Google Veo 3.1 是 Google 构建在 Veo 3 之上的视频模型。它改的同样是习惯：写提示词时像给摄影师交代镜头那样交代一个镜头，并且在同一个提示词里把声音也一起要了。
下面讲四件事：现在能在哪些入口用它、第一条视频怎么做出来、一份完整可复制的实战提示词，以及官方没讲的部分。全文只用 Google 官方页面上的说法。
Veo 3.1 是什么
Google 的模型页把 Veo 3.1 介绍为它领先的视频生成模型，面向电影人和叙事创作者，支持文生视频、图生视频以及文本生成音视频。2025 年 10 月的公告说得更具体：Veo 3.1 构建在 Veo 3 之上，提示词遵循能力更强，把图片转成视频时的视听质量也更好。
Veo 3 是另一个模型，我们核对过的页面上没有两代并排的参数表，官方公开的是下面这份能力清单。
| 能力 | 官方页面的说法 |
|---|---|
| 输出 1080p 与 4K | 同一条片子既能交剪辑，也能当大屏母版 |
| 原生音频 | 对白、环境音和音效随画面一起生成，不是后期配的 |
| Ingredients to Video | 用参考图锁定角色或风格，现在也带音频 |
| Frames to Video | 给开始和结束两张图，生成中间那段过渡 |
| Extend | 从上一支片的末尾一秒接着往下接，可到一分钟以上 |
| Insert 与 Remove | 增删画面里的元素；Remove 在 2025 年还是「即将推出」 |
现在能在哪些入口用它
Google 的模型页列了六个入口：Gemini 应用、Flow、Google Vids、AI Studio、Gemini API 和 Gemini Enterprise Agent Platform。2026 年 1 月的更新又把 YouTube Shorts 带了进来。
| 入口 | 官方页面写在这个入口下的能力 |
|---|---|
| Gemini 应用 | Veo 3.1、改进后的 Ingredients to Video、原生竖屏输出 |
| Flow | 完整创作能力，含 Extend 与 Insert，以及 1080p 和 4K |
| Google Vids | 工作向视频编辑器里的 Veo，Ingredients to Video 陆续上线 |
| Gemini API 与 Vertex AI | 同一模型供代码与企业使用，支持 1080p 和 4K |
| YouTube Shorts | 带原生 9:16 的 Ingredients to Video，面向竖屏短视频 |
想在代码里调用，Veo 3.1 API 接入指南写了请求怎么送到模型。
还有一句能省钱：不少网站用积分套餐转售 Veo 3.1，那些价格属于那家网站，不属于 Google。
第一条视频：分步做出来
第一次跑通是把流程走一遍，不是出最好的那条。
- 把镜头写成一句话。主体、动作，然后它发生在哪儿。
- 说清摄影机在做什么。固定机位和缓慢推近是两个请求。
- 在同一个提示词里要声音。对白、环境音、音效都写进去。
- 点名哪些东西不能变。这一句就是「改」和「重抽」的分界线。
- 每轮只改一处。整段重写会让你找不到是哪个词带来的变化。
每轮改一处跑三轮，比一次写更长的提示词有用。应用还不熟，可以先看 Gemini 上手教程。
实战示例：一条竖屏短片，主角每次都还是同一个人
要做的是发在竖屏信息流里的一条短片：一位制作者把陶瓷杯转向镜头，说一句台词。难点在手和杯子必须和静帧一致，这正是 Ingredients to Video 的用途。Google 在 2026 年 1 月为这个能力公布了原生 9:16，竖屏是官方选项，不是裁出来的。
Ingredients：图一是制作者本人，脸、头发和围裙保持不变；图二是那只陶瓷杯，釉色和杯口那两处磕碰保持不变。
Shot：从中景缓慢推近到特写，机位在胸口高度，轻微手持晃动，浅景深。
Action：她拿起杯子，转向镜头转过四分之一圈，再放回台面。
Dialogue：她看着镜头说：「每一只出来都不太一样。」
Ambience：安静的工作室室内底噪，她身后有只水壶在轻响。
SFX：杯子落回木台面时，陶瓷碰木头的那一下干响。
Light：左侧一扇大窗户，柔和偏冷，身后一盏暖灯把她和墙分开。
Format：原生 9:16，1080p，不要文字，不要水印。结果能站住，是因为每一块都在回答不同的问题。Ingredients 那两行先锁死身份。对白、环境音和音效是三个分开的请求，少了一声磕碰，也不会把台词一起带走。
第二个例子只动一块：「保持制作者、杯子和光线不变。把工作室换成一面素混凝土墙，光改成高窗进来的晨光。推镜、台词、声音都不变。」两轮下来，这个角色不用再被描述一次。
参考图和提示词一样重要。Google 自己的建议是先用 Nano Banana Pro 把参考图做干净，Nano Banana Pro 教程讲了这套流程。
发出去之前，按最终尺寸看一遍。
一份能反复用的提示词结构
上面两条片子共用同一副骨架，正是它让好结果能被复现，而不是撞运气。
每次都值得写的几块
Google 的原生音频是和画面一起生成的，只写画面的提示词只答了一半。下面这几块来自官方对能力的描述，不是固定模板；画面那一半的词汇可以看 Gemini 提示词指南。
主体与动作：画面里是谁或什么，这几十秒里它发生了什么变化
摄影机：景别、运动，以及机位在哪里
光线：光源、方向和色温
对白：说话的人，然后是引号里的那句台词
环境音与音效：先说空间，再说和某个动作绑定的那一下声音
约束：哪些必须和参考图完全一致
格式：画幅比例、分辨率，以及不要出现什么音频这一块最容易漏
对白是第一次写提示词最容易漏的一块，也是官方明确留了保留的一块。Google 说，自然且连贯的语音，尤其较短的语音片段，仍在持续改进。台词写短，点明说话的人，再用引号把话框起来。
限制、费用，以及官方尚未公布的部分
Google 把限制写在自己的页面上：语音是它反复提到的一项；1080p 和 4K 超分只在 Flow、Gemini API 和 Vertex AI 提供；输出带 SynthID 水印。Insert 已在 Flow 上线，Remove 在 2025 年 10 月的公告里仍是「即将推出」，当时都不在 API 里。
费用这件事，诚实的答案很短：我们核对过的官方页面上没有每秒价格、没有免费额度、也没有订阅档位，本文不印任何数字。
常见问题
要试一下必须付钱吗？ 我们核对过的页面没给免费额度，也没有价格。Gemini 应用仍然是最短的第一步。
一条片子最长能多长？ Google 的基准脚注用的是 8 秒片段，官方没有公布统一时长。Extend 从上一支片的末尾一秒接着生成，一串可以到一分钟以上。
能直接做竖屏吗？ 在 Ingredients to Video 里可以：Google 在 2026 年 1 月公布了原生 9:16。其他模式没有对应的公告。
为什么我的对白音频不稳？ 短语音片段是 Google 自己点名的短板。
这套流程学一次：每轮只改一处，点明说话的人，参考图锁死，这模型就不再像老虎机。