Google Veo 3.1，原生音訊同步生成
一句提示詞，生成自帶聲音的電影級場景。只要 8 秒，就能讓角色伴著雨聲說出對白。
Veo 3.1 是 Google 的文字與圖片生成影片模型。在 Pixel Dojo，可生成 4 到 8 秒、最高 1080p 的影片，支援 16:9 與 9:16，每個版本都能同步生成畫面與聲音。使用 Standard 和 Fast，還能指定對白、音效與環境聲。本頁所有影片都由它生成，每支都附上完整提示詞，讓你直接套用。Pixel Dojo 將 Standard、Fast、Lite 整合在同一個工具中，還有各大頂尖影片模型、六大工作室，以及 AI 導演 Sensei。訂閱期間，未用完的點數可累積至下期，所有方案皆含商用權。
96 credits ($6.00) 所有方案皆包含，每月 US$10 起。
已經是會員？ 登入
作者 Brian Lovett · 更新於
看鏡頭需求選版本。以下點數皆以 1080p、8 秒影片計算，本頁所有影片也都採用這個解析度。
| 版本 | 適用情境 | 影片長度 | 聲音 | 每支 8 s 影片點數 |
|---|---|---|---|---|
| Standard | 人臉、對白與主視覺鏡頭 | 4、6 或 8 s | 對白、音效與環境聲 | 含音訊 96 點數 |
| Fast | 動態、動作與社群短片 | 4、6 或 8 s | 對白、音效與環境聲 | 含音訊 36 點數 |
| Lite | 補充鏡頭、背景與大量社群短片 | 1080p，8 s | 內建聲音 | 16 |
這些影片都是我們在 Pixel Dojo 用 Veo 3.1 生成的，記得開聲音：對白場景、拉力賽追逐、黏土動畫短片、咖啡廣告，以及峽谷空拍。五種風格，同一個模型。點選任一影片上的「使用此提示詞」，就能做出你的版本。
對白場景，聲音直接生成。他停下擦拭提燈的動作，轉身伴著雨聲說出對白。暖色燈光映在臉上，與冰冷、布滿雨痕的窗面形成對比。想做角色開口說話的鏡頭，就從這組提示詞開始。
Medium close-up, slow push in. A lighthouse keeper in his sixties with a salt and pepper beard and a navy cable knit sweater stops polishing a brass lantern, turns to someone just off camera and says in a low, steady voice: "The storm turned north. We have one hour. Wake the others." Rain streams down the tall window behind him, warm lantern light on one side of his face against cold blue storm light, 35mm anamorphic lens, shallow depth of field, fine film grain. Sound: heavy rain on glass, a distant roll of thunder, the soft squeak of cloth on brass. No subtitles.
賽車動作，重量感十足。賽車滑過濕滑碎石髮夾彎，後輪甩出扇形泥漿，濕潤路面映著車頭燈，全程以低角度跟拍鏡頭呈現。想做追逐或車輛場景，就從這組提示詞開始。
Low tracking shot at wheel height. A mud caked rally car with plain unmarked bodywork slides sideways through a hairpin on a wet forest gravel road, the rear wheels throwing a fan of mud and stones toward the lens, headlights cutting through low morning mist, pine trunks streaking past, telephoto compression, slight camera shake, high contrast teal and amber grade. Sound: roaring turbo engine, popping exhaust, gravel rattling against the camera housing.
用文字提示詞，做出停格動畫的迷人質感。圍著針織圍巾的黏土狐狸從磚窯取出熱麵包，再轉向鏡頭說出台詞。黏土上看得見指印紋理，身後燈泡散發暖光。想做動畫短片或兒童內容，就從這組提示詞開始。
Stop motion claymation, medium shot, locked camera. A small orange clay fox in a green knitted scarf pulls a tray of lumpy clay bread out of a tiny brick oven, sniffs it, and says proudly: "Perfect. Well, nearly." Visible thumbprint texture on the clay, felt curtains, warm tungsten practical lights, slightly stepped stop motion movement. Sound: an oven door creak, a cheerful plucked ukulele, a soft crackle of fire. No subtitles.
一支短片，就是一支飲品廣告。鮮奶油注入冰咖啡，在冰塊間向下暈開，杯壁凝結著水珠，琥珀色背光透過飲品發亮。鏡頭保持固定，呈現攝影棚商品拍攝的質感。
Macro product shot, locked camera, slow motion. A thin stream of cream is already pouring into a tall clear glass of iced black coffee, blooming downward in slow marbled white clouds between the ice cubes, condensation beading on the cold glass, warm amber backlight glowing through the coffee against a deep charcoal background, 100mm macro lens, crisp commercial look. Sound: ice cubes clinking and cracking, the soft trickle of the pour, a low warm synth pad.
用壯闊地景，為旅遊與自然影片開場。鏡頭掠過湛藍綠河面，越過瀑布邊緣，眼前展開黑色玄武岩柱峽谷，飛濺水霧間映出彩虹，全程一鏡到底空中飛越。
Aerial drone shot, fast and low, gliding over a turquoise glacial river toward the lip of a thundering waterfall, then tilting down as the ground drops away to reveal a vast canyon of black basalt columns filled with mist at sunrise, a rainbow in the spray, wide lens, crisp documentary look, no drone visible in frame. Sound: rushing wind, the building roar of falling water.
我們用同一組緋紅舞者提示詞，在 Standard、Fast、Lite 生成 8 s、1080p 影片，另外再用 Fast 生成一支 4 s 版本。每個版本都保留了單束光線、飄動薄霧，以及在灰色混凝土前透亮的紅色絲綢。依預算選版本，視覺風格照樣到位。
Standard，8 s。這組影片中霧氣最有層次、輪廓最俐落的一版，裙襬在頂光下展開成飽滿的紅色弧線。
Symmetrical wide shot, slow dolly in. A dancer in her thirties in a flowing crimson silk gown spins at the center of an empty raw concrete hall under a single hard shaft of white top light, the fabric flaring outward in a wide arc, dust drifting in the beam, deep shadows at the edges, 24mm lens, desaturated gray palette so the red dress glows. Sound: bare footsteps echoing, one sustained low cello note, the whoosh of silk.
Fast，8 s。開場幾格畫面，絲綢裙襬就已揚起，整支影片持續大幅擺動，縮成縮圖也一樣搶眼。
Symmetrical wide shot, slow dolly in. A dancer in her thirties in a flowing crimson silk gown spins at the center of an empty raw concrete hall under a single hard shaft of white top light, the fabric flaring outward in a wide arc, dust drifting in the beam, deep shadows at the edges, 24mm lens, desaturated gray palette so the red dress glows. Sound: bare footsteps echoing, one sustained low cello note, the whoosh of silk.
Lite，8 s。同樣的場景調度、柔和發亮的薄霧，還有自帶音軌，以每支最低價格呈現，裙襬旋成寬闊圓弧。
Symmetrical wide shot, slow dolly in. A dancer in her thirties in a flowing crimson silk gown spins at the center of an empty raw concrete hall under a single hard shaft of white top light, the fabric flaring outward in a wide arc, dust drifting in the beam, deep shadows at the edges, 24mm lens, desaturated gray palette so the red dress glows. Sound: bare footsteps echoing, one sustained low cello note, the whoosh of silk.
Fast，4 s。同樣風格，濃縮成短版，從第一格畫面就雙臂展開、裙襬旋轉，只需 8 s 影片一半的點數。
Symmetrical wide shot, slow dolly in. A dancer in her thirties in a flowing crimson silk gown spins at the center of an empty raw concrete hall under a single hard shaft of white top light, the fabric flaring outward in a wide arc, dust drifting in the beam, deep shadows at the edges, 24mm lens, desaturated gray palette so the red dress glows. Sound: bare footsteps echoing, one sustained low cello note, the whoosh of silk.
以下是 Veo 3.1 工具與 API 的控制選項，以及做出上方影片效果的實用技巧。
對白與特寫選 Standard，動態與動作選 Fast，想要每支最低價格則選 Lite。同一組提示詞可用於任何版本。
先寫景別與運鏡，再描述一個明確主體正在做的一件事，接著寫光線、鏡頭，最後加上一行「聲音：」。本頁每組提示詞都照這個順序，直接複製，再換成你的主體就行。
用雙引號寫出角色要說的話，再描述聲線，例如「用低沉、平穩的聲音」。最後加上「不要字幕。」，讓畫面保持乾淨。
設定長度、解析度與畫面比例，即可生成。想做更長的作品，就生成多支影片再剪接起來，或用一張靜態圖片作為下一個鏡頭的起始圖片。
所有 Pixel Dojo 方案都包含 Veo 3.1，每月 $10 起，訂閱期間未用完的點數可累積至下期。生成前，工具會依你的設定顯示確切費用。
一支 8 秒、1080p、含音訊的影片，Standard 需 96 點數，Fast 需 36 點數；4 秒 Fast 影片則需 18 點數。8 秒、1080p 的 Lite 影片需 16 點數。
開啟音訊時，Standard 每秒需 12 點數，Fast 需 4.5 點數；關閉音訊則分別為 8 與 3 點數。Lite 在 1080p 下每秒需 2 點數，720p 則為 1.5 點數。
Veo 3.1 是 Google 的 AI 影片生成器，能將文字提示詞或圖片轉成電影級短片，並生成對白、音效與環境聲。在 Pixel Dojo，同一個工具就能使用 Standard、Fast、Lite 三個版本，也可透過 Pixel Dojo API，以 veo-3.1-standard、veo-3.1-fast 與 veo-3.1-lite 呼叫。
有聲場景。每個版本都會同步生成聲音與畫面，讓鏡頭中的角色伴著雨聲說出對白。它也擅長呈現真實世界的動態，從拉力賽車甩出的泥漿，到鮮奶油在冰咖啡中暈開，以及黏土停格動畫等風格化視覺，都能精準呈現。
可以。所有版本都會同步產生影像與聲音，我們製作的每支影片，包括 Lite，都附有專屬音軌。將對白放在雙引號內，音效提示則寫在「Sound:」標籤後。我們為提燈旁的男子和黏土狐狸寫了台詞，兩個角色都在鏡頭前開口說話。
Standard 畫質最高，專為臉部、對白和主視覺鏡頭打造，也是唯一支援參考圖片的版本。Fast 每秒費用不到 Standard 的一半，擅長動態與動作場景。Lite 單支影片價格最低，每個鏡頭都會產生聲音。
可以。不論使用哪種方案，你都擁有自己創作的內容。
免費帳號每天可免費使用 3 次特效，體驗 Pixel Dojo。每月 $10 起的所有方案都包含 Veo 3.1，訂閱期間未用完的點數可累積。製作一支 8 秒的 Lite 影片需 16 點數，Fast 含音訊則需 36 點數。
可以。3 個版本都支援起始圖片，也能加入結束影格，讓影片在指定畫面收尾。Standard 另外支援最多 3 張參考圖片，維持主體或視覺風格一致。