Nano Banana Video Generation

Nano Banana 视频生成

使用 nano-banana CLI 通过 Google Veo 3.1 模型生成视频。

前提条件

• 必须设置 GEMINI_API_KEY 环境变量
• 通过 npx @the-focus-ai/nano-banana 安装 CLI

快速参考

# Generate a video from text
nano-banana --video "A sunset over mountains, slow dolly-in, cinematic lighting"

# Animate an existing image
nano-banana --video "The character slowly turns and smiles" --file portrait.png

# Cost-optimized development mode
nano-banana --video "Quick test scene" --video-fast --no-audio --resolution 720p

# Specify output path
nano-banana --video "A cat playing" --output cat-video.mp4

# Full control over settings
nano-banana --video "Dramatic reveal scene" \
  --duration 8 --aspect 16:9 --resolution 1080p --seed 42

了解视频请求

生成前，请明确以下视频相关要素：

1. 核心场景：主要动作或主体是什么？
2. 摄像机运动：静止、推轨、摇摄、跟拍还是升降？
3. 风格：电影感、纪录片、商业广告还是休闲风格？
4. 音频：对话？音效？环境音？音乐？
5. 时长：4、6 还是 8 秒？
6. 方向：横屏（16:9）还是竖屏（9:16）？

视频提示词的五部分公式

提示词应包含以下要素：

[Camera Movement] + [Subject] + [Action] + [Environment] + [Audio/Style]

示例——较弱的提示词：

"a person walking"

示例——较强的提示词：

"Slow dolly-in shot. A woman in her 30s, shoulder-length wavy black hair,
green jacket, walks confidently through a sunlit park. Golden hour lighting,
warm color grading. Ambient sounds: birds chirping, distant traffic.
Cinematic, aspirational mood. No subtitles, no text overlay."

工作流

第 1 步：编写提示词

参阅 prompting-guide.md，获取全面的指导。

关键原则：

1. 从摄像机运动开始（推轨、摇摄、静止、跟拍）
2. 详细描述主体（外貌、服装、表情）
3. 指定动作并加入时间提示
4. 描述灯光和环境
5. 添加音频设计（对话、音效、环境音）
6. 始终以：“No subtitles, no text overlay, no captions”结尾

第 2 步：考虑成本

视频生成的成本远高于图像：

模型	每秒成本	8 秒视频
veo-3.1-generate-001	$0.40	$3.20
veo-3.1-fast-generate-001	$0.15	$1.20

开发工作流：

1. 使用 --video-fast --no-audio 迭代（成本最低）
2. 使用 --video-fast 测试（需要时再添加音频）
3. 使用默认模型进行最终渲染（高品质）

第 3 步：生成

nano-banana --video "your detailed prompt here"

生成需要 2-4 分钟。进度会显示在终端中。

第 4 步：迭代

如果结果不理想：

1. 优化摄像机运动——描述得更明确（例如，“在 8 秒内缓慢向前推轨”）
2. 添加负向指引——描述需要避免的内容
3. 简化——每个片段聚焦一个主要动作
4. 尝试不同的时长——对于快速动作，4 秒或 6 秒可能效果更好

命令

文本生成视频

nano-banana --video "<prompt>"

图像生成视频（动画）

nano-banana --video "<motion description>" --file <input-image>

运动描述应说明图像如何动起来：

• “角色缓缓转头并微笑”
• “场景因微风的轻柔吹拂而焕发生机”
• “拉远镜头，展现完整的风景”

选项

选项	描述	默认值
--video	启用视频模式	（必需）
--video-model <name>	使用的 Veo 模型	veo-3.1-generate-001
--video-fast	使用快速／低成本模型	（高端模型）
--duration <sec>	4、6 或 8 秒	8
--aspect <ratio>	16:9 或 9:16	16:9
--resolution <res>	720p、1080p 或 4K	1080p
--audio	生成音频	（已启用）
--no-audio	禁用音频	-
--seed <number>	确保可复现的种子	（随机）
--output <file>	输出路径	output/video-.mp4
--file <image>	要制作动画的输入图像	-

摄像机运动参考

使用这些术语来精准控制摄像机：

运动	描述	示例提示词
Static	无运动	"三脚架固定镜头。咖啡杯冒着热气……"
Pan	水平旋转	"缓慢向左摇摄，扫过城市天际线……"
Tilt	垂直旋转	"从脸部向下俯拍至双手……"
Dolly In	摄像机靠近	"缓慢向前推轨，从中景推至特写……"
Dolly Out	摄像机远离	"向后拉轨，展现辽阔的风景……"
Tracking	与主体平行移动	"跟踪镜头，跟随角色行走……"
Crane	垂直扫动	"摇臂镜头从地面高度向上升起……"
Handheld	逼真的抖动	"手持摄像机，纪录片风格……"

重要提示：每个镜头只使用一种主要运动。不要组合多种运动。

对白格式

口语对白请使用冒号格式：

Character description says: "Exact dialogue here."

示例：

"A friendly young woman, excited and cheerful, says: 'Welcome to our store!'
Standing in bright retail environment. Natural lip-sync. No subtitles."

指南：

• 8 秒的对白控制在 6-12 个词
• 描述说话者的语气和情绪
• 始终添加“No subtitles, no text overlay”

音频设计

按层次组织音频：

1. 对白（最高优先级）——始终清晰
2. 音效——具体、带时间点的动作
3. 环境音——最多 3-5 个背景元素
4. 音乐——优先级最低，“在对白下方渐弱”

示例：

"Sound effects: Door closing at 2-second mark, footsteps on wood.
Ambient sounds: Quiet office hum, distant typing.
Background music: Soft jazz, low volume, ducks under dialogue."

最佳实践

获得更好的效果

1. 将重要信息前置——先写摄像机、主体和动作
2. 使用电影术语——“35mm 镜头”“浅景深”“黄金时段”
3. 具体描述光线——“左侧柔和的窗光”，而不只是“光线很好”
4. 描述氛围——“亲密”“宏大”“悬疑”“振奋人心”
5. 加入负面指导——说明需要避免的内容

图生视频

1. 匹配图像——描述符合图像内容的运动
2. 从细微动作开始——小幅运动比剧烈变化效果更好
3. 保持光线一致——不要描述与图像不一致的光线变化

保持多个镜头的一致性

创建多个相关视频时：

1. 创建角色描述并准确复用
2. 保持光线风格一致
3. 使用同一类摄像机运动风格
4. 使用 --seed 获得更可复现的结果

故障排除

“视频生成超时”

• 生成可能需要 2-4 分钟
• 如果持续超时，请尝试更简单的提示词
• 使用 --video-fast 加快生成

质量差或内容不正确

• 添加更具体的描述
• 加入负面指导
• 尝试使用高级模型，而非快速模型

视频中出现字幕

• 始终在提示词中加入“No subtitles, no text overlay, no captions”
• Veo 使用带字幕的视频进行训练，因此往往会添加字幕

音频与视频不匹配

• 更具体地说明声音出现的时间
• 使用“Sound effect: X at Y-second mark”
• 简化音频层次（减少元素）

安全过滤器拒绝请求

• 避免暴力、武器和露骨内容
• 改写有歧义的术语
• 尝试更通用的描述

成本优化

# Development (cheapest): ~$1.20 per video
nano-banana --video "test prompt" --video-fast --no-audio --resolution 720p

# Testing with audio: ~$1.20 per video
nano-banana --video "test prompt" --video-fast

# Production quality: ~$3.20 per video
nano-banana --video "final prompt" --resolution 1080p

提示词示例

完整的提示词示例请参阅 examples/ 目录：

• cinematic-shots.md - 摄像机运动
• dialogue-and-audio.md - 语音和音效
• image-to-video.md - 为图像添加动画

环境配置

确保已设置 GEMINI_API_KEY：

export GEMINI_API_KEY="your-api-key-here"

或者在项目中创建 .env 文件：

GEMINI_API_KEY=your-api-key-here