Veo Prompt 寫法：8 秒講好一個鏡頭（2026 指南）

一句答你：寫 Veo prompt 嘅核心係「8 秒講好一個鏡頭」——主體、動作、鏡頭、光線、聲音五件事齊晒，畫面先至穩，唔會靠運氣撞出靚片。

重點摘要 Key Takeaways

• Veo 3.1 單次生成 4、6 或 8 秒，720p／1080p／4K，24fps，支援 16:9 同 9:16，有原生音頻。
• prompt 結構化寫法：主體 → 動作 → 鏡頭語言 → 光線 → 聲音，五層齊寫先可控。
• 最多 3 張參考圖，可以用嚟鎖住角色同場景一致性。
• 想長片？延長每次加 7 秒，最多延 20 次，最長約 148 秒。
• 官方明講 English 完全支援，其他語言未評估——粵語 prompt 同粵語對白都要有後備方案。
• 港嘢嘅做法：畫面用 Veo，粵語聲軌用專門粵語 TTS 再做對嘴整合。

點解 8 秒係 Veo prompt 嘅基本單位

根據官方文件（2026-10-31），Veo 3.1 單次可以生成 4 秒、6 秒或者 8 秒影片，解像度揀 720p、1080p，8 秒片仲可以出 4K，幀率固定 24fps，畫幅有 16:9 同 9:16 兩種，而且自帶原生音頻。呢啲數字好重要，因為佢哋直接決定你個 prompt 點寫。

Veo prompt 係你餵畀模型嘅一段文字指令，講清楚畫面入面有咩人、做緊咩、鏡頭點郁、光線點打、有咩聲。8 秒唔長，一個鏡頭講一件事啱啱好。你可以當佢係一條 8 秒廣告片：開鏡 1 秒建立場景，中間 5 秒講動作，尾 2 秒收情緒。研究界早有共識，text-to-video 模型對「結構清晰嘅描述」反應最好（Text-to-Video 生成綜述, 2026）。

好多新手寫 prompt 好似寫作文咁，一段過。結果模型自己估你想要咩，出嚟時好時壞。結構化寫法就唔同，你將控制權拆開五格，每格負責一件事，模型讀起上嚟資訊密度高，生成結果自然穩定（從 Sora 睇 text-to-video, 2026）。

五層結構：主體／動作／鏡頭／光線／聲音

第一層：主體（邊個喺畫面入面）

主體 係畫面嘅核心人物或物件，通常一個鏡頭得一個主體最穩。寫主體要具體：年齡、外觀、衣著、表情。唔好寫「一個女人」，要寫「一位五十幾歲嘅香港茶餐廳老闆娘，短髮，著圍裙，眼角有笑紋」。

如果你有角色一致性需求，記住 Veo 3.1 支援最多 3 張參考圖。角色設定圖、場景圖、道具圖各一張，用嚟鎖住個「樣」，8 秒入面主體就唔會走樣。

第二層：動作（8 秒入面做緊咩）

動作要單一、有起承轉合。8 秒裝得落一個完整小動作，例如「倒一杯奶茶入玻璃杯，拉茶嘅手勢由高至低，最後望鏡頭微笑」。唔好塞三件事入去，模型會顧此失彼。動詞要具體：「推開木門」「執起菜刀」「望向鏡頭」都好；「互動」「交流」呢類抽象詞就冇用。

第三層：鏡頭語言（部攝影機點郁）

鏡頭語言 係指攝影機嘅運動方式同取景，例如推軌（push in）、拉後（pull back）、低角度（low angle）、特寫（close-up）、廣角（wide shot）。呢層寫得清楚，成片質感即刻升一級。8 秒片建議只用一至兩個鏡頭運動，例如「鏡頭由中景緩慢推近至面部特寫」。

第四層：光線同氛圍

光線決定成條片嘅「戲味」。寫明光源同色溫：「黃昏暖光由右邊窗射入」「霓虹燈反射喺濕漉漉嘅街面」「陰天柔光」。香港場景好食呢套——霓虹、雨後街道、茶餐廳卡座嘅熒光燈，光線寫得準，氛圍即刻出。

第五層：聲音（原生音頻點處理）

Veo 3.1 有原生音頻，即係話個 prompt 入面可以寫埋環境聲、對白、音樂方向，例如「背景有茶餐廳嘅杯碟碰撞聲同收音機廣播」。但注意：對白想用粵語講，就涉及下面講嘅語言支援風險。

一個 prompt 範本（照抄改用）

用純文字排版做個結構範本，你可以直接套用：

[主體] 一位廿幾歲香港女大學生，馬尾，著白色 T-shirt
[動作] 喺旺角行人專用區行緊，突然停低望向左手邊嘅霓虹招牌，露出驚訝表情
[鏡頭] 中景開始，鏡頭跟隨主體行兩步，然後推近至半身
[光線] 夜晚，紅藍霓虹燈打喺面上，地面有雨水反光
[聲音] 環境：街道人聲、車聲；無對白；低沉電子音樂墊底
[畫幅] 16:9，8 秒

注意一個位：官方支援係 English 完全評估過，中文或其他語言嘅 prompt「未評估，可能得但效果會變」（Veo 官方文件, 2026）。實務上好多用家會用英文寫 prompt、再喺 prompt 內標明對白語言。想穩陣，prompt 本身用英文寫最安全；粵語對白就唔好依賴 Veo 直接生成，改用下面講嘅後期配音流程。

五個即用範例

範例一：茶餐廳廣告感

主體：六十歲茶餐廳沖茶師傅，白背心。動作：拉奶茶，倒杯，推杯入鏡。鏡頭：特寫拉茶手勢，慢動作感。光線：暖黃燈光。聲音：茶傾瀉聲、環境嘈雜聲。呢類適合飲食品牌宣傳短片。

範例二：街景氛圍片

主體：夜晚嘅廟街，無特定人物。動作：人流穿過鏡頭，小販檔蒸氣升起。鏡頭：固定廣角，微慢推。光線：霓虹招牌紅綠光。聲音：市集叫賣聲。適合旅遊內容開場。

範例三：產品開箱感

主體：一雙手同一個未拆封嘅電子產品盒。動作：拆開封條，打開盒蓋，取出產品。鏡頭：俯拍轉 45 度角。光線：白底柔光箱打燈。聲音：撕膠紙聲。適合電商短視頻，9:16 畫幅直出。

範例四：人物情緒片

主體：三十歲男士坐喺辦公室，捲衫袖。動作：望出窗，深呼吸，眼神轉堅定。鏡頭：側面特寫，慢慢推。光線：黃昏側逆光。聲音：冷氣低鳴。適合品牌故事開場。

範例五：美食直式片

主體：一碗雲吞麵由廚房端出。動作：熱氣升騰，筷子夾起雲吞。鏡頭：頂拍轉平拍。光線：檔口白光加暖黃補光。聲音：麵湯倒入碗聲。9:16 畫幅，適合社交平台。

粵語用戶嘅語言風險：點避坑

呢部分係香港用家最要注意嘅位。官方明確講：English 完全支援，其他語言未評估。對粵語用家嚟講，風險有兩層。

第一層係 prompt 語言。用粵語寫 prompt，模型可能理解得到，但冇官方保證，效果波動。建議 prompt 主幹用英文寫，描述性內容照樣準確傳達。

第二層係片內對白。就算 prompt 用英文寫，你想角色講廣東話對白，Veo 對非英語對白嘅品質係「未評估」狀態。研究界都指出，粵語呢類資源相對少嘅語言，生成模型表現長期係難點（WenétSpeech-Yue 論文, 2026）。所以穩陣做法係：畫面靜音處理對白位，粵語聲軌另外用專門粵語 TTS 生成，再做對嘴整合。呢條路我哋喺 Veo 3.1 粵語語音實戰指南 有完整拆解，對嘴技術細節就睇 Kling AI 粵語對嘴教學。

【獨家觀察】根據我哋服務香港客戶嘅經驗（2026-10-31 觀察），用「Veo 出畫面＋粵語 TTS 出聲」嘅兩段式流程，比直接叫 Veo 生成粵語對白穩定得多。原因好簡單：G2P（grapheme-to-phoneme，文字轉音素）喺粵語多音字場景極易出錯，而專門粵語 TTS 喺呢方面打磨多年，發音準繩度高出一截。分工先係正路，唔好迫一個工具做晒所有嘢。

延長同參考圖：由 8 秒去到長片

8 秒唔夠用？兩條路。

延長：Veo 3.1 支援每次延長 7 秒，最多延 20 次，理論上最長約 148 秒。適合敘事類短片，但每延一次，一致性風險累積，角色樣、光線方向可能漂移。實務建議：延之前喺 prompt 重申主體外觀同光線描述，等模型「記返」個設定。

參考圖：最多 3 張參考圖，係鎖一致性的利器。例如你拍一個系列廣告，三張圖分別係：主角全身設定圖、茶餐廳場景圖、招牌道具圖。之後每一個 8 秒鏡頭都掛住呢三張圖，成個系列嘅視覺語言就統一。呢個做法同 AI 動畫粵語配音全流程 入面講嘅「先鎖視覺、後配聲音」原則一致。

仲有一個位要留意：Seedance 走嘅係另一條路線，佢係多模態聯合生成，單次可到 30 秒（根據官方文件，2026-10-31），如果你想一次過出長少少嘅片，可以比較下 Seedance 粵語語音生成指南，睇下邊個工具啱你個 project。

畫幅同解像度點揀

簡單決策表：

24fps 係固定幀率，電影感係夠，但如果你想 60fps 遊戲實況風格，就要後期插幀，或者揀其他工具。測試階段用 720p 加 4 秒最慳，confirm 咗構圖先升規格出 4K。

另外值得一提，生成式 AI 內容喺香港要有清楚標示（數字政策辦公室生成式 AI 指引, 2026），商業用時記得做好內容標籤同授權清理，尤其參考圖如果涉及真人樣貌，一定要有授權（私隱專員公署 AI 框架, 2026）。

常見問題 FAQ

用廣東話寫 Veo prompt 得唔得？

可能得，但官方只係完全評估咗 English，其他語言屬「未評估」狀態（2026-10-31 觀察）。想穩定輸出，prompt 主幹用英文寫最安全，描述細節唔會因為轉語言而走樣。

Veo 可以直接生成粵語對白嗎？

風險高。官方對非英語語音支援係未評估，粵語發音同口音冇保證。建議畫面交 Veo，粵語對白用專門粵語 TTS 生成，再做後期對嘴整合。

8 秒唔夠講成個故事點算？

用延長功能，每次加 7 秒，最多延 20 次，最長約 148 秒。記住每次延長前喺 prompt 重申角色同光線設定，減少漂移。

參考圖最多幾多張？

3 張。建議分配：角色設定一張、場景一張、關鍵道具一張，等角色同視覺風格喺多個鏡頭之間保持一致。

4K 解像度有咩限制？

根據官方文件（2026-10-31），4K 只適用於 8 秒片。測試階段唔好直接上 4K，先用 720p 驗證 prompt，confirm 咗先升規格，慳好多時間。

鏡頭運動寫幾多個先啱？

8 秒片一至兩個就夠。太多鏡頭運動，模型容易亂，出嚟畫面跳嚟跳去。寫清楚起始景別同結束景別，例如「由廣角推近至特寫」，比寫五個運動效果好。

Veo prompt 同圖像生成 prompt 有咩唔同？

最大分別係 Veo 要寫「時間維度」——動作喺 8 秒內點展開、鏡頭點郁、聲音點配合。純寫畫面描述係得一半，動態同聲音兩層唔寫，出嚟就好似幻燈片。

[!CTA]

想即刻試下你自己寫個 Veo prompt？

去 港嘢 playground，配合專業粵語語音生成，由 8 秒鏡頭開始練起。

---

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。

本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）