Veo 3 提示词指南:懂物理、带声音的提示词(2026)
Veo 3 改写了 AI 视频提示词这份工作的定义。当模型能原生生成音频——对白、拟音、环境声——你写的就不再是一段画面描述,而是在给一场戏做导演:发生什么、听起来怎样、以及重力到底允不允许。2026 年,正是物理合理性加真实声音这个组合,让 Veo 3 成为产品演示、讲解类短片、以及一切”假互动会毁掉信任”场景的默认选择。
代价是:Veo 3 对糟糕指令格外诚实。违背因果物理的提示词不会被悄悄抹平——它们会被逐字渲染出来:悬浮的液体、穿过杯子的手。而音频是一条不留情面的第二轨道:写错的台词、与动作对不上的声音,比一帧糊画面更快把观众踢出沉浸感。
这篇指南讲的就是能同时通过两轮审核的提示词写法:物理审核和声音审核。内容包括”物理感知”在提示词语言里到底意味着什么、七个镜头要素怎么向音频倾斜、三个带声音脚本的可直接复制模板,以及一套花积分之前就能跑的质检流程。
“物理感知”在提示词里到底是什么意思
物理感知的写法不是在结尾加一句”realistic physics”然后祈祷。它是删掉每一个要求模型违背因果的指令,再补上锚定材质与力的提示。
四个习惯解决大部分问题:
- 写材质,不只是写物体。 “陶瓷杯”、”湿牛仔布”、”蒸汽”、”开裂的皮革”。材质告诉模型光和动该怎么表现——蒸汽上升、陶瓷相碰发出脆响、厚重的布料会慢半拍地摆。
- 给力一个来源。 东西掉落是因为被松开,溅起是因为被砸中,摇晃是因为有风。”她把杯子重重放下;水晃出来,桌面上漫开一圈水痕”是一条模型能执行的因果链。
- 一个片段只有一个主要物理事件。 一次倾倒、一次泼洒、一次跳跃、一次摔门。两个互相竞争的事件,就是物理开始产生幻觉的地方。
- 尊重重力、时间和距离。 “瞬间”把杯子从桌那头移过来,读起来就是瞬移。写出行程:”她把杯子滑过台面。”
速度词比在任何其他模型上都重要:”缓慢地”、”沉甸甸地”、”一气呵成”是物理指令,不是风格修饰。
向 Veo 3 倾斜的七个镜头要素
| 要素 | 要写什么 | 对 Veo 3 有效的说法 |
|---|---|---|
| 主体 Subject | 谁/什么 + 材质特征 | “系帆布围裙的咖啡师,握着陶瓷手冲壶” |
| 构图 Framing | 景别、角度、画幅 | “手与壶的特写,略俯拍,16:9” |
| 镜头 Camera | 运动还是锁定,写清意图 | “固定机位,无运镜” |
| 动作 Motion | 带时间的因果节拍 | “0–2 秒:壶身倾斜,细水流落在咖啡粉上;2–5 秒:粉层膨胀” |
| 光影色彩 Light & color | 光源与材质反应 | “窗光穿过蒸汽,衬着深色木质吧台” |
| 节奏 Timing | 时长 + 物理事件的速度 | “6 秒,从容;倾倒动作在第 5 秒完成” |
| 声音 Sound | 脚本化音频:对白、拟音、环境声 | “平稳的水流声,画外的磨豆机轻鸣,无对白” |
在 Veo 3 上,声音不是脚注——是你执导的一条轨道。像声音设计师那样分层罗列:对白(逐字台词、语气)、拟音(动作产生的物理声响)、环境声(房间底噪、街道、天气)、静默(哪些声音*不该*出现)。”安静的厨房,无音乐,只有水壶的声音”比”好听的声音”是强得多的指令。
如果片段需要台词,就把台词用引号逐字写出,控制在八个词左右,并给语气:”她笑着说:’这个角度好。’”
指导音频轨道
三条规则让声音这一侧保持干净。
声音与可见动作逐秒对应。 如果 2–4 秒的节拍是勺子搅动,音频行就要写搅动声。对不上是 AI 视频最容易被识破的破绽。
先决定观众最先听到什么。 音频的第一秒就是钩子——一声清脆的拟音、一句台词、或一种辨识度高的环境声。像写视觉钩子一样刻意地写它。
给静默留位置。 不是每一秒都需要声音设计。安静的房间里只有一个声音事件(”只有引擎冷却时的滴答声”),物理反而更可信,因为真实的房间大部分时间是安静的。
再补一条 Veo 3 特有的注意:不要让对白和重拟音挤在同一个节拍里。破壁机轰鸣时说台词是两个音频事件在打架;给每个事件自己的时刻。
三个可直接复制的模板
1. 带声音的产品演示(16:9)
场景:晨光里的整洁厨房台面,深胡桃木台面,一只装着冷萃咖啡的玻璃壶。主体:穿灰色亨利衫的男人,袖子挽起,画面里只有手。物理节拍:0–2 秒:他倾斜玻璃壶,深色水流注入透明玻璃杯,冰块浮动并轻轻相碰;2–4 秒:他放下壶,一滴液体沿壶身流下、落在台面上;4–6 秒:他端起杯子晃了一圈,液体沿杯壁扬起又落回。镜头:手与杯的特写,略俯拍,固定机位,16:9。光线:左侧的硬质晨间窗光,玻璃和液体上有锐利高光。声音:由强转停的倒水声、杯中冰块的碰撞声、壶放上台面的一记闷响、安静的房间底噪、无音乐、无对白。时长 6 秒,从容干净的节奏,写实产品摄影质感。
2. 带一句台词的 UGC 测评(9:16)
场景:夜晚的居家办公桌,暖色台灯,背景是合着的笔记本电脑。主体:穿连帽衫的女生,头发半扎,手扶着一盏小型哑光台灯的底座。物理节拍:0–2 秒:她用拇指按下开关;暖光落在桌面上,纸张被照亮;2–4 秒:她把灯头压低,转轴有点紧,光扫过桌面;4–7 秒:她向后靠,看着镜头满意地说:"这个角度好。"镜头:中近景,平视,手持带轻微晃动,9:16。光线:台灯是实用主光,身后是冷色屏幕光。声音:开灯时清脆的塑料咔哒声、灯头下压时轻微的转轴摩擦声、她清晰温暖的说台词声、安静的房间底噪、无音乐。时长 7 秒,自然对话节奏,写实 UGC 风格。
3. 单一物理事件的氛围片(9:16)
场景:黄昏雨后的空停车场,浅浅的积水,头顶一盏嗡嗡作响的路灯。主体:靠脚撑立着的外卖自行车,后架上捆着一只纸箱。物理节拍:0–3 秒:一阵风吹过;积水涟漪向外扩散,箱上的绑带飘动;3–5 秒:自行车在脚撑上晃了晃又稳住,一滴水从车座滴落,砸出小小的水花;5–7 秒:小雨重新落下,涟漪布满水面。镜头:全景,贴地仰拍,极缓慢推近,9:16。光线:一盏暖钠灯光,映着深蓝色的湿沥青反光。声音:一阵低沉的风、路灯的金属嗡鸣、水滴落地的轻响、逐渐变密的雨点声、无音乐、无对白。时长 7 秒,安静而紧张的节奏,电影感写实。
花积分之前的质检:静音测试与物理审查
Veo 3 让两项检查变得很便宜,批量生成之前两个都该跑。
静音测试。 把生成的片子关掉声音播放。如果动作本身读得通——谁做了什么、按什么顺序——你的动作节拍就是成立的。静音看不懂,音频救不了它。
物理审查。 用慢速拖动片段,盯着过渡看:接触的瞬间、下落、倾倒。每个事件只问一个问题:在真实的厨房/停车场/街道里,这件事会这样发生吗?答案是不会,那提示词里多半藏着因果缺口(有结果没原因)或两个互相竞争的事件。
音频过一遍。 最后闭上眼睛看一遍。每个声音都该对应你看到过的东西。对不上的,要么作为脚本元素写回提示词,要么明确写成”静默”。
这套质检循环正是参考素材的捷径所在。找一条物理互动和声音设计都已经成立的片段——一次卖货的倾倒、一段拟音爽感十足的开箱——喂给 SocialToPrompt。它支持 25+ 平台(YouTube、TikTok、Instagram、X、小红书、快手、B 站等)和本地上传,单条 20 秒以内,输出主体、构图、镜头、动作、光影、节奏的结构化拆解。完整一跑 4 积分(提取 1 + 生成 3),新账号送 3 积分。用你的产品重写那条物理链,在上面叠你自己的声音分层,一条听话的 Veo 3 提示词就有了。
上线前检查清单
- [ ] 每个物体都写明材质(陶瓷、金属、湿布……)
- [ ] 每个物理事件在节拍链前面都有可见的起因
- [ ] 一个片段只有一个主要物理事件
- [ ] 写了速度和重量词(”缓慢地”、”沉甸甸地”、”一气呵成”)
- [ ] 声音分层齐全:对白(逐字)、拟音、环境声、静默
- [ ] 每个脚本化声音都对应同一时间槽内的可见动作
- [ ] 台词逐字、简短、带语气指令
- [ ] 时长与画幅明确;物理事件在片段内完成
常见错误
写”真实的物理”而不是写物理。 那句话是个愿望。”杯子落定时液面恢复平静”才是指令。
声音壁纸。 “史诗配乐、电影感音效”对模型毫无操作性,还常常盖掉卖镜头的拟音。把具体声音写出来。
不可能的请求。 向下飘的蒸汽、悬浮的物体、小壶里倒不完的水——每一条都是渲染出来的事故,不是风格选择。重力不允许,就删掉。
噪音里的对白。 在重拟音节拍里说台词,出来就是糊的。把它们在时间上分开。
无视静默。 从头到尾的声音设计读起来是噪音。真实环境有空隙;在事件之间写上”安静的房间底噪”,整条片子立刻更可信。
先写物理链,再编声音脚本,然后让 Veo 3 做它最擅长的事——需要从已经说服人的片段里反推互动语法时,用 SocialToPrompt 提取。
分享文章