Veo-3.1-Prompt-Anleitung

Der Veo-3.1-Prompt-Generator schreibt einen Prompt in dieser Reihenfolge; diese Anleitung erklärt jeden Teil. Zum Modell siehe die Seite zu Veo 3.1.

Googles Prompting-Leitfaden für Veo 3.1 nennt fünf Teile. Die Kamera kommt zuerst, weil sie bestimmt, was der Rest füllen muss; der Ton folgt in eigenen Sätzen.

1. 1Beginne mit der Kamera: Einstellungsgröße, Winkel, eine Bewegung und, wenn es zählt, das Objektiv.
2. 2Nenne das Motiv mit den Details, die sich nicht ändern dürfen.
3. 3Schreib eine Handlung im Präsens, von Anfang bis Ende.
4. 4Füge Ort und Zeit, das Wetter und den Hintergrund hinzu.
5. 5Lege den Look, das Licht und seine Richtung sowie die Stimmung fest.
6. 6Ende mit dem Ton: jeder Satz in Anführungszeichen hinter der sprechenden Person, dann „SFX:“ und „Ambient noise:“.

Der Leitfaden von Google DeepMind für Veo 3 nutzt dieselben Teile und zeigt jeden Prompt neben seinem Video, von einer Zeile bis zur langen Schritt-für-Schritt-Beschreibung. Ein Prompt, der für das ältere Modell geschrieben wurde, funktioniert auch mit 3.1.

Veo versteht Filmsprache, also benenne die Einstellung so, wie es jemand an der Kamera tun würde. Diese Begriffe stammen aus Googles Prompt-Leitfaden.

Eine Bewegung pro Clip: Eine Dolly-Fahrt, die in 8 Sekunden zur Bogenfahrt wird, verschmiert beide. Bei Dialogen halten eine statische Einstellung oder eine langsame Dolly-Ranfahrt das Gesicht ruhig.

Jeder Clip mit Veo 3.1 hat Ton, der mit dem Bild entsteht. Google bittet dich, ihn in eigenen Sätzen zu beschreiben, und sein Leitfaden zu Veo 3.1 kennzeichnet jede Ebene. Siehe natives Audio.

1. 1Nenne die sprechende Person, dann den Satz in Anführungszeichen: Eine Frau sagt: „Wir müssen jetzt gehen.“
2. 2Gib einen Tonfall an, wo es zählt: Er sagt mit müder Stimme: „Nicht schon wieder.“
3. 3Setze jeden Effekt hinter „SFX:“: SFX: Die Tür knallt zu.
4. 4Setze den Hintergrund hinter „Ambient noise:“: Ambient noise: das Summen auf der Brücke eines Raumschiffs.
5. 5Schreib Musik als Geräusch: Eine sanfte Orchestermusik setzt ein.

• Ein kurzer Satz in 4 Sekunden, zwei in 8: Gesprochen werden zwei bis drei Wörter pro Sekunde.
• Gib jedem Satz eine sprechende Person im Bild, sonst kann daraus eine Sprecherstimme aus dem Off werden.
• Schreib Sätze auf Englisch: Googles Modellreferenz nennt Englisch als Prompt-Sprache. Veo bewegt die Lippen in derselben Generierung; siehe Lip Sync.

Untertitel und verwaschene Sprache

Google nennt natürliche Sprache in kurzen Sätzen als Grenze, an der es noch arbeitet. MIT Technology Review fand verstümmelte Untertitel in Clips mit Dialog, selbst wenn der Prompt ausdrücklich keine wollte; Google riet, ihn erneut auszuführen. Beschreibe also ein sauberes Bild, lass Schilder und Texteinblendungen weg, außer du willst Worte darauf, halte Sätze schlicht und hör dir jede Version an.

Die Länge steht fest, bevor Veo den Prompt liest, also schreib nur, was die Sekunden fassen: Eine längere Handlung wird gehetzt, ein längerer Satz abgeschnitten.

Googles Leitfaden teilt einen 8-Sekunden-Clip außerdem in getimte Einstellungen auf, die jeweils mit ihrem Zeitbereich beginnen, etwa [00:00-00:02]. Zwei Sekunden sind kurz, heb dir das also für Fälle auf, in denen die Schnitte wichtig sind. Veo erzeugt nur 16:9 oder 9:16; für quadratisch oder 21:9 siehe die Kling-3.0-Prompt-Anleitung.

Googles Tools nehmen Bilder auf zwei Arten an: als Startbild zum Animieren oder als bis zu drei Referenzbilder einer Person, einer Figur oder eines Produkts, die in einer neuen Einstellung erhalten bleiben. Siehe Bild-zu-Video und Referenz-zu-Video.

Googles Referenzbeispiel nennt sein Motiv schlicht: „Eine Person kommt mit einer Vase voller Blumen herein und stellt die Vase auf einen Küchentisch.“ Referenzen funktionieren bei Veo 3.1 und Fast, nicht bei Lite, und das volle Modell erzeugt dann 8 Sekunden.

Auf DreamBench werden deine Bilder zu Blättern. Veo 3.1 nimmt zu jedem Clip bis zu 3 an, der dann 8 Sekunden dauert; bei Fast und Lite zeichnet DreamBench daraus ein Startbild.

Google bietet Start- und Endbild für alle drei Stufen an: ein Anfangs- und ein Schlussbild, und Veo erzeugt die Bewegung dazwischen, mit Ton, in 4, 6 oder 8 Sekunden (Google Cloud). Beschreibe die Veränderung, wie es Googles Beispiel tut: „Eine Hand greift ins Bild und stellt ein Glas Milch neben den Teller mit Keksen“. Halte beide Bilder in Licht und Bildausschnitt ähnlich. Siehe Start- und Endbild.

DreamBench bietet für Veo kein Start- oder Endbild an: Der Composer zeichnet jeden Clip aus deinen Referenzen, also sagt der letzte Satz des Prompts, wie die Einstellung endet.

Googles API hat ein Feld für einen Negativ-Prompt, für das, was du nicht willst. Sein Prompt-Leitfaden sagt, die Dinge aufzulisten, „Wand, Rahmen“, nie „keine Wände“; im Haupt-Prompt solle man laut seinem Leitfaden zu Veo 3.1 stattdessen das Ergebnis beschreiben.

DreamBench sendet Veo kein Feld für einen Negativ-Prompt. Die Prompts, die es schreibt, enthalten eine kurze Zeile „Negative:“, die eingebrannte Untertitel nennt, wenn in einem Clip gesprochen wird. Beschreibe auf der Seite „Video“ das Ergebnis und beschränke jeden Ausschluss auf eine Schlusszeile, wie es der Prompt-Generator tut.

Zwei Veo-Clips stimmen nur in dem überein, was beide bekommen haben. Googles Leitfaden zu Veo 3.1 erstellt zuerst Referenzbilder von Besetzung und Schauplatz. Im Prompt:

• Beschreibe jede Figur jedes Mal mit denselben Worten: „eine große Frau in ihren Sechzigern mit kurz geschnittenem silbernem Haar und einer grünen Wachsjacke“.
• Behalte Kleidung, Requisiten, Tageszeit, Licht und Stimme bei.

Auf DreamBench wird jede Figur, jeder Ort und jede Requisite einmal als Blatt gezeichnet, und jede Einstellung, in der sie vorkommen, geht davon aus. Siehe Figurenkonsistenz.

Google zeigt zwei Wege über eine Einstellung hinaus: getimte Einstellungen in einem 8-Sekunden-Clip oder getrennte Clips aus denselben Referenzen. DreamBench geht den zweiten: Ein Film besteht aus mehreren Veo-Generierungen, je eine Einstellung, zusammengeschnitten, sodass er länger als 8 Sekunden läuft und jede Einstellung neu generiert werden kann.

• Eine Handlung pro Einstellung, bei 4, 6 oder 8 Sekunden; auf DreamBench dauern Clips mit Veo 3.1, die Blätter mitbekommen, 8 Sekunden.
• Ändere bei jedem Schnitt den Bildausschnitt, lass einen Satz innerhalb einer Einstellung und lass eine Atmosphäre über den Übergang weiterlaufen.

Schreib jede Einstellung nach der Formel oder beschreib den Film auf DreamBench, das jede Einstellung schreibt, rendert und schneidet. Siehe Multi-Shot-Video.

Füge sie auf der Seite „Video“ von DreamBench oder in jedes Tool für Veo 3.1 ein.

Ein Hook in die Kamera

Hochformat 9:16, 6 Sekunden. Selfie-Einstellung mit Handkamera. Ein junger Mann mit grauer Beanie auf einem windigen Pier im Morgengrauen blickt ins Objektiv und sagt: „Ich habe jeden Kaffee der Stadt probiert. Einer hat gewonnen.“ Weiches, kaltes Licht. Ambient noise: Wind, Möwen.

Zwei Personen im Gespräch

Breitbild 16:9, 8 Sekunden. Statische Zweiereinstellung. In einer Fahrradwerkstatt fragt ein Kunde in nasser Jacke: „Bis Samstag fertig?“ Die Mechanikerin dreht das Rad und sagt: „Freitag, wenn die Teile kommen.“ Warmes Glühbirnenlicht. SFX: das Ticken des Freilaufs. Ambient noise: Regen auf einem Blechdach.

Produkt-Nahaufnahme: eine Uhr

Breitbild 16:9, 6 Sekunden. Makroobjektiv, langsame Dolly-Fahrt entlang einer Stahluhr mit grünem Zifferblatt auf dunklem Schiefer. Ein Wassertropfen läuft über das Glas, während der Sekundenzeiger über die Zwölf tickt. Hartes Licht von links. SFX: ein klares Ticken.

Essen: Knoblauch im Wok

Hochformat 9:16, 4 Sekunden. Statische Aufnahme von oben. Geschnittener Knoblauch fällt in heißes Öl in einem schwarzen Wok, schäumt auf und wird golden; Dampf steigt durch das Fensterlicht. SFX: lautes Brutzeln.

Ein Establishing Shot

Breitbild 16:9, 8 Sekunden. Drohnenaufnahme tief über einem Fischerdorf an einem Fjord im ersten Licht, die aufsteigt und schneebedeckte Gipfel zeigt. Rote Holzhäuser, Nebel auf dem Wasser. Fotorealistisch, kühles Licht, das an den Gipfeln wärmer wird. Ambient noise: Wind, ferne Motoren.

Ein Tier in Aktion

Breitbild 16:9, 6 Sekunden. Teleobjektiv, Untersicht. Ein brauner Hase sprintet über ein bereiftes Feld, schlägt einen Haken und bleibt abrupt stehen, die Ohren aufgestellt. Tiefe Wintersonne hinter ihm. SFX: dumpf aufschlagende Pfoten. Ambient noise: eine Krähe in der Ferne.

Stop-Motion mit Musik

Breitbild 16:9, 8 Sekunden. Stop-Motion-Knetanimation, statische Totale. Ein Knetfuchs mit Strickschal baut einen Schneemann; dessen Kopf fällt ab, und der Fuchs seufzt. Warmes Studiolicht. Eine verspielte Melodie auf gezupften Saiten setzt ein. SFX: ein leises Plopp.

Vier Einstellungen in einem Clip

Breitbild 16:9, 8 Sekunden. [00:00-00:02] Nahaufnahme einer Hand, die eine Stoppuhr drückt. [00:02-00:04] Tiefe Kamerafahrt auf Spikes, die auf die Bahn treffen. SFX: Spikes auf Kunststoff. [00:04-00:06] Halbnahe, als sie sich über die Ziellinie wirft. [00:06-00:08] Totale in Obersicht: Sie wird langsamer, Hände auf den Knien, das Stadion leer. Ambient noise: ihr Atem.

Von einem Startbild aus

Die Frau auf dem Bild blickt von ihrem Buch auf, sieht, wie Regen ans Fenster zu tropfen beginnt, und lächelt. Langsame Dolly-Ranfahrt. SFX: die ersten Tropfen auf der Scheibe. Ambient noise: ein ruhiges Café.

Zwischen einem Start- und einem Endbild

Breitbild 16:9, 8 Sekunden. Statische Einstellung. Die Hände einer Töpferin ziehen nassen Ton auf der sich drehenden Scheibe zu einer hohen Vase hoch und lassen dann los. Weiches Tageslicht aus einem hohen Fenster. SFX: das Summen der Töpferscheibe.

Eine Sequenz aus zwei Einstellungen: die Gärtnerin

Einstellung 1. Breitbild 16:9, 8 Sekunden. Totale, langsamer Schwenk nach rechts. Eine große Frau in ihren Sechzigern mit kurz geschnittenem silbernem Haar und einer grünen Wachsjacke geht im Morgengrauen zwischen bereiften Kohlköpfen hindurch, einen Korb am Arm. Kaltes blaues Licht. Ambient noise: Stiefel auf gefrorenem Boden, ein Rotkehlchen.

Einstellung 2. Breitbild 16:9, 6 Sekunden. Statische Nahaufnahme. Die große Frau in ihren Sechzigern mit kurz geschnittenem silbernem Haar und einer grünen Wachsjacke kniet sich hin, wischt Reif von einem Kohlkopf und sagt leise: „Gerade noch rechtzeitig.“ Die Morgendämmerung wird golden. SFX: ein Messer, das durch einen Strunk schneidet.

Beide Einstellungen beschreiben sie mit denselben Worten und behalten das Morgenlicht bei; beim Schnitt ändert sich der Bildausschnitt.

Ein schwacher Prompt ist meist kurz: Jeder Teil, den du weglässt, ist eine Entscheidung, die Veo für dich trifft.

• Ein Prompt, zweimal ausgeführt, ergibt zwei Clips.
• Kurze Sätze können unnatürlich klingen, und unerwünschte Untertitel können erscheinen: Prüfe jede Version.
• Eine Generierung endet nach 8 Sekunden, in 16:9 oder 9:16.
• Eine echte Person oder ein echtes Produkt lässt sich nicht aus Worten erkennen; dafür braucht es ein Bild, das du verwenden darfst.
• Auf der Seite „Video“ von DreamBench wird ein Prompt über 2.600 Zeichen abgelehnt.

• Ein Clip: Füge deinen Prompt auf der Seite „Video“ ein und wähle Veo 3.1, Fast oder Lite, 4, 6 oder 8 Sekunden, 16:9 oder 9:16. Er geht so an Veo, wie du ihn geschrieben hast.
• Ein Prompt: Der Veo-3.1-Prompt-Generator schreibt ihn in der Reihenfolge dieser Anleitung, als Text oder JSON.
• Ein Film: Beschreib ihn, füge bis zu 8 Referenzbilder hinzu und wähle Veo 3.1. DreamBench schreibt und rendert jede Einstellung und schneidet sie zusammen; generiere jede Einstellung mit einer Notiz neu.
• Nicht angeboten: ein Start- oder Endbild, ein Feld für einen Negativ-Prompt oder das Verlängern eines Clips.

Das volle Modell Veo 3.1 braucht Plus oder höher; Fast und Lite sind in jedem Tarif enthalten. Der Preis in Credits wird angezeigt, bevor du generierst; beim ersten Mal erstellst du ein kostenloses Konto und wählst einen Tarif. Für Prompts nur aus Worten siehe Text-zu-Video.