如何使用 Veo 3.1 生成带声音的逼真视频

Veo 3.1 是当片段必须看起来像拍摄而非生成时的首选模型：真实世界的物理、可信的皮肤和水，以及业界最佳的原生对话。在 ManifoldGen 上，它以图生视频方式运行，分为两个层级——Fast 用于迭代，Standard 用于成片——两者都支持同步声音。

始终从静帧开始

ManifoldGen 的两条路线都是图生视频，这本来就是正确的工作流。Veo 严格遵循构图，所以静帧免费提供了选角、取景和灯光方向——然后视频提示只需描述运动和声音。用任何图像模型生成你的帧，挑选你本来会拍摄的镜头，然后让它动起来。

像导演一样写动作，而不是写说明文字

The chef turns from the window, wipes her hands on her apron,
and looks back at the rain. Camera holds static; depth of field
stays on her hands. Rain streaks the glass; kitchen ambience,
distant radio, one low thunder roll.

• 每个分句一个主体动作——"转身"、"擦拭"、"注视"是Veo会忠实编排的三个节拍。
• 明确说明镜头——"固定"、"缓慢推进"。沉默会导致漂移。
• 指出不应移动的部分——"景深保持在她的手上"比期望更能锁定焦点。
• 配乐——环境音、一段音乐提示或天气层。未指定的音频默认为室内环境声。

对白要自然

Veo渲染语音时具有唇形同步，如果你指定口音，甚至可以控制口音。台词保持在十二个词以内，用引号括起来，并注明说话者：他说，"把门锁上。"面部在中近景或更紧的景别中表现最佳；远景中的对白会浪费该功能。

选择时长

四秒适合插入镜头和社交媒体循环；六秒处理完整的动作节拍；八秒适合一句对白加一个反应。如果场景需要更多，生成两个八秒的镜头，并匹配静帧（相同角色画面，不同机位）进行剪辑——Veo在剪辑间保持身份一致性的能力远强于单次长生成。

故障排除

• 物理效果展示——水、布料和火是Veo的强项，但它们需要空间。紧凑的取景会迫使走捷径；加宽镜头而不是减慢运动。
• 主体忽略源图像——你的提示重新描述了外观。去掉关于人物的形容词；只保留运动和音频。
• 对白听起来像配音——缩短台词并标记表达方式（"轻声"、"肩后"）。
• 八秒在中间部分松弛——添加一个持续的环境从句（雨继续下，人群低语持续）来支撑中间节拍。

在/tools/veo-3-1-fast运行草稿，在/tools/veo-3-1运行最终版；自动化在/api/video-generators/veo-3-1-fast和/api/video-generators/veo-3-1实时镜像。