Veo 3.1 是 Google DeepMind 2025年10月发布的视频生成模型。它在平台上最独特的功能是原生音视频联合生成：声音和视频一起生成，对话口型同步是目前市场上准确率最高的之一。单次生成最长8秒，1080p，支持4K增强输出。
核心能力
- 原生音效生成（对话、环境音、背景音乐一起出）
- 对话视频：台词自动同步口型，无需后期处理
- 产品展示视频：镜头运动流畅，画面质量在平台视频模型里最高
- 视频延伸：可以接续一段已有视频继续生成
产品展示视频提示词
[运镜方式] of [产品详细描述], [光线描述：soft studio lighting / dramatic backlighting / golden hour], [背景：clean white surface / dark marble], [特效（可选）：particle effects / water splash / light refraction], [音效描述：elegant orchestral music / ambient city sounds / silence], [时长：4 / 6 / 8] seconds.
对话视频提示词
A [景别：medium / close-up] shot of [场景描述]. [环境音：café ambience / city background / quiet office]. [角色A描述] says, '[台词A]'. [角色B描述] replies, '[台词B]'.
台词用单引号包住。台词每句话越短，口型同步越准确。复杂长句的口型准确率会下降。
运镜词速查
slow push-in— 缓慢推进（常用于产品特写）slow orbit around— 绕物旋转（360度展示产品）macro close-up with shallow depth of field— 微距虚化特写low-angle tracking shot— 低角度跟拍overhead pull-back— 俯视拉远static camera, subject movement— 固定机位，主体运动
时长选择建议
- 4秒 → Logo 动效、简单产品特写
- 6秒 → 单场景产品展示
- 8秒 → 完整叙事、对话视频、多场景切换
超过8秒的需求需要分段生成再剪辑拼接。按场景切分生成，效果比硬拉一段提示词更可控。
关于成本
Veo 3.1 通过平台积分消耗，Fast 模式成本约 $0.15/秒，Standard 模式约 $0.40/秒。如果不需要音效，可以关闭音频生成降低约30%的成本。对话类视频建议用 Standard 模式，口型准确率更高。