Veo 教程：用 Gemini API 生成 AI 视频

开始之前：三个模型 ID，一项付费功能

Veo 是 Google 的视频模型。你通过 Gemini API 使用它：这是让你自己的代码向 Google 的服务器发请求、再取回视频的接口。一个叫 google-genai 的软件包（SDK）把这些请求包装好。Google 的 Veo 笔记本把 Veo 标为付费功能，所以它的示例代码默认是关着的，要你自己把开关打开。

你需要一个来自 Google AI Studio 的 Gemini API 密钥，以及 2.9.0 或更新版本的 SDK。Veo 3 及之后的版本会同时生成声音，Veo 2 还会保留一段时间，但生成的是无声视频。如果不想写代码，Mindket 的用 Gemini 和 Flow 做 AI 视频一课讲了 Google 的应用和它们的菜单。

Google 自家的频道 Google Cloud Tech 在 2025 年 11 月发布了一段不到 5 分钟的 Veo 入门介绍。它的章节列表包括提示词优化、可配置参数和图生视频，和下面几节讲的是同一块内容。它的说明里写的是 Google Cloud 的 Veo 模型，并附有 Vertex AI Studio 的链接，所以看到的会是 Google Cloud 的画面，而不是这一课用的 Gemini API 代码。代码还是看笔记本。

生成第一段视频

按笔记本的说法，一段视频大约要一分钟才能做好，所以 SDK 里用来请求生成的函数 generate_videos 不会直接返回成品。它返回的是一个 operation，也就是一个还在运行的任务。你每隔 20 秒问一次它的状态，等它报告完成，再下载文件保存。

下面的代码就是笔记本里的文生视频单元，只改了密钥的读法：笔记本从名为 GEMINI_API_KEY 的 Colab 密钥里读，这个版本改成读同名的环境变量。

import os
import time

from google import genai
from google.genai import types

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
VEO_MODEL_ID = "veo-3.1-lite-generate-preview"

operation = client.models.generate_videos(
    model=VEO_MODEL_ID,
    prompt="a close-up shot of a golden retriever playing in a field of sunflowers",
    config=types.GenerateVideosConfig(
        aspect_ratio="16:9",
        resolution="1080p",
    ),
)

while not operation.done:
    time.sleep(20)
    operation = client.operations.get(operation)

for n, generated_video in enumerate(operation.result.generated_videos):
    client.files.download(file=generated_video.video)
    generated_video.video.save(f"video{n}.mp4")

1. 用 pip install -U "google-genai>=2.9.0" 安装 SDK。
2. 在 Google AI Studio 里创建 Gemini API 密钥，别写进代码，放在名为 GEMINI_API_KEY 的环境变量里。
3. 选一个模型 ID。笔记本从 veo-3.1-lite-generate-preview 开始。
4. 带着提示词和 config 调用 generate_videos。aspect_ratio 取 "16:9" 或 "9:16"，resolution 取 "720p" 或 "1080p"。
5. 按定时器反复调用 client.operations.get，直到 operation.done 为 true。
6. 下载每一段生成的视频，保存成 MP4。

笔记本只有在顶部的开关设为 True 时才会执行付费调用。如果要对很多条提示词循环调用，请先加上你自己的保护。

可以加上的设置

提示词是唯一必填的参数，其余都是可选的，写在 config 对象里。反向提示词，是一小段写明你不想看到什么的文字，比如笔记本独角兽例子里的“airplanes”。

关于提示词的写法，笔记本提到了镜头构图（“single shot”“over-the-shoulder shot”）、机位和运镜（“eye level”“dolly shot”“tracking shot”），还有对焦和镜头效果（“shallow focus”“macro lens”）以及整体风格。

在提示词里描述声音

Veo 3 用同一条提示词生成音频，所以声音和别的细节一样，写进句子里就行。下面是笔记本的音频例子，它把看到的和听到的写在一起，还交代了听者站在哪里。

对于人物说话，笔记本把每一句台词放进引号写在提示词里，再在调用里加上反向提示词“texts, captions, subtitles”。两种情况用的都是前面那段 generate_videos 代码。

fireworks at a beautiful city skyline scene with many different fireworks colors and sounds. sounds from excited people enjoying the show surrounding the camera POV can be heard too.

从一张图开始，再固定结尾

image 参数会让这张图成为第一帧，提示词说明哪些东西会动，提示词甚至可以留空。笔记本说，没有提示词时，模型会根据图片自己决定生成什么。

想控制片段怎么结尾，就在 config 里加上 last_frame。笔记本说得很明确：尾帧图不能单独使用，必须同时给一张首帧图。下面的单元里，gemini_image 和 ending_image 是笔记本先前用 Gemini 图像模型生成的图片，你也可以换成自己的。做这些图的方法见图片编辑一课。

operation = client.models.generate_videos(
    model=VEO_MODEL_ID,
    prompt="",
    image=gemini_image,
    config=types.GenerateVideosConfig(
        aspect_ratio="16:9",
        resolution="1080p",
        negative_prompt="ugly, low quality, static, weird physics",
        last_frame=ending_image,
    ),
)

参考图，以及把片段变长

参考图用来在整段视频里保持某个角色、道具或风格，又不会把它们当作第一帧。每张图作为一张标明为 asset 的参考图传入。笔记本规定，这只适用于 Veo 3.1，不含 Fast 模型，分辨率 720p，横屏。

续写是另一个参数。你把先前的 Veo 视频作为 video 传入，可以再配一条提示词，Veo 会再加 7 秒。

backpack_reference = types.VideoGenerationReferenceImage(
    image=backpack_image,
    reference_type="asset",
)
actor_reference = types.VideoGenerationReferenceImage(
    image=actor_image,
    reference_type="asset",
)

operation = client.models.generate_videos(
    model="veo-3.1-generate-preview",
    prompt="A caricatural commercial video for this backpack. The actor puts on the backpack, jumps on his motorbike and starts off with a bang and an epic music",
    config=types.GenerateVideosConfig(
        aspect_ratio="16:9",
        resolution="720p",
        reference_images=[backpack_reference, actor_reference],
    ),
)

• 要续写的片段必须由 Veo 生成，分辨率 720p，长度不到 141 秒。
• 成片最长可达 148 秒，笔记本算下来，是在一段 8 秒的片段上续写大约 20 次。
• 续写用的调用和前面一样，只是传 video，不传 image。

Gemini Omni，cookbook 里的另一个视频模型

Google 的 Omni 笔记本讲的是 Gemini Omni 1.2 Flash，它用另一种调用，也就是 Interactions API，需要 google-genai 2.21.0 或更新版本。一次交互是有状态的：你用 previous_interaction_id 指定先前的一次交互，模型就会修改或续写那个片段。

下面是笔记本里的多轮单元。第一轮用带时间码的提示词生成片段，第二轮只改车的颜色。Google 建议修改的提示词要简短、精准，它的例子以“Keep everything else the same.”结尾。

笔记本自己的建议是：对话式编辑、复杂提示词和大量参考图，优先用 Omni，独立的批量任务用 Veo。下表把两者放在一起对比。

turn1 = client.interactions.create(
    model="gemini-omni-1.2-flash",
    input="[0-10s] Single unbroken continuous camera shot from a locked perspective gliding forward along a scenic coastal road at sunset. A sleek silver sports car cruises smoothly in front of the camera. Completely continuous unbroken take.",
    response_format={"type": "video"},
)

turn2 = client.interactions.create(
    model="gemini-omni-1.2-flash",
    previous_interaction_id=turn1.id,
    input="Change the car color to metallic blue. Keep everything else the same.",
)

常见错误

• 在没有付费方案的情况下跑示例。笔记本里每个付费单元都先检查一个开关，原因就在这里。
• 只固定尾帧。笔记本说，它必须搭配一张首帧图。
• 用 Fast 模型、1080p 或竖屏去传参考图。笔记本只允许它们用在 Veo 3.1（不含 Fast 模型）、720p 和横屏里。
• 续写不是由 Veo 生成的片段，或者长度超过上面所说上限的片段。
• 轮询时不间隔。笔记本每次检查之间会等待，并指向 webhook，用它来接收任务结束的通知。
• 把 API 密钥直接粘贴进脚本。把它放进密钥管理或环境变量里。

动手试试

• 用小狗的提示词跑第一段视频，再把 aspect_ratio 换成竖屏的取值，得到竖屏视频。
• 给一个天空场景加上笔记本里的反向提示词“airplanes”，对比两段视频。
• 做一张图，作为 image 传入，再加一张表现下一个瞬间的尾帧。
• 用 Lite 和完整的 Veo 3.1 模型在 720p 下各做同一段视频，比较细节。
• 对很多条提示词循环调用之前，先看看一次调用要花多少钱。

按你的要求来评判一段视频：主体的样子保持不变，镜头照你写的运动，台词和文字一致。

下一课：写出更好的视频提示词

调用的效果取决于提示词，OpenAI、Google、Lightricks 和腾讯各自公布了写提示词的建议。写出更好的视频提示词一课把这些建议并排放在一起，再讲怎样让同一个角色在镜头之间保持不变。

常见问题

资料来源

1. GitHub: google-gemini/cookbook, Get started with Veo notebook (2026年11月6日 查阅)https://github.com/google-gemini/cookbook/blob/main/quickstarts/Get_started_Veo.ipynb
2. GitHub: google-gemini/cookbook, Gemini Omni notebook (2026年11月6日 查阅)https://github.com/google-gemini/cookbook/blob/main/quickstarts/Get_started_Omni.ipynb
3. YouTube (Google Cloud Tech): Bringing ideas to life: An intro to AI video generation (2026年11月6日 查阅)https://www.youtube.com/watch?v=5NlXA7A8IKg