使用 Google Veo 3.1 创建视频

Google Veo 3.1 是什么

Veo 3.1 是 Google DeepMind 的视频生成模型，于 2025年10月15日 发布，作为 Veo 3 的后继者。Google 的发布文章用一句话概括它：更丰富的音频、更强的叙事控制，以及能捕捉真实世界质感的增强写实度，在将图像转化为视频时具备更强的提示词遵循能力和更佳的视听质量。

发布文章直接点名了能力变化。音频支持首次覆盖现有功能，因此 Ingredients to Video、Frames to Video 和 Extend 全都能产出声音。场景扩展（scene extension）获得了独立章节，文章还描述了对编辑更细粒度的控制，包括插入、移除或更改片段中的元素。

2026年1月13日 的第二篇官方文章延续了这一路线：Ingredients to Video 即使使用简短提示词也能带来更丰富的对话与叙事；角色一致性（identity consistency）让角色在不同场景中保持同一外观；原生竖屏输出适配竖版格式；以及最先进的超分放大至 1080p 和 4K。该更新已覆盖 Gemini app、YouTube、Flow、Google Vids、Gemini API 和 Vertex AI。

Google 发布的三个变体

Google 的 Vertex AI 模型卡（最后更新于 2026年10月10日）记录了三个 Veo 3.1 变体，各自拥有独立的模型 ID 与能力集合。下表各行引自该模型卡。

模型卡上的每个变体都带有内容凭证（C2PA），因此通过 API 生成的片段会附带来源元数据。模型卡还将每个变体的服务区域标记为 us-central1，提示词语言标记为英语。

模型卡规定了什么

以下是同一张 Vertex AI 模型卡中的共享技术规格，按原文引用。

有两行值得直白解读。4K 输出一行仅属于 Generate 变体；仅限英语一行意味着无论你想让片段中说哪种语言，提示词文本都应以英语书写。

Google 发布的两项基准测试

DeepMind 模型页为 Veo 3.1 发布了两项偏好基准测试，均在 MovieGenBench（Meta 发布的数据集）上运行。图表复制于下方画廊。

两者都是 Google 对自家模型的评测，发布在模型的营销页面上。它们是第一方数字，并非独立审计，本页也仅以这一性质转述它们。

Google 为该模型发布的提示词

下方每条提示词均发布于 Google 的 Gemini API 文档 Veo 章节，并逐字复制。每个示例旁的代码块标明模型为 veo-3.1-generate-preview，因此这些字符串由 Google 自己的文档绑定到 3.1 系列。

开发者文档还在其视频旁发布了另一条值得注意的字符串：一段用于扩展现有片段的短提示词（跟踪蝴蝶进入花园，落在一只橙色折纸花上），extend 功能正是这样演示的。本页的演示片段则不同：Google 的发布视频没有公布逐条提示词，因此其卡片上不显示任何提示词。

A close up of two people staring at a cryptic drawing on a wall, torchlight flickering. A man murmurs, 'This must be it. That's the secret code.' The woman looks at him and whispering excitedly, 'What did you find?'

Drone shot following a classic red convertible driven by a man along a winding coastal road at sunset, waves crashing against the rocks below. The convertible accelerates fast and the engine roars loudly.

A whimsical stop-motion animation of a tiny robot tending to a garden of glowing mushrooms on a miniature planet.

The video opens with a medium, eye-level shot of a beautiful woman with dark hair and warm brown eyes. She wears a magnificent, high-fashion flamingo dress with layers of pink and fuchsia feathers, complemented by whimsical pink, heart-shaped sunglasses. She walks with serene confidence through the crystal-clear, shallow turquoise water of a sun-drenched lagoon. The camera slowly pulls back to a medium-wide shot, revealing the breathtaking scene as the dress's long train glides and floats gracefully on the water's surface behind her. The cinematic, dreamlike atmosphere is enhanced by the vibrant colors of the dress against the serene, minimalist landscape, capturing a moment of pure elegance and high-fashion fantasy.

本工作区开放的能力

选择器是这里能提交什么的最终权威，它比模型卡更窄。下表各行读取自本站自己的模型配置和公开产品目录。

路由一行很重要且容易被忽略：这里生成的片段来自 Fast 变体，因此选择器中的 4K 选项只是一个请求参数，并不能证明某个片段由完整的 Generate 模型渲染。音频一行同理；生成音频由服务端默认应用，此选择器没有为它提供任何开关。

本工作区未开放的能力

模型卡记录了一些此选择器没有对应控件的能力。列出它们是为了让你不必寻找。

• 首尾帧模式：模型卡为 Generate 和 Fast 记录了该能力，这里不提供。
• Extend：文档所述延续现有片段的方式，这里不提供。
• 多于一张图像的参考图生成：Google 的开发者文档描述最多 3 张参考图像；本工作区在图生视频中只接受一张。
• 变体选择：没有在 Generate、Fast 和 Lite 之间选择的选项。路由固定为 Fast。
• 批量生成：模型卡允许每个提示词最多 4 个输出；本工作区一次只提交一个任务。
• 音频开关：生成音频由服务端默认开启，请求中没有切换项。

如何在这里生成

四个步骤，按工作区要求的顺序。

1. 选择模式：文本生视频；若要用一张静态图驱动镜头，则选图像生视频。
2. 用英语撰写提示词，或从上方列表打开一条并复制。
3. 在 4 到 8 秒之间设置时长、分辨率和宽高比；若要让静态图动起来，再附上一张参考图像。
4. 阅读报价，在工作区要求时登录，然后提交。若任务失败，先阅读其状态再重试，以免提交重复任务。

为什么其他网站引用不同的数字

排名靠前的页面以互不兼容的单位引用价格与能力。它们之中没有任何一个数字适用于在此提交的任务。

以下价格于 2026年10月 直接读取自竞品页面本身。它们是第三方服务的第三方数字，会变动，且单位之间无法干净换算。

对本页任务唯一有效的数字，是工作区在提交前一刻打印的报价，该报价由服务端从实时目录解析而来。

• convly.ai，一个模型目录页，标注视频每秒 0.05 美元起。
• YeLin AI，一个 API 转售商，在其自有 OpenAI-compatible 接口中标注每次生成 0.15 美元起，覆盖 8 个模型变体。
• veo3ai.io，一个工具站，以中文标注注册赠送额度内每条 8 秒片段 10 积分。
• Fastlane，一个营销博客，描述 48 kHz 原生音频与用于产品镜头的 Ingredients to Video；其自身不销售生成服务。

本页不做承诺的地方

模型页应说明自身主张的边界。以下是本页的边界。

• 不承诺任何免费额度。存在的积分只显示在你的账户中，不显示在这里。
• 画廊中的四段片段是 Google DeepMind 的官方发布演示。没有一段在本站生成。
• 两项基准数字是 Google 对自家模型的评测。本页未运行任何自己的对比。
• 发布主张（更丰富的音频、更强的提示词遵循、角色一致性、超分放大）是 Google 对自家产品的描述，仅以此性质转述。
• 官方发布视频没有公布提示词，因此其画廊卡片不显示提示词，而非编造一条。
• 第三方价格是这些企业在 2026年10月 为其自身服务公布的数字；它们不是在此提交任务的报价。
• 延迟、排队行为与最终计费取决于你提交那一刻的服务状态，而非此处陈述的任何内容。

示例与数字的来源

本页的每个数字、每段片段都可追溯到下列来源之一。媒体授权随画廊卡片注明。