Veo 3.1 JSON 提示词：AI 视频的模板与示例

Veo JSON 提示词会把一个镜头拆分成主体、动作、镜头、灯光和音频等字段。能否直接粘贴 JSON 取决于模型的界面。在 AKOOL 中，除非当前界面明确说明支持结构化 JSON 输入，否则应把 JSON 当作规划格式，并把其中的值转换成普通的视频提示词。

如果你搜索过 veo3 json prompt generator，那么这个区别很重要。JSON 可以让创意简报更易阅读、复用和校验，但它并不会自动成为一种特殊的 Veo 提示词语言。

什么是 Veo 3.1 JSON 提示词？

除非你所使用的界面或 API 明确定义了这些 JSON 字段，否则最好把 Veo 3.1 JSON 提示词理解为一种组织创意指令的结构化方式。

例如：

{
  "subject": "石桌上的蓝色水瓶",
  "action": "水珠沿着瓶身缓缓滑落",
  "camera": "缓慢的特写推进",
  "lighting": "柔和的清晨窗光",
  "audio": "安静的室内环境音，无对白"
}

这是合法的 JSON，也便于人或其他系统阅读。

但是，它 并不是官方的 Veo 架构——这一点不会仅仅因为键名叫 subject、camera 或 lighting 就改变。

Google 实际的 Gemini API 使用的是带有文档化字段的结构化 API 请求，例如 prompt、aspectRatio、durationSeconds 和 resolution。这些参数属于 Google 的 API 约定，而非某种通用的 JSON 提示词语法。

上面这段用于规划的 JSON 可以转换成下面这条普通的提示词：

一只蓝色水瓶放在石桌上。水珠沿着瓶身缓缓滑落，镜头做一个轻缓的特写推进。柔和的清晨窗光洒在整个场景上。音频是安静的室内环境音，没有对白。

这就是 json prompting veo3 的核心流程：先把想法结构化，再把实际界面所接受的输入形式发送给模型。

如果应用不解析这些键，不受支持的键可能根本不起作用。

应该如何组织一条 Veo 视频提示词？

一个好用的规划架构会把主体和动作与镜头、灯光、声音区分开。除非具体产品对这些字段有文档说明，否则应把时长、分辨率和宽高比等界面控制项放在创意 JSON 之外。

主体与动作

主体告诉 Veo 画面里有什么，动作告诉它片段中发生什么变化。

{
  "subject": "独自站在小餐厅里的厨师",
  "action": "厨师关掉最后一盏吊灯，朝后门走去"
}

使用具体的动作。“Looks cinematic”给模型提供的时间信息，比“turns off the light and walks toward the door”要少。

镜头与灯光

镜头字段很有用，因为它们迫使你把主体运动和镜头运动区分开。

{
  "camera": "在视平线高度缓慢后拉",
  "lighting": "暖色钨丝灯光渐变为冷蓝色的小巷灯光"
}

避免使用像 "camera": "dynamic" 这样模糊的值。

使用具体的物理指令，例如推进、横摇、环绕、跟踪镜头、升降镜头或静止画面。

对白与声音

Veo 3.1 支持原生音频。Google 当前的文档指出，Veo 3.1 会在生成视频的同时生成音频，包括由提示词指定的对白和声音。

为对白标注说话人：

{
  "dialogue": [
    {
      "speaker": "friend A",
      "line": "我们成功了。"
    }
  ],
  "ambient_audio": "轻柔的咖啡馆交谈声和远处的杯子碰响声"
}

不要把三个说话人、音乐、复杂的拟音以及多个同时进行的动作混在一个短片里，除非你有理由去测试这种复杂度。

宽高比与时长

把时长、宽高比和分辨率当作界面或 API 设置，而不是想当然地当成创意 JSON 的键。

Google 当前的 API 文档支持 Veo 3.1 生成 4 秒、6 秒或 8 秒的视频，支持 16:9 和 9:16 宽高比，并根据配置支持 720p、1080p 或 4K。

AKOOL 当前的公开生成器页面列出，Veo 3.1 最长 8 秒，支持 16:9 和 9:16，具备原生音频，最高可达 4K。

这些是平台设置。不要假设下面这个规划对象能控制它们：

{
  "aspect_ratio": "9:16",
  "duration": "8s",
  "resolution": "4K"
}

除非当前的 AKOOL 界面或 API 明确对这些键做了文档说明。

如何在 AKOOL 中使用 JSON 式提示词？

用 JSON 来规划镜头，然后在 AKOOL 中生成之前，把这些值转换成简洁的自然语言简报。AKOOL 的公开文档目前确认了 Veo 3.1 的可用性，但并未把原始 JSON 记录为一种专门的提示词输入模式。

一个实用的映射如下：

合并后：

一只蓝色瓶子放在石桌上。水珠沿着瓶身缓缓滑落，镜头做一个轻缓的特写推进。柔和的清晨窗光从左侧照入。安静的室内环境音，无对白。

要在 AKOOL 中 生成 Veo 视频，请在当前的模型选择器中选择 Veo 3.1，输入转换后的提示词，然后配置界面所提供的各项选项。AKOOL 目前将 Veo 3.1 定位为一款主打逼真运动和原生声音的模型。

若需要关于镜头语言、参考图和电影感提示词的更全面指导，请使用 AKOOL 的 Veo 3.1 通用提示词指南。本文专门聚焦于 JSON 的组织与转换。

有哪五个可复制的 Veo 3.1 JSON 提示词示例？

下面这五个对象都是解析合法的 JSON。这些键是一套编辑用的规划架构，并不代表 AKOOL 或 Veo 官方要求使用这些确切的字段名。

1. 产品广告

使用场景：高端产品镜头

{
  "subject": "浅色石桌上的哑光钴蓝色水瓶",
  "action": "水珠沿着瓶身缓缓滑落，瓶子保持静止",
  "camera": "缓慢的特写推进",
  "lighting": "来自镜头左侧的柔和清晨窗光",
  "audio": "安静的室内环境音，无对白"
}

自然语言版本：

一只哑光钴蓝色水瓶放在浅色石桌上。水珠沿着瓶身缓缓滑落，瓶子保持静止。镜头做一个缓慢的特写推进。柔和的清晨窗光从镜头左侧照入。安静的室内环境音，无对白。

AKOOL 设置：选择 Veo 3.1，并在当前界面中设置时长、宽高比和画质。

实测输出：生成的片段应让水瓶保持稳定，同时水珠自然流动、镜头缓慢推进。检查瓶子的颜色、形状、位置和水珠是否在整个镜头中保持一致。

可测试的修改：

让瓶子完全静止。把镜头运动减弱为极缓慢的 10% 幅度推进。保留瓶子的颜色和轮廓。

媒体：插入生成的片段以及一帧有代表性的画面。

2. 对话场景

使用场景：简短对白

{
  "scene": "两位朋友在安静的咖啡馆里相对而坐",
  "shot": "中景双人镜头，镜头静止",
  "action": "friend A 从桌边抬起头微笑",
  "dialogue": [
    {
      "speaker": "friend A",
      "line": "我们成功了。"
    }
  ],
  "ambient_audio": "轻柔的咖啡馆交谈声，远处的杯子碰响声"
}

自然语言版本：

两位朋友在安静的咖啡馆里相对而坐。中景双人镜头，镜头静止。Friend A 从桌边抬起头，微笑着说：“我们成功了。”背景中持续着轻柔的咖啡馆交谈声，伴随一声远处的杯子碰响。

在用提示词让 Veo 生成对白时，Google 建议清晰地描述角色并明确标注说话人。

实测输出：生成的片段应让 Friend A 成为唯一的说话人，台词“我们成功了。”明确归属于 Friend A。检查说话人是否一致、口型是否同步、面部表情，以及 Friend B 是否保持沉默。

可测试的修改：如果说话人归属发生偏移，去掉第二个角色的动作并明确写出：“Only Friend A speaks. Friend B remains silent.”

3. 电影感航拍

使用场景：交代场景的镜头

{
  "subject": "日出时分的礁石海岸线",
  "action": "低云掠过峭壁，海浪在下方拍碎",
  "camera": "缓慢的航拍上升与后拉",
  "lighting": "金色的日出光与冷蓝色的阴影",
  "audio": "海浪声与远处的风声，无音乐"
}

自然语言版本：

日出时分的礁石海岸线。低云掠过峭壁，海浪在下方拍碎。镜头缓慢上升并后拉，露出更多海岸。金色的阳光洒在礁石上，伴随冷蓝色的阴影。海浪声与远处的风声，无音乐。

实测输出：生成的片段应呈现平滑、缓慢的航拍上升与后拉，掠过海岸线，同时让峭壁、云层和海浪保持稳定。检查镜头运动是否保持一致，以及地貌是否避免了明显的畸变。

可测试的修改：如果镜头运动太快，改为：“Very slow aerial rise. Constant speed. No rotation.”

4. 美食特写

使用场景：餐厅或美食广告

{
  "subject": "深色木质台面上一碗新鲜拉面",
  "action": "蒸汽升腾，一只勺子轻轻挑起一根面条",
  "camera": "微距特写，极缓慢的推进",
  "lighting": "温暖的餐厅实景灯光，柔和的高光",
  "audio": "安静的室内环境音，细微的炖煮声，无对白"
}

自然语言版本：

一碗新鲜拉面放在深色木质台面上。蒸汽升腾，一只勺子轻轻挑起一根面条。微距特写，镜头极缓慢地推进。温暖的餐厅实景灯光营造出柔和的高光。安静的室内环境音和细微的炖煮声，无对白。

实测输出：生成的片段应保持拉面碗的形状和外观，同时蒸汽自然升腾、勺子挑起一根面条。检查食物一致性、蒸汽表现、勺子交互和镜头稳定性。

可测试的修改：如果食物变形，去掉勺子交互，只保留蒸汽加镜头运动。

5. 竖屏社媒广告

使用场景：简短的产品钩子

{
  "subject": "黄昏时分湿漉漉地面上的白色跑鞋",
  "action": "鞋子落地一次，溅起一片真实的小水花，随后在画面中定格",
  "camera": "快速的低角度跟踪运动，最后稳定为静态特写",
  "lighting": "暖色店面反光映衬着冷色的傍晚光",
  "audio": "一声脚步、水花声、轻微的城市环境音"
}

自然语言版本：

一只白色跑鞋在黄昏时落在湿漉漉的地面上，溅起一片真实的小水花。一个快速的低角度跟踪运动跟随落地，最后稳定为静态特写。暖色的店面反光与冷色的傍晚光形成对比。音频包括一声脚步、水花声和轻微的城市环境音。

对于竖屏投放，请在界面中选择 9:16，而不要依赖自定义的 JSON 字段。Google 和 AKOOL 目前都在文档中说明 Veo 3.1 支持竖屏。

实测输出：生成的片段应呈现跑鞋落地一次、溅起小水花，随后是稳定的特写。检查鞋子几何形态、水花的真实感、跟踪镜头的稳定性，以及画面在 9:16 下的构图是否正确。

可测试的修改：如果鞋子几何形态发生偏移，减弱镜头运动，并把动作缩短为一次落地加定格。

如何写对白和音频才能避免常见错误？

让对白简短、清晰标明说话人，并把话语与环境音和音效区分开。

较弱的规划结构：

{
  "audio": "人们交谈、咖啡馆的声音、音乐、有人说我们成功了"
}

更好的做法：

{
  "dialogue": [
    {
      "speaker": "friend A",
      "line": "我们成功了。"
    }
  ],
  "ambient_audio": "轻柔的咖啡馆交谈声",
  "sound_effects": "一声远处的陶瓷杯碰响",
  "music": "none"
}

好处不在于 Veo 会神奇地更懂 JSON，而在于 你 能在把简报转换成文字之前，看出其中是否存在相互冲突的音频指令。

让台词足够简短，以适应所选的片段长度。Veo 3.1 当前的 API 支持最长 8 秒的片段，所以一大段对白对于单次生成来说并不现实。

然后在实际输出中测试口型同步和说话人分配。不要以为一条结构正确的提示词就能保证精确的时间点。

JSON 提示词与纯文本：该用哪一种？

当结构化和复用有助于你的工作流时，使用 JSON。当你直接在期望自然语言的界面中输入提示词时，使用纯文本。两种格式本身都不会带来更好的画面质量。

因此，veo3 json prompt generator 作为前端的组织工具是有用的。它的输出仍然应当映射到目标应用所支持的字段或提示词语法。

JSON 是一种结构，而不是画质的放大器。

我的 Veo JSON 提示词为什么失败了？

大多数失败源于 JSON 不合法、创意值含糊、同时进行的动作太多、使用了不受支持的键，或者音频指令与片段长度不匹配。

例如，下面这段 JSON 合法，但在创意上很弱：

{
  "subject": "汽车",
  "action": "炫酷的运动",
  "camera": "电影感",
  "lighting": "不错"
}

替换掉含糊的值：

{
  "subject": "海滨公路上一辆深绿色复古双门轿跑",
  "action": "汽车以平稳的速度驶入一个左弯",
  "camera": "低机位的前侧四分之三跟踪镜头",
  "lighting": "傍晚时分的阳光，带着长长的暖色反光"
}

然后把这些值转换成一条普通的 Veo 提示词。