文生视频既可以指根据提示词生成单个视觉镜头，也可以指把较长简报制作成剪辑完成的完整视频。完整工作流会规划多个场景，生成视频与图片，加入主持人或旁白，再组合字幕、音乐和特效。
应按任务选方式：生成式视频模型适合电影感动作与产品镜头，口播数字人适合主持讲解。VlogMe 两者兼备：Director 用于多场景故事，Video Studio 用于主持人口播片段。
文生视频模型如何工作
模型读取提示词，生成一段每一帧都符合描述的短片；如今不少模型还会同时生成声音。各模型的差别在于：单个片段能有多长、对镜头指令执行得有多准，以及对人物、产品、手部和画面文字的处理能力。
效果最好的提示词只描述一个镜头：主体、最关键的一个动作、镜头怎么动、光线和声音。“黎明时分，热气球从薰衣草田上升起，镜头随吊篮一起上升，燃烧器轰鸣”是一个镜头；“一部关于我们公司的品牌片”则是一份还需要拆分成镜头的简报。
从单个片段到完整视频
完整的视频很少只由一个片段构成。需要把简报拆成场景，让人物和风格在场景之间保持一致，加入声音或主持人，再配上音乐和字幕把片段剪在一起。这部分规划是文生视频的另一半，决定了成片是一个完整的故事，还是一串互不相干的镜头。
在 VlogMe 中使用
- 单个镜头： 在文生视频界面，一个提示词输入框背后有七个引擎，其中包括 Veo 3.1、Kling 3.0 Pro 和 Seedance 2.5；最短的片段 4 秒，最长 30 秒，都带声音。上面的热气球提示词交给 Veo 后，得到了一段 6 秒的竖屏短片，燃烧器的轰鸣也在其中。
- 完整视频： Director 通过对话规划最长 3 分钟的多场景视频，准备好图片、声音和音乐，并在渲染前显示价格。
限制与风险
- 一句话里写多个动作，往往会混在一起；片段需要切换镜头时，请给镜头编号。
- 可读的文字、手部和极快的动作对多数模型来说仍然很难，发布前请检查每个片段。
- 不得把生成的片段当作真实事件的影像来展示（服务条款第 7 节）；使用真实人物的面孔需要本人同意（第 6 节）。
常见问题
片段里有旁白吗？
引擎会随画面生成环境音和音效，有些还能说出写在提示词里的简短台词。需要旁白或主持人时，请加入 Audio Studio 生成的语音，或使用会说话的数字人。
先用哪个模型？
Video Studio 默认选中 Gemini Omni Flash，想要带声音的流畅动作，它是稳妥的第一选择。定下来之前，把同一个提示词再交给第二个引擎，把两段片段放在一起比较。
一个片段多少钱？
按片段用积分支付。生成前，Video Studio 会显示所选模型、时长和画幅的积分预估。
