo 3 被设计为一台完整的电影制作引擎，具备原生音频生成、逼真的物理运动模拟以及高达 4K 的分辨率输出能力。

根据 PromptHero 的最新技术指南，要有效驾驭 Veo 3，提示词（Prompt）的设计逻辑必须发生根本性转变：它们不再是简单的场景描述，而必须是方向性脚本（Directional Scripts），如同导演向摄影组发出的具体指令。

1. 理解 Veo 3 的核心能力

Veo 3 在文本理解上展现了四个关键优势，这决定了提示词设计的方向：

• 精确指令遵循：模型能准确执行复杂指令。例如，描述“巴黎咖啡馆内年轻艺术家素描，窗外晨光映照在湿漉漉的石板路上。镜头：从窗户缓慢推近”，模型不仅能还原场景，还能捕捉氛围、视角与基调。
• 原生音频生成：Veo 3 能够生成同步的声音。用户只需输入“东京拥挤的拉面店。音频：滋滋作响的锅具、日语交谈声、老式收音机里的柔和爵士乐”，模型即可构建视听一体的连贯序列。
• 物理模拟：对物理描述极为敏感。如“丝绸旗帜在山地风中飘扬，慢动作背光拍摄”，能产生流畅可信的运动效果。
• 电影语言理解：模型天然理解电影术语，如“跟拍（Tracking shot）”、“过肩镜头（Over-the-shoulder）”、“摇臂（Crane-up）”等。

2. 构建强效提示词的解剖学

一个强大的 Veo 3 提示词应覆盖所有电影维度：主体、背景、动作、风格、镜头、构图、氛围与音效。

优秀示例：

“一位中年男子独自坐在雨后的咖啡馆。雨滴划过窗户，霓虹灯倒影在他脸上闪烁。镜头：穿过玻璃缓慢推近。氛围：冷蓝色灯光混合温暖的咖啡馆色调。音频：静谧的爵士乐，远处雷声滚动，杯子轻碰声。”

这种结构赋予了模型视觉、情感与听觉的清晰度，确保最终视频与创作者的愿景高度对齐。

3. 结构化思维的重要性

Veo 3 并非通过关键词匹配工作，而是通过理解元素间的关系。模糊的提示如“一只猫在房间里”往往导致随机元素生成；而详细的描述如“一只虎斑猫穿过充满阳光和漂浮尘埃的杂乱艺术家工作室”则提供了明确的意图与方向。

• 主体、背景与动作：定义发生了什么。
• 风格、镜头与构图：定义如何拍摄。
• 氛围与音效：定义感觉如何。

三者结合，将文本转化为具有叙事张力的短片脚本。

4. 镜头语言的直接控制

Veo 3 能够直接通过文本指挥镜头运动，这是其最先进的能力之一。用户可以使用“摇摄（Pan）”、“仰拍（Tilt）”、“推镜头（Dolly in）”、“环绕镜头（Orbit shot）”或“手持摄影（Handheld camera）”等术语。

实战案例：

“两名战士在雨夜街头决斗，火花四溅。镜头：手持环绕快速拍摄，随后慢动作特写一击。风格：粗粝的动作片。氛围：霓虹反射，大雨。音频：金属撞击声、雨打沥青声、激烈的鼓点。”

在这里，文字即镜头运动，直接决定了画面的能量与情绪。

5. 高级电影级控制

除了镜头运动，用户还可以通过景别（特写、全景）、镜头类型（微距、浅景深、广角）、光照（黄金时刻、低键照明）和音效提示来微调输出。

关键技巧：

• 正向表述：避免使用“no”或“don't”，而是用正向描述替代。例如，不说“没有汽车”，而说“月光下的空石板路”。
• 明确音效：Veo 3 会生成对白、音效和音乐。例如，“艾玛：‘我们不该在这里……' 音频：远处雷声，高草丛中的微风声”。

6. 实用工作流建议

高质量提示词的创作是一个迭代过程。首次尝试往往不完美，创作者应通过调整措辞、增加感官细节或改变镜头方向来不断精炼每一版输出，直至达到理想的电影质感。

“在 Veo 3 时代，提示词就是你的故事板。越具体的指令，最终视频就越能还原你的内心影像。”