video-generation

视频生成技能

使用 AI（Google Veo 3.1、OpenAI Sora）生成视频。

功能：

• 🎬 文本生成视频：根据文本描述创建视频
• 🖼️ 图像生成视频：将图像作为首帧并使其动起来
• 🔊 音频生成：对话、音效、环境音（Veo 3+）
• 🎭 参考图像：使用最多 3 张参考图像引导视频内容（Veo 3.1）

前置条件

默认：Vertex AI（每分钟 10 个请求）⭐

Vertex AI 是默认后端，速率限制提高了 1400 倍：

# 1. Set your project
export GOOGLE_CLOUD_PROJECT=your-project-id

# 2. Authenticate (opens browser)
gcloud auth application-default login

# 3. Enable the API (one-time)
gcloud services enable aiplatform.googleapis.com

添加到你的 .env 文件中：

GOOGLE_CLOUD_PROJECT=your-project-id
GOOGLE_CLOUD_LOCATION=us-central1

回退选项：AI Studio（每天 10 个请求）

仅在没有 GCP 项目时使用：

• GOOGLE_API_KEY - 从 https://aistudio.google.com/apikey 获取

Sora（OpenAI）

• OPENAI_API_KEY - 用于 OpenAI Sora

可用模型

Google Veo 模型

模型	描述	最适合
veo-3.1	最高质量（默认）	专业视频、对话、参考图像
veo-3.1-fast	处理速度更快	快速迭代、批量生成

两个模型都包含：

• 720p/1080p 分辨率
• 4、6 或 8 秒时长
• 原生音频（对话、SFX、环境音）
• 图像生成视频（使图像动起来）
• 参考图像（最多 3 张）
• 视频扩展
• 批量/并行生成

OpenAI Sora

• 最适合：创意视频、电影级画质、复杂运动
• 分辨率：480p、720p、1080p
• 时长：5s、10s、15s、20s
• 功能：文本生成视频、图像生成视频

工作流

第 1 步：收集需求（必需）

⚠️ 使用交互式提问——每次只问一个问题。

提问流程

⚠️ 对以下每个问题都使用 AskUserQuestion 工具。 不要只在回复中打印问题——使用该工具创建包含所示选项的交互式提示。

Q1：图像

“我来为你生成视频！首先——你有要制作成动画的图像吗？

• 有（提供路径——我会将其用作首帧）
• 没有，从头生成”

等待回复。

Q2：音频

“你的音频偏好是什么？

• 带音频（默认）——Veo 3.1 会生成对话、SFX、环境音
• 静音视频——不含音频”

等待回复。

Q3：模型

“你想使用哪个模型？

• veo-3.1 ——最新、最高质量，带音频（默认）
• veo-3.1-fast ——处理速度更快，带音频
• veo-3 / veo-3-fast ——上一代模型，带音频
• sora ——OpenAI，最长 20 秒，不含音频”

等待回复。

Q4：时长

“时长是多少？

• 4 秒
• 6 秒
• 8 秒（默认）”

等待回复。

Q5：格式

“宽高比和分辨率是什么？

• 16:9 横向，720p
• 16:9 横向，1080p
• 9:16 纵向，720p
• 9:16 纵向，1080p
• 或指定”

等待回复。

快速参考

问题	决定因素
图像	图像生成视频还是文本生成视频
音频	是否生成音频
模型	质量与速度之间的取舍
时长	片段长度
格式	宽高比和分辨率

---

第 2 步：撰写提示词

将用户请求转化为有效的视频提示词：

1. 描述场景：设定视觉背景
2. 指定动作：描述移动、变化和发生的事情
3. 加入镜头运动：例如“慢速摇镜头”“跟踪镜头”“推轨镜头”
4. 添加音频提示（Veo 3+）：使用引号标注对话，并描述声音
5. 设定氛围：光线、氛围、一天中的时间

带对话的示例（Veo 3.1）：

• 用户：“一个人发现了宝藏”
• 优化后：“特写镜头：火把的光在寻宝者脸上闪烁。他一边拂去古老宝箱上的灰尘，一边低声说：‘一定就是这里……’。随着箱子打开，传来铰链吱呀作响的声音，金色光芒映照在他惊叹的脸上。电影质感，戏剧性的阴影。”

不带对话的示例：

• 用户：“一只狗在海滩上奔跑”
• 优化后：“电影感的慢动作镜头：夕阳下，一只金毛寻回犬欢快地沿着海滩奔跑，海浪轻轻拍岸，温暖的黄金时刻光线，浅景深”

第 3 步：选择模型

默认：veo-3.1（最高画质，带音频）

使用场景	推荐模型	原因
最佳画质	veo-3.1（默认）	最高画质，带音频
快速迭代	veo-3.1-fast	处理速度更快
批量生成	veo-3.1-fast	生成多个片段时，速度很重要
更长的视频（>8s）	sora	最长支持 20s

第 4 步：生成视频

执行 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/ 中相应的脚本：

使用 Google Veo 3.1（默认，带音频）：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --prompt "your enhanced prompt with 'dialogue in quotes'" \
  --model "veo-3.1" \
  --duration 8 \
  --aspect-ratio "16:9" \
  --resolution "720p"

使用带图像输入的 Google Veo 3.1：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --prompt "The cat slowly opens its eyes and yawns" \
  --image "/path/to/cat.jpg" \
  --model "veo-3.1" \
  --duration 8

更快地生成视频：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --prompt "your prompt" \
  --model "veo-3.1-fast"

使用 OpenAI Sora（更长的视频）：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/sora.py \
  --prompt "your enhanced prompt" \
  --duration 20 \
  --resolution "1080p"

列出可用模型：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py --list-models

视频延长（保持长视频的连贯性）

--extend 标志可通过从之前 Veo 视频的结束位置继续，保持真正的视觉连贯性。 这是制作长视频的最佳方法。

基本延长：

# First, generate initial clip
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --prompt "A person walks through a forest at sunrise" \
  --duration 8

# Extend it with new content (adds ~7 seconds)
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --extend veo_veo-3.1_20260104_120000.mp4 \
  --prompt "Continue walking, discover a hidden stream"

多次延长（用于制作更长的视频）：

# Extend 5 times (adds ~35 seconds of continuation)
python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --extend initial_clip.mp4 \
  --prompt "Keep exploring the forest, encounter wildlife" \
  --extend-times 5

延长与拼接：

方法	效果	使用场景
延长	真正连贯，角色/场景保持一致	连续长镜头
拼接	通过转场连接独立片段	场景切换、蒙太奇

延长限制：

• 输入视频必须由 Veo 生成（最长 141 秒）
• 每次延长增加约 7 秒
• 最多可延长 20 次（总计约 2.5 分钟）
• 输出分辨率为 720p

批量生成（并行）

同时生成多个视频，加快多场景工作流。与其等待 5 个视频依次生成（耗时 15 分钟以上），不如并行生成所有视频（总计约 3 分钟）。

创建 scenes.json 文件：

[
  {"prompt": "Scene 1: Cinematic hero shot of wireless earbuds on dark surface", "duration": 6, "output": "scene1_hero.mp4"},
  {"prompt": "Scene 2: Sound waves visualization, person enjoying music", "duration": 8, "output": "scene2_sound.mp4"},
  {"prompt": "Scene 3: Close-up of earbud in ear, person exercising", "duration": 8, "output": "scene3_comfort.mp4"},
  {"prompt": "Scene 4: Lifestyle montage, various settings", "duration": 8, "output": "scene4_lifestyle.mp4"},
  {"prompt": "Scene 5: Product with logo on clean background", "duration": 4, "output": "scene5_cta.mp4"}
]

并行生成所有场景：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --batch scenes.json

自定义工作线程数量：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/video-generation/scripts/veo.py \
  --batch scenes.json \
  --max-workers 3

每个视频的批量配置选项：

选项	描述	默认值
prompt	视频描述（必填）	-
model	veo-3.1、veo-3.1-fast 等	veo-3.1
duration	4、6 或 8 秒	8
aspect_ratio	"16:9" 或 "9:16"	"16:9"
resolution	"720p" 或 "1080p"	"720p"
image	图像转视频所用图像的路径	-
negative_prompt	需要避免的内容	-
output	自定义输出文件名	自动生成

速度对比：

场景数	依次生成	并行生成（5 个工作线程）	加速比
3	~9 分钟	~3 分钟	3 倍
5	~15 分钟	~3 分钟	5 倍
10	~30 分钟	~6 分钟	5 倍

第 5 步：交付结果

1. 提供生成的视频文件/URL
2. 分享所使用的优化后提示词
3. 说明生成设置（时长、分辨率）
4. 提出以下选项：
   • 生成不同版本
   • 尝试不同风格/时长
   • 使用不同的 API
   • 延长视频

错误处理

缺少 API 密钥：告知用户需要哪个密钥：

• OpenAI：https://platform.openai.com/api-keys
• Google：https://aistudio.google.com/apikey

违反内容政策：适当地改写提示词。

生成失败：使用简化的提示词或其他 API 重试。

超出配额：建议等待或尝试另一个提供商。

提示词工程技巧

音频（Veo 3.1）

• 对话：用引号标明说话内容："Hello!" she said excitedly
• 音效：明确描述：tires screeching, engine roaring
• 环境音：描述声音环境：birds chirping, distant traffic
• 示例：A man whispers "Did you hear that?" as footsteps echo in the dark hallway

电影质感

• 添加摄像机运动指示：“slow dolly”“tracking shot”“crane shot”
• 指定光线：“golden hour”“dramatic shadows”“soft diffused light”
• 添加电影风格参考：“Blade Runner style”“Wes Anderson aesthetic”

逼真的运动效果

• 描述物理效果：“natural movement”“realistic physics”
• 添加环境细节：“wind in hair”“leaves rustling”
• 指定速度：“slow motion”“real-time”“time-lapse”

图像转视频

• 描述起始图像中需要改变或移动的内容
• 明确说明动作：“the cat slowly opens its eyes”
• 添加环境运动：“leaves blow past”

负面提示词

• 描述不应包含的内容：--negative-prompt "cartoon, low quality, blurry"
• 不要使用“no”或“don't”，只需描述不想要的元素

API 对比

特性	Veo 3.1（默认）	Veo 3.1 Fast	Sora
提供商	Google	Google	OpenAI
API 密钥	GOOGLE_API_KEY	GOOGLE_API_KEY	OPENAI_API_KEY
最长时长	8 秒	8 秒	20 秒
分辨率	720p、1080p	720p、1080p	最高 1080p
宽高比	16:9、9:16	16:9、9:16	16:9、9:16、1:1
音频（对话、音效）	✅ 是	✅ 是	❌ 否
图像转视频	✅ 是	✅ 是	✅ 是
参考图像	✅ 最多 3 张	✅ 最多 3 张	❌ 否
视频扩展	✅ 是	✅ 是	❌ 否
批量生成	✅ 是	✅ 是	❌ 否
速度	质量最佳	快约 2 倍	较慢
最适用于	专业用途	批量工作流	较长视频