用 Veo 3 做文生视频：毁掉一条好片子的六个错误

Veo 3 很少是随机出错的。当生成的片段里镜头飘过了主体、一只手化进了台面，或者台词在嘴停下半秒之后才响起，原因通常都是提示词里留了一处空白。模型替你补上了这处空白——用它的猜测补的。

下面这几个错误，是在用 Veo 3 做文生视频时最耗渲染次数的，大致按它们毁掉一条片子的程度排序。每个错误都有一句提示词就能完成的修正，不必再多烧一轮渲染额度，而且都能在点下生成之前查出来。

错误一：让一条短片讲完整个场景

一次生成是一个镜头，不是一个场景。Google DeepMind 自己发布的 Veo 示例，每一段都只描述一个主体、一种运镜和一个声音底；Magic Hour 公布的 Veo 3.1 案例同样每条都是八秒的单次生成，评测里还特地注明：产出的是一个插入镜头，而不是一段完整的序列。

这种失误很容易顺手写出来：“她走进咖啡馆，点了一杯馥芮白，坐到窗边，然后看手机。”四个动作在抢八秒钟。回来的通常只有中间那个动作，做得含含糊糊，手还没伸进口袋，手机就已经出现了。

修正的办法是挑出真正撑起这个镜头的那一个动作。进门和看手机各自留一次生成，再在剪辑软件里接起来。如果你判断不出哪个动作最重要，那说明这个镜头还没到能写提示词的地步。

错误二：把互相打架的运镜叠在一起

“缓慢横摇、环绕加推进”读起来像电影摄影，实际表现却是三条互相冲突的指令。Magic Hour 的故障排查清单点名的正是这一条：镜头根本不按计划走；解法是只选一种运镜，写明方向和速度，再把与之打架的动作删掉。

留意输出里的破绽。一个动作只做到一半——往前推却始终没有升起来，或者绕着主体转、主体却滑出了画框——通常说明提示词里塞了两个运镜，而不是模型不会运镜。

写一个动作、一个方向、一种速度：“镜头缓慢推进一次，最后停在中近景的手上。”等第一个动作单独跑通了，再考虑加第二个。

错误三：描述情绪，而不是看得见的动作

电影感、高级感、有情绪、有张力这类词，没法对应到像素上。它们是对成片的判断，而模型没有办法渲染一个判断。它能渲染的是材质表面、光线方向和动作。

Higgsfield 的错误清单从另一面说了同一件事：把情绪绑到镜头看得见的东西上，比如一只手迟疑地搭在刹车上，或者一个迟迟不收的凝视，而不是直接说出那种感觉。Magic Hour 的修正办法是一个替换练习：把“高级”换成拉丝金属、哑光表面和克制的轮廓光，把“电影感”换成具体的机位高度和镜头质感。

把“一个高级的咖啡时刻”和“白瓷杯里升起热气，杯子放在带划痕的橡木桌上，清晨的低角度光从左侧照来，机位固定，杯子和碟子保持原样”放在一起比较。后一版给了模型四样它真能画出来的东西，外加一样不许动的东西。

错误四：把排除项写成命令

大多数人写提示词，最后都要加一句“不要文字、不要水印、不要多余的人”。Google 自己的视频生成提示词指南要求的却是相反的写法：避免“不要墙”“别出现墙”这类指令式表达，改为把不想要的元素列成清单，点名你不想看到的物体。

由此有两个实际后果。第一，排除项要写成模型被训练去读的那种形式，也就是点名物体，而不是跟它争辩。第二，把任何排除都当成请求，而不是保证。Magic Hour 在字幕这件事上说得很直白：要求排除文字仍然只是一个请求，最后几帧还是得逐帧检查有没有漏进来的字。

所以那句话改成“文字、水印、多余的人”，而检查环节变成专门看那两三帧——文字最容易冒出来的地方：招牌、屏幕、包装，以及任何正对镜头的表面。

错误五：把声音当字幕，而不是当音轨

Veo 3 原生生成音频，音效、环境声和对白与画面在同一次生成里一起出来。这是它相对无声视频生成器最大的优势，而浪费这个优势最快的方式，就是把声音当成挂在画面描述后面的补笔。

最常见的两种翻车形态。第一种是台词对镜头来说太长：句子还没说完，嘴已经停了，或者话被直接切断。第二种是把音频提成一个不分层的整体，音乐、室内底噪、音效和人声全堆进一个从句，结果模型只挑一样，其余全丢。

把层分开，并且点明说话的人。“安静的录音棚底噪，钥匙碰到桌面时一声金属轻响，无音乐”是混音指令。“她用放松的语气说，这些已经可以上第一次晚宴了”是表演指令。台词要短到能装进你实际申请的那个时长里，并且按秒数去数字数，而不是按剧本去数。

错误六：接触点和物理规则留空

提示词里没写的东西，一律由模型替你决定。Higgsfield 的清单把这一点做成了一道具体的起飞前检查：写明接触点——手、手指，以及什么碰到了什么——再写明一个具名的光源和运动方向。

手之所以是经典的受害者，原因就在这里。“她拿起钥匙”这句话把握法、手指数量和角度全留空了，渲染结果就在“像那么回事”和“明显不对”之间随便挑一个。换成“她用拇指和食指捏住钥匙的柄环，把它从桌面上提起来”，留给模型的余地就小得多。

物理规则也一样。布料、液体和头发是模型最容易即兴发挥的地方，所以要写清楚哪些必须保持不动：外套不摆动，杯中液面保持水平，表盘和表带全程不变。这些句子很便宜，却是“能用的产品镜头”和“重拍一遍”之间的差别。

改指令，别改整段提示词

片子做坏了，第一反应是把所有东西重写一遍，而这么做恰好毁掉了你的证据。每次重试只改一条指令，你才能学到是哪句话惹的祸。

留一条基准生成：同一个主体、同样的音频、你确认过能用的一个固定镜头。新的一次失败了，就把两者摆在一起比，说出差别在哪。如果同样的文字每次重跑，出错的位置都不一样，那是提示词的问题。如果每次都错得一模一样，那是参数设置的问题，再多形容词也救不了。

动手重写之前，按这个顺序过一遍症状：主体是否具体、动作数量、运镜数量、光源、接触点、音频分层，最后是不变量。你的文本里第一个确实没写清楚的那一项，就是要改的地方——通常也是唯一要改的地方。

生成前就能拦下大部分问题的检查表

把提示词读一遍，逐条打勾。哪一条答不上来，模型就会替你补一个答案。

• 一个主体，描述得足够具体，光看文字就能认出来。
• 一个动作，用的动词要能产生看得见的结果。
• 一种运镜，带方向和速度。
• 一个具名光源，带照射方向。
• 每个接触点都写清楚：手、脚、放在台面上的物体。
• 音频拆成人声、环境声、音效和音乐，并写明说话的人。
• 一行不变量：这个镜头里什么不许变。
• 时长、分辨率和画幅比例在界面里设，不要写进句子里。

最后一条比看上去更重要。在提示词里要求竖构图，并不会像竖屏设置那样改变输出的画布；把一条横幅渲染裁成竖幅，会把你最在意的动作裁掉。工具给了控件的地方，就用控件。

这些都不能让 Veo 3 变得像分镜脚本那样可预测。它做到的是让失败变得可读——而可读的部分才是你能下手的部分：漏掉某一个具名元素的片段，用一处具名修改就能修好；而什么都漏掉的片段，通常意味着提示词一次要了太多东西。如果你还在权衡哪些镜头值得渲染，适合短片的 Veo 3 用法讲的就是这个取舍，改好的提示词则可以直接拿到 Veo 3 视频生成器 里去用。