google-veo

使用 Google Veo 制作视频

将 Veo 请求视为镜头制作任务，而不是通用文本补全任务。生成前，先确定访问途径、模型、输入模式、镜头要求和交付约束。

正确理解证据标签

• 已记录表示 Google 当前的第一方 API 文档、模型卡、政策或技术报告中有相关说明。
• 第一方评估表示相关数据由 Google 测量或报告；不要将其表述为独立验证的优势。
• 生产经验表示根据已记录的接口和常见镜头制作约束总结出的实用操作建议，并非服务提供方的保证。
• 文档缺口表示 Google 当前页面之间存在冲突，或通用架构中公开的字段不受所选模型卡支持。请先进行低成本预检，不要凭猜测行事。

本技能中的所有易变信息均已于 2026-07-09 核实。在付费生产前，请重新确认模型生命周期、配额、定价、区域可用性和条款。

确认 Veo 是否适合你的 Google 视频模型需求

如果镜头生成工作流需要 Veo 的首帧／末帧控制、素材引用、扩展、成熟的发布方模型集成或 Veo 原生音频契约，请使用 Veo。本技能不适用于视频理解或转录。

Google 当前产品指南中已记录： Google 的 Gemini API 视频概览目前建议将 Gemini Omni Flash 作为默认选项，以实现多模态连贯性、角色一致性、事实准确性和对话式多轮视频编辑；而 Veo 3.1 则定位于场景扩展、末帧控制和旧版流水线集成等能力。请将其视为服务提供方的路由建议，而不是独立的质量证明。如果请求只是“制作一段视频”，且不需要 Veo 特有的控制功能，请先比较 Google 当前的视频模型，再做决定。请参阅 Gemini API 中的视频生成。

先确定访问途径，因为“Veo 3.1”并不代表单一的 API 契约

Gemini Developer API

当你需要 API 密钥访问、每次调用只生成一个输出，以及 Veo 3.1 原生生成音频时，请使用 Gemini Developer API。

已记录，核实日期：2026-07-09：

• 当前模型 ID 为 veo-3.1-generate-preview、veo-3.1-fast-generate-preview 和 veo-3.1-lite-generate-preview。
• 这些预览模型接受文本和图像输入，返回一个视频，并在生成视频时同时生成音频。标准版和 Fast 版支持 720p、1080p 和 4K；Lite 版支持 720p 和 1080p，但不支持 4K 或扩展。
• 视频片段时长为 4、6 或 8 秒，但 1080p、4K、参考图像和扩展任务必须为 8 秒。输出帧率为 24 fps。提示词上限为 1,024 个 token。
• REST 请求通过 POST https://generativelanguage.googleapis.com/v1beta/models/{MODEL}:predictLongRunning 提交，并使用 x-goog-api-key。使用 GET https://generativelanguage.googleapis.com/v1beta/{operationName} 轮询返回的操作。请在保留期限内使用 API 密钥下载返回的 URI。
• 生成的文件会在 Google 服务器上保留两天。Gemini API 扩展途径接受先前操作生成的 Veo 720p 视频，并增加七秒；只要合并后的输入仍在文档规定的限制内，最多可重复扩展 20 次。

请参阅当前的 Gemini Veo 指南、Gemini 定价和 Gemini 发布说明。

Gemini Enterprise Agent Platform / Vertex 发布者模型路径

当稳定的模型 ID、IAM、Cloud Storage、区域治理、每条提示词最多生成 4 个变体、Provisioned Throughput 或 Cloud 安全控制很重要时，请使用 Google Cloud 路径。当前 Google 文档将其称为 Gemini Enterprise Agent Platform；较早的集成和环境标志可能仍称其为 Vertex AI。

文档已确认，验证日期：2026-07-09：

• 稳定 ID 为 veo-3.1-generate-001 和 veo-3.1-fast-generate-001。veo-3.1-lite-generate-001 处于 Preview 阶段。
• 已弃用的预览 ID veo-3.1-generate-preview 和 veo-3.1-fast-generate-preview 在此路径上的退役日期为 2026 年 4 月 2 日。请勿将 Gemini Developer API 预览 ID 用于 Cloud 发布者模型路径。
• Standard 和 Fast 稳定版卡片支持文本生成视频、图像生成视频、首尾帧生成、视频延长和素材参考图。Lite 支持文本、图像和延长，不支持参考图。官方文档对 Lite 是否支持首尾帧生成存在冲突：Veo 3.1 模型卡片列出了此功能，而专门的首尾帧指南仅列出 Standard 和 Fast。在针对具体模型的预检成功前，请将 Lite 的首尾帧支持视为尚未确认。
• 此路径支持 1–4 个输出、4/6/8 秒片段、9:16 或 16:9、24 fps、MP4 以及 Cloud Storage 输出。参考图生成时长为 8 秒。官方 Cloud 文档也对 4K 的成熟度存在冲突：模型卡片和延长指南列出了 4K，而当前各模式的生成指南仍将 "4k" 标为仅 Preview。REST 中请使用小写 "4k"，并在承诺支持前对确切的端点和模式进行预检。当前模型卡片列出了 us-central1；部署前请确认位置。
• 当前 Enterprise 模型卡片不支持按需付费。若生产用量较大，请在选择此路径前确认固定配额或 Provisioned Throughput。
• REST 请求通过 OAuth 提交至 POST https://us-central1-aiplatform.googleapis.com/v1/projects/{PROJECT}/locations/us-central1/publishers/google/models/{MODEL}:predictLongRunning。使用 POST .../publishers/google/models/{MODEL}:fetchPredictOperation 轮询，并在请求正文中传入 {"operationName":"..."}。

请参阅当前的 Veo 3.1 模型卡片、模型生命周期和视频 API 指南。

不要抹平不同路由之间的差异

Contract	Gemini Developer API	Enterprise Agent Platform publisher model
Authentication	x-goog-api-key	OAuth / ADC
Current Standard ID	veo-3.1-generate-preview	veo-3.1-generate-001
Current Fast ID	veo-3.1-fast-generate-preview	veo-3.1-fast-generate-001
Current Lite ID	veo-3.1-lite-generate-preview	veo-3.1-lite-generate-001 (Preview)
Outputs per call	1	1–4
Output delivery	temporary Gemini file URI	inline result or storageUri / GCS URI
Operation polling	GET v1beta/{operationName}	POST ...:fetchPredictOperation
Native audio	always on for current 3.1 variants	model-specific; see warning below
Stable 3.1 IDs	none documented	Standard and Fast -001

文档缺口——音频： Gemini Developer API 明确说明，所有三个 3.1 变体都始终启用原生音频。2026-07-09 的 Cloud 模型卡列出，Enterprise Standard 和 Fast 不支持声音生成，而 Enterprise Lite 支持；通用 Cloud 参数架构中仍包含 generateAudio。请以所选模型卡为准，而不是通用字段列表。如果 Cloud 音频是交付要求，请先运行一次有代表性的预检，并检查实际音频流，再确定预算。切勿仅凭 generateAudio 存在，就承诺 Enterprise Standard/Fast 支持原生对话。当前的 Cloud 模型卡是权威依据。

文档缺口——通用字段： VideoGenerationModelInstance 提供摄像机控制、遮罩、风格参考和视频编辑字段，而 Veo 3.1 模型卡称不支持对象插入/移除和风格参考图像。架构描述的是外层数据结构，并不代表每个模型都支持其中的全部能力。请将架构与所选模型卡取交集。

根据生产目标选择 Veo 变体

• 如果最终主镜头、复杂运动、面部表演、精确氛围或当前路由可提供的最佳质量比吞吐量更重要，请选择标准版。这是一种生产经验法则；Google 并未针对所有创作需求发布通用的质量排名。
• 对于分镜、创意 A/B 测试、镜头列表探索、大规模广告和对延迟敏感的服务，请选择快速版。Google 将 Fast 定位为适用于速度优先和商业用例。
• 对于低成本/高容量迭代，请选择轻量版。在 Gemini Developer API 上，它不支持扩展或输出 4K，也不接受参考图像。在 Enterprise 上，根据当前模型卡，它支持扩展和音频，但仍不支持参考图像。
• 对于长期运行的生产集成，请使用稳定的 Enterprise -001 模型。只有当其契约（尤其是原生音频）值得承担预览版生命周期风险时，才使用 Developer API 预览模型。
• 不要将 Veo 2 或 Veo 3 ID 用于新的 Gemini Developer API 集成；当前 Gemini 文档已将其标记为弃用。Cloud 仍列出稳定的 Veo 2/3 ID，且尚未宣布退役；其迁移指南则建议新集成使用 Veo 3.1。除非当前生命周期页面明确说明 Cloud ID 已退役，否则不要这样描述。

文档所列价格快照，Gemini Developer API，2026-07-09： 标准版（含音频）在 720p/1080p 下为每秒 USD $0.40，在 4K 下为每秒 $0.60；快速版在 720p/1080p/4K 下分别为每秒 $0.10/$0.12/$0.30；轻量版在 720p/1080p 下分别为每秒 $0.05/$0.08。Veo 没有免费套餐。请将其视为带日期的预算依据，而非永久价格表；请重新核对官方定价页面。

每个镜头选择一种生成模式

文本生成视频

当构图可以灵活变化，且探索很有价值时使用。提示词负责指定主体、动作、场景、视觉风格、摄像机、灯光、时长，以及（对于支持音频的契约）声音。

首帧图像生成视频

当开场构图、产品设计、角色外观或品牌颜色必须保持一致时使用。输入图像会成为首帧。在提示词中提供动作和声音；不要过度重述图像内容，以免模型必须在像素和文本之间做选择。

**制作经验法则：**将图像调整为目标宽高比，在运动方向留出足够空间，不要将字幕直接嵌入图像，不要出现不可能的遮挡，并确保姿势符合物理规律，以便从该姿势开始执行所请求的动作。

首帧和尾帧

当两个端点都很重要时使用：例如产品从关闭到打开、昼夜转换、前后对比或受控过渡。将首帧图像作为 image 传入，将结束图像作为 lastFrame / last_frame 传入。两张图像必须呈现出在 4–8 秒内合理可实现的过渡。

**制作经验法则：**确保端点之间的主体身份、镜头系列、相机高度、场景几何结构和光照方向保持一致。描述帧与帧之间的动作，而不是分别描述两个场景。主体身份或视角的大幅不连续容易引发变形效果。

资产参考图像 / 素材

最多使用三张 asset 图像，在整个镜头中保持同一个人物、角色、产品、服装或物体的一致性。在 Gemini Developer API 上，只有 Standard 和 Fast 支持此功能；当前 Gemini 文档指出 Lite 不提供 referenceImages。在 Enterprise 上，Standard 和 Fast 支持资产参考；Lite 不支持。

• referenceImages 是引导素材，不是起始帧。
• 起始帧使用 image；当前接口约定不允许它与同一实例中的 referenceImages 同时使用。
• 尽管通用架构中列出了该参考类型，但 Veo 3.1 不支持在 Enterprise 路由上使用 style 参考图像。
• 使用整洁的视图集：选取不同角度或组件，保持外观一致，尽可能使用中性背景，避免主体出现互相矛盾的版本。

延长

当保持与现有 Veo 视频片段的连续性比创建独立镜头更重要时使用。

• Gemini Developer API：输入必须是先前 Veo 生成结果中的 Video 对象；视频必须为 720p、16:9 或 9:16、时长不超过 141 秒，并且仍可用。每次延长会增加七秒；返回的视频包含原视频和延长部分。
• Enterprise：当前文档接受时长为 1–30 秒、24 fps、720p/1080p/4K 且宽高比为 9:16/16:9 的 MP4，并返回七秒的延长片段。请遵循该路由自己的指南，不要套用 Gemini 的保留规则。
• 延长生成会以最后一秒 / 24 帧为条件。如果最后一秒没有声音，台词或语音的连续性就不可靠。

**制作经验法则：**只描述下一个节拍。保持主体、移动方向、相机轨迹、光照和背景音轨一致。不要重述整个前序视频片段；重述可能导致内容重复或重置。

编写 Veo 镜头契约

Google 文档列出的提示词要素包括主体、动作、风格、摄像机位置／运动、构图、对焦／镜头效果和氛围。支持音频的路由还接受对白、音效和环境声提示。用这些要素构建一个连贯的时间事件。

语言边界，已于 2026-07-09 验证： Gemini 文档说明，英语获得全面支持，其他提示词语言尚未评估；Enterprise 卡片列出的语言为英语。使用确切路由预检非英语提示词和口语对白。对于精确的本地化、法律措辞或发音，应计划采用 ADR 或后期制作，而不要承诺生成结果能够达到母语级保真度。

需要时可按以下顺序组织；这并非强制语法：

1. 说明镜头和景别。
2. 指明稳定的主体和场景。
3. 描述一个有起始、发展和结束的主要动作。
4. 指定一种占主导地位的摄像机运动。
5. 补充镜头／对焦、光线、色调、质感和媒介。
6. 路由支持音频时，另用一句话说明音频。
7. 仅在必要时说明必须保持稳定的内容。

制作经验法则： 8 秒片段的叙事空间很有限。优先选择一个地点、一种主要摄像机运动、一个焦点动作，最多再加一段简短对话。需要剪辑时，应生成多个镜头，而不是硬把微型蒙太奇塞进一个提示词。

摄像机语言

区分位置、景别和运动：

• 位置：平视、低角度、俯拍、航拍。
• 景别：极特写、特写、中景、远景、双人镜头。
• 运动：摇摄、俯仰、推轨／推进、拉远、横移、升降、弧形运动、升降臂、手持、甩镜头、无人机。
• 光学效果：微距、广角、长焦压缩、浅／深景深、焦点转换。

除非镜头明确需要复合路径，否则只使用一种主要运动。“从中景缓慢推进至特写”比列出 5 种摄像机运动更容易执行。

Cloud 通用实例架构还为仅适用于图生视频的 cameraControl 定义了 fixed、pan_left、pan_right、tilt_up、tilt_down、truck_left、truck_right、pedestal_up、pedestal_down、push_in 和 pull_out。将其视为受模型限制的 API 字段。不要同时使用相互冲突的提示词运动和枚举值。

音频语言

在 Gemini Developer API 上，Veo 3.1 始终启用音频。请分别提示以下三个层次：

• 对白：说明说话者、表达方式和简短的确切台词。
• 音效：指出与画面同步的独立事件，例如门闩咔哒声、倾倒声、脚步声或引擎声渐起。
• 环境声：说明持续的背景声，例如房间底噪、海浪声、远处的车流声或虫鸣。

口语内容应简短，确保适合片段时长。另用一句话说明声音方向。如果准确措辞、无障碍需求、本地化或法律文案至关重要，即使请求原生音频，也应计划在后期替换或混音。

Google 的 Developer API 指南展示了带引号的对白，而当前 Cloud 最佳实践页面则建议使用冒号且不加引号，以减少意外生成文字的情况。请遵循特定路由的示例；若要跨路由稳健地编写提示词，建议采用 Speaker says: exact line 格式，并检查画面中是否出现了不需要的文字。

负向提示词

使用 negativePrompt / negative_prompt 指定视觉问题类别，而不是表达核心创作方向。Google 建议使用名词／属性列表，而不是指令：使用 extra fingers, duplicate product, warped logo, subtitles, on-screen text, jump cuts，而非 do not show text。

不要使用负向提示词绕过安全过滤器，也不要间接请求不允许的内容。

提示词增强和种子

• Enterprise 提示词改写器会补充细节，且 Veo 3 和 3.1 必须使用；无法禁用。只有在原提示词少于 30 个词时，才会返回改写后的提示词。
• 通用架构中已弃用的 enablePromptRewriting 不起作用；其替代项是 enhancePrompt，但所选模型仍可能强制启用增强。
• 种子可以稍微提高可重复性；Google 明确表示它不能保证确定性。如果 sampleCount > 1，即使提供了种子，服务也会为不同输出使用不同的随机种子。提示词增强会进一步降低可重复性。

记录已提交的提示词、路由、模型 ID、输入哈希、配置、操作名称、返回的 URI 和选定的输出。不要承诺能够生成逐位完全相同的结果。

严格按架构使用

Gemini Developer API：Python SDK 模式

import time
from google import genai
from google.genai import types

client = genai.Client()  # GEMINI_API_KEY
operation = client.models.generate_videos(
    model="veo-3.1-generate-preview",
    prompt=PROMPT,
    image=START_IMAGE,  # omit for text-to-video
    config=types.GenerateVideosConfig(
        last_frame=END_IMAGE,       # omit unless interpolating
        aspect_ratio="16:9",
        duration_seconds=8,
        resolution="1080p",
        number_of_videos=1,
        negative_prompt="subtitles, on-screen text, duplicate objects",
    ),
)

while not operation.done:
    time.sleep(10)
    operation = client.operations.get(operation)

if not operation.response or not operation.response.generated_videos:
    raise RuntimeError(f"No video returned: {operation}")

generated = operation.response.generated_videos[0]
client.files.download(file=generated.video)
generated.video.save("shot.mp4")

对于参考素材，省略 image 和 last_frame；将 VideoGenerationReferenceImage(..., reference_type="asset") 对象放入 config.reference_images。对于扩展，将先前返回的 Video 作为 video 传入，指定 720p，并省略不兼容的图像字段。

Gemini Developer API：REST 格式

{
  "instances": [{
    "prompt": "A single coherent shot...",
    "image": {"inlineData": {"mimeType": "image/png", "data": "BASE64"}},
    "lastFrame": {"inlineData": {"mimeType": "image/png", "data": "BASE64"}}
  }],
  "parameters": {
    "aspectRatio": "16:9",
    "durationSeconds": 8,
    "resolution": "1080p",
    "sampleCount": 1,
    "negativePrompt": "subtitles, on-screen text, duplicate objects"
  }
}

image、lastFrame、referenceImages 和 video 属于 instance 内部。生成控制项属于 parameters。不要将 referenceImages 移入 parameters。

Enterprise 发布方模型 REST 格式

{
  "instances": [{
    "prompt": "A single coherent shot...",
    "image": {
      "gcsUri": "gs://bucket/input/start.png",
      "mimeType": "image/png"
    }
  }],
  "parameters": {
    "storageUri": "gs://bucket/output/shot-01/",
    "sampleCount": 4,
    "durationSeconds": 8,
    "aspectRatio": "16:9",
    "resolution": "1080p",
    "personGeneration": "allow_adult",
    "negativePrompt": "subtitles, on-screen text, duplicate objects",
    "seed": 17321
  }
}

当前 Cloud 参考文档支持将 JPEG/PNG 图像作为 bytesBase64Encoded 或 gcsUri。通用的 VideoGenerationModelInstance 不允许同时使用 image、video 和 referenceImages；lastFrame 需要 image；referenceImages 需要 prompt。instance 架构见 VideoGenerationModelInstance，参数见 VideoGenerationModelParams。

安全运行长时间作业

1. 提交前验证路由、模型 ID、输入兼容性、计费/配额、区域和输出目标。在 Enterprise 上，确认固定配额或 Provisioned Throughput；不要假设可以按需付费。
2. 立即持久化返回的操作名称。确保进程重启后可以恢复作业。
3. 以适中的间隔轮询——Google 示例中 Gemini 使用 10 秒，Cloud 使用 15 秒。对于临时的 429/5xx 响应，使用带抖动的指数退避；不要仅因轮询失败就重新提交生成请求。
4. 设置长于正常生成延迟的墙钟超时，但保留操作名称并在之后继续轮询，而不是重复付费作业。Gemini 文档说明，高峰期耗时为 11 秒至 6 分钟。
5. 完成后，先检查操作级错误，再读取输出。将空结果集或结果过少视为已过滤/生成失败，而非成功。
6. 及时下载或复制输出。Gemini 文件会在两天后过期；Cloud 输出应写入受控存储桶，并设置保留和生命周期规则。
7. 使用媒体工具检查每个返回的文件：时长、帧率、宽高比、分辨率、编解码器、是否包含音频流，以及解码错误。

对于 Cloud 事件驱动工作流，通用参数架构中提供了 pubsubTopic。只有在确认权限和所选模型路径后才使用它；同时保留轮询作为恢复机制。

审核生成的镜头，而不仅是首帧

以全速完整查看，逐帧抽查，并检查音频。

技术检查

• 文件从头到尾均可解码。
• 时长、24 fps、分辨率和宽高比均符合请求。
• 音频是否存在符合路由/模型约定；对话清晰可懂且同步。
• 没有意外黑帧、片尾冻结、帧损坏、削波或严重压缩伪影。

连贯性与制作质量关卡

• 主体身份、产品几何形状、服装和场景布局保持稳定。
• 主要动作在镜头内清晰完成。
• 摄影机运动遵循一条清晰可辨的路径，不出现无法解释的剪切。
• 手部、接触、液体、反射、文字、徽标和物体数量经时间维度检查后均保持一致。
• 首帧/末帧任务均达到预期构图，不出现临近结束时的变形。
• 延续内容从源片段尾部连续开始；运动方向、光线、环境氛围和人声不会重置。

剪辑与音频关卡

• 开场画面为剪辑提供可用的入点，最后几帧提供可用的出点。
• 台词足够准确，符合预期用途；不同说话者不会互换声音。
• 音效与可见事件同步；环境音不会忽强忽弱或消失。
• 不出现意外字幕、伪文字、提供方来源标识之外的水印或未经授权的标记。
• 镜头无需依赖提示词背景知识，也能传达预期节拍。

一次只调整一个层面来修复

故障	可能原因	优先修复方法
主体漂移或产品变形	变化过多；锚点较弱	使用干净的首帧或 1–3 个素材参考；降低动作复杂度
摄影机不按指示运动	摄影机动词彼此冲突，或动作过多	指明一种运镜及其起始/结束构图；移除次要运镜
首帧/末帧插值出现变形	两端在身份、几何形状、镜头或光线方面存在差异	重新制作兼容的两端画面；只描述衔接动作
延续内容重置	提示词复述先前场景，或片段尾部缺少稳定运动	只描述下一个节拍；保持片段尾部的运动方向和环境氛围
对话乱码	说话者或台词过多；时长太短	缩短为一句台词或一轮对话；若要求准确，可在后期生成语音
出现不想要的文字	引用的台词、标牌或详细的字体描述	使用冒号格式的对话；将 subtitles, on-screen text, letters 添加到负向提示词
动作过于急促	4–8 秒内安排的节拍过多	选择一段动作弧线；拆分为多个镜头
Seed 无法复现	采样非确定性，或提示词被改写	接受近似的可重复性；将选定的输出保留为母版
API 拒绝某个字段	路由/模型/架构不匹配	对照确切的路由模型卡和请求格式；移除不受支持的通用字段
输入图像失败	MIME 不受支持、Base64 损坏/GCS 权限有误、尺寸或宽高比问题	检查解码、JPEG/PNG MIME、字节数据/URI 访问权限、尺寸和目标宽高比
安全拦截或输出数量减少	提示词/输入/输出过滤器	检查支持代码；移除有风险或未经授权的内容；切勿绕过过滤器
必须包含音频的 Cloud 任务静音	路由特定的音频支持不匹配	使用受支持的音频约定，或单独制作音频；不要切换不受支持的字段

若视觉质量不佳，诊断期间应固定路由和模型。每次只调整提示词、输入锚点、时长或摄影机中的一项。若 API 合约有误，应先修正合约，再进行创作迭代。

完整制作示例

示例 1 — Gemini Developer API 竖屏产品特写，采用原生音频

**意图：**创作一段 8 秒、9:16 的社交媒体主视觉镜头，保持真实产品的一致性，并包含同步音效。

**路由和模型：**Gemini Developer API，veo-3.1-generate-preview。

**输入：**同一台意式浓缩咖啡机的 3 个已获授权的 PNG 资产参考图：正面三分之四视角、控制面板和杯托。无起始帧。所有参考图均展示完全相同的产品配置。

完整提示词：

Vertical 9:16 premium product film, one continuous shot. A compact brushed-steel espresso machine matching the reference images stands centered on a dark walnut counter in a quiet dawn kitchen. Begin in a medium close-up at control-panel height. A warm amber button illuminates; the portafilter locks with a precise quarter turn; a thin caramel stream fills a small white cup as steam catches the window light. The camera makes one slow, smooth push-in and ends on the crema and the unchanged machine logo area. Shallow depth of field, realistic stainless-steel reflections, restrained warm palette, clean commercial lighting, no people.

Audio: quiet kitchen room tone, one crisp metal latch click, a soft pump hum, liquid pouring into ceramic, and a gentle steam hiss. No music and no speech.

配置：

front_ref = types.VideoGenerationReferenceImage(
    image=front_image,
    reference_type="asset",
)
panel_ref = types.VideoGenerationReferenceImage(
    image=panel_image,
    reference_type="asset",
)
platform_ref = types.VideoGenerationReferenceImage(
    image=platform_image,
    reference_type="asset",
)

operation = client.models.generate_videos(
    model="veo-3.1-generate-preview",
    prompt=prompt,
    config=types.GenerateVideosConfig(
        reference_images=[front_ref, panel_ref, platform_ref],
        aspect_ratio="9:16",
        duration_seconds=8,
        resolution="1080p",
        number_of_videos=1,
        negative_prompt="people, hands, subtitles, on-screen text, duplicate cups, duplicate machine, warped product geometry",
    ),
)

**这种结构的原因：**参考图负责确定产品身份；提示词负责安排单一动作链、一次镜头运动、光线和 4 个可听见的事件。参考图任务需要 8 秒。此路由已记录支持原生音频。

**预期结果：**生成一个带音频的 1080p 竖屏 MP4。机器保持清晰可辨，锁扣、倒液和蒸汽声与画面中的事件同步。

**可能的失败及恢复方法：**如果机器外观发生变化，请移除一致性最差的参考图，并简化手柄操作。如果声音重叠得不自然，请缩减为室内环境音、锁扣声和倒液声。如果产品徽标变成伪文字，请使用不含徽标的参考图，或在后期合成获批的徽标。

**有意义的变体：**使用 Fast 进行内部 A/B 探索，然后在 Standard 上重新运行已获批的提示词；不要声称不同变体会产生完全相同的输出。

示例 2 — Enterprise Fast 四路无声故事板批次

**意图：**在受管控的 Cloud 工作流中生成 4 个 16:9 开场镜头候选，供编辑挑选；最终音效将另行制作。

**路由和模型：**Gemini Enterprise Agent Platform 发布方模型路由，veo-3.1-fast-generate-001。

完整提示词：

One continuous cinematic establishing shot of a solar-powered research station on a basalt plateau just before sunrise. Three adult field researchers in orange weather shells cross from left to right toward the lit entrance while low fog streams around the buildings. Begin with a wide, low-angle view and perform one slow truck right parallel to the researchers. Deep focus, cool blue predawn light with a thin warm horizon, realistic wind movement, grounded documentary photography, restrained pacing. End with the entrance centered and the researchers still moving right.

请求正文：

{
  "instances": [{"prompt": "One continuous cinematic establishing shot of a solar-powered research station on a basalt plateau just before sunrise. Three adult field researchers in orange weather shells cross from left to right toward the lit entrance while low fog streams around the buildings. Begin with a wide, low-angle view and perform one slow truck right parallel to the researchers. Deep focus, cool blue predawn light with a thin warm horizon, realistic wind movement, grounded documentary photography, restrained pacing. End with the entrance centered and the researchers still moving right."}],
  "parameters": {
    "storageUri": "gs://production-bucket/veo/research-station/v01/",
    "sampleCount": 4,
    "durationSeconds": 8,
    "aspectRatio": "16:9",
    "resolution": "1080p",
    "personGeneration": "allow_adult",
    "negativePrompt": "subtitles, on-screen text, logos, jump cuts, duplicate people, deformed hands",
    "seed": 80421
  }
}

**异步流程：**使用 OAuth 向发布方模型 :predictLongRunning 端点提交请求，保存 name，然后轮询该确切模型的 :fetchPredictOperation。读取返回的 GCS URI，并检查全部 4 个文件。

**这种结构的原因：**Fast 和 4 个输出可高效支持筛选。提示词明确了地理位置、行进方向和单一镜头路径，使不同变体在编辑上具有可比性。当前 Standard/Fast Enterprise 方案不支持声音生成，因此此计划不依赖原生音频。

**预期结果：**在指定存储桶中生成最多 4 个 8 秒候选片段。少于 4 个表示结果不完整或部分内容被过滤，必须记录。

**可能的失败及恢复方法：**如果人物数量增加，请将人数减少到 2 人，或使用首帧作为锚点。如果卡车行驶轨迹变成弧线，请先使用不冲突且受支持的 cameraControl 进行图生视频预检，并确认端点支持后，再用图像描述镜头方向的文字替代。如果所有变体都以相似方式失败，请先修正镜头约定，再更换模型。

示例 3 — 由首尾帧控制的变形

**意图：**展示一个获准使用的包装盒从平铺状态折叠成组装完成的展示包装，同时保持摄像机位置和品牌视觉不变。

**路由和模型：**使用 Enterprise veo-3.1-generate-001，以获得稳定的 Cloud 集成；如果需要原生生成音频，则改用 Gemini Developer API Standard。

**输入：**平铺包装盒的起始 PNG 和组装完成包装的结束 PNG，二者均为 16:9，并且桌面、镜头、摄像机高度、光线方向、色彩处理和获准使用的美术设计都相同。

完整提示词：

Static eye-level tabletop product shot. The flat die-cut carton in the first frame folds along its real crease lines in a physically plausible sequence: side walls rise, tabs tuck inward, the top closes, and the assembled display pack settles precisely into the final-frame position. Keep the camera fixed, preserve the printed artwork, proportions, tabletop, shadows, and soft north-window lighting. One continuous transformation with no cuts, no hands, and no extra objects.

**完整的 Enterprise REST 配置：**在实例中放入 prompt、image 和 lastFrame；在 parameters 中放入生成控制项：

{
  "instances": [{
    "prompt": "Static eye-level tabletop product shot. The flat die-cut carton in the first frame folds along its real crease lines in a physically plausible sequence: side walls rise, tabs tuck inward, the top closes, and the assembled display pack settles precisely into the final-frame position. Keep the camera fixed, preserve the printed artwork, proportions, tabletop, shadows, and soft north-window lighting. One continuous transformation with no cuts, no hands, and no extra objects.",
    "image": {"gcsUri": "gs://approved-inputs/carton-flat.png", "mimeType": "image/png"},
    "lastFrame": {"gcsUri": "gs://approved-inputs/carton-assembled.png", "mimeType": "image/png"}
  }],
  "parameters": {
    "durationSeconds": 8,
    "aspectRatio": "16:9",
    "resolution": "1080p",
    "sampleCount": 2,
    "storageUri": "gs://approved-output/veo/carton-fold/",
    "negativePrompt": "hands, extra panels, duplicate package, rewritten artwork, subtitles, camera movement"
  }
}

**采用此结构的原因：**端点承载精确的构图，而提示词只描述中间过渡。匹配拍摄几何参数可以减轻变形压力。

**预期结果：**生成连续的插值动画，并以提供的帧作为开头和结尾。

**可能的失败及恢复方法：**如果面板融化变形，请简化折叠步骤，或将更兼容的中间结束姿势作为单独镜头制作。如果美术图案出现爬动，请使用无 Logo 的生成底片，并在后期合成获准使用的美术图案；对于受法律约束的包装，不要依赖生成的排版文字。

示例 4 — 通过 Developer API 延展并保持连贯性

**意图：**延续先前生成的 Veo 折纸鸟镜头，避免画面或音频重置。

**输入条件：**之前的 Gemini Veo Video 对象仍保留，分辨率为 720p；其最后一秒显示鸟向右滑翔，同时可以听到纸翼摩擦声和微弱的花园环境音。

完整延展提示词：

Continue the same shot without a cut. Track right at the existing speed as the origami bird glides beneath the arch, banks gently toward camera, and lands on the stone fountain rim. Preserve its blue paper pattern, afternoon light, garden layout, motion direction, shallow depth of field, paper-wing rustle, and quiet garden ambience. End after the bird becomes still on the rim.

**配置：**将之前返回的 Video 作为 video 传入，使用 veo-3.1-generate-preview、resolution="720p"、duration_seconds=8，并将输出数量设为 1。

**采用此结构的原因：**它只描述下一个节拍，并重复强调接缝处重要的连贯性约束。源片段的尾部已包含环境音。

**预期结果：**返回的文件将原视频与七秒的延展片段合并。

**可能的失败及恢复方法：**如果鸟的位置重置，请修剪或重新生成源片段，使其最后一秒具有干净、稳定的运动轨迹。如果声音突然变化，请将生成的延展片段作为画面底片，并在后期制作连续音频。

权利、同意、来源与安全关卡

提交任何提示词或参考素材前：

1. 确认拥有所有输入图像、视频、音频、商标、设计、角色、影像素材和肖像的相关权利。
2. 对可识别人物以及生物识别信息／肖像的使用，取得法律上充分的同意。不得制作欺骗性冒充内容或未经同意的亲密内容。
3. 不得以公众人物、私人个体、儿童或受版权保护的角色为幌子，绕过安全拦截。目前的 Cloud 安全代码明确包含儿童、名人、第三方内容、色情、暴力、仇恨及其他类别。
4. 避免制作关于真实新闻、选举、冲突、犯罪或产品性能的合成“证据”。如果合理的观看者可能因此受到误导，应标明内容为合成戏剧演绎。
5. 保留来源信息。Gemini Veo 的输出会带有 SynthID；Enterprise 模型卡还列出了 C2PA 支持。不得移除或歪曲来源元数据，也不得声称 AI 生成的片段完全由人类创作。
6. 对包装文字、代言、受监管的声明、新闻编辑用途以及敏感历史描绘进行法律／品牌审查。生成的文字和事实演示都不构成证据。
7. 使用实际部署中的提示词集合测试内容呈现和刻板印象。Google 的 Veo 3 技术报告指出，在某些信息不足的职业提示词中，生成结果偏向较浅肤色人群，并存在语义偏见风险；只有在相关且获得授权时才指定人口特征，并审查输出，而不要想当然地认为结果不存在偏见。

Google 的生成式 AI 禁止使用政策禁止危险／非法活动、侵犯权利、未经同意使用生物识别信息、欺骗性冒充、规避安全措施、有害的色情／暴力／仇恨活动以及误导性来源信息。Gemini API 附加条款指出，Google 不主张拥有生成内容的所有权，但用户仍须对内容的使用负责，且可能为他人生成相似输出。免费服务可能会使用提示词和输出改进产品，并可能涉及人工审核；请勿向此类服务发送机密或个人材料。根据所述付费服务条款，付费服务不会使用提示词或响应来改进产品。请核实所选接入方式适用哪些条款。

相同的 Gemini API 条款要求用户年满 18 岁，并禁止 API 客户端面向 18 岁以下人群，或可能被 18 岁以下人群访问。条款还要求，在欧洲经济区、瑞士或英国提供的 API 客户端必须使用付费服务。请将这些要求视为适用于特定接入方式的部署要求，并在发布前重新核实现行条款。

如果生成请求被拦截，请检查错误／支持代码，记录原因，然后修改为合法且安全的概念，或停止操作。切勿通过“越狱”、使用委婉语或拆分被禁止的请求来规避过滤器。

来源覆盖范围与证据局限

• 官方 API 和模型契约：Gemini Veo 指南；Enterprise Veo 3.1 卡片；Cloud 实例架构；Cloud 参数架构；Cloud 结果架构。
• 提示词和制作指南：Gemini Veo 提示词指南；Cloud Veo 提示词指南；Cloud Veo 最佳实践；提示词改写器行为。
• 输入模式指南：Cloud 图像转视频；参考图像；延长视频。
• 安全与条款：Cloud Veo 负责任 AI 指南；Google 禁止用途政策；Gemini API 条款。
• **第一方技术研究：**Google 的 Veo 3 技术报告记录了联合潜在音频/视频扩散、数据筛选、评估设计、安全缓解措施、文本方面的弱点、轻微幻觉、电影化偏向、深度伪造风险和已测得的公平性局限。这些发现针对 Veo 3 和风险评估；不要假定所有结果都能以定量方式适用于 Veo 3.1。
• 第一方基准声明：DeepMind Veo 页面报告了内部人工偏好比较。应将其视为提供方报告，而非独立证据。

此处未使用第三方基准来宣称 Veo 全面优越。本技能中的模型选择基于经过验证的接口能力和制作适配度。