پرامپت نویسی Veo یعنی صحنه را مثلِ یک کارگردان برای مدلِ ویدیوسازِ گوگل توصیف کنید: چه کسی، چه کاری، کجا، با چه نمایی، چه نوری و چه صدایی. نسخه‌ی فعلیِ این مدل، Google Veo 3.1، صدا را هم‌زمان با تصویر می‌سازد؛ پس پرامپتِ خوب برای Veo فقط تصویر را توصیف نمی‌کند، دیالوگ و صدای محیط را هم می‌نویسد. در این راهنمای به‌روزِ مهرِ ۱۴۰۵، ساختارِ پرامپت ویدیو برای Veo را جزءبه‌جزء توضیح می‌دهیم، ده پرامپتِ نمونه‌ی آماده‌ی استفاده می‌آوریم و اشتباه‌هایی را که اعتبار و وقت هدر می‌دهند مرور می‌کنیم.
Google Veo چیست و نسخه‌ی فعلی‌اش کدام است؟
Veo مدلِ ساختِ ویدیو از متن و تصویرِ Google DeepMind است. نسخه‌ی 3.1 در مهرِ ۱۴۰۴ (اکتبرِ ۲۰۲۵) عرضه شد و تا امروز نسخه‌ی اصلیِ خانواده‌ی Veo است؛ گوگل تا مهرِ ۱۴۰۵ نسخه‌ای با نامِ Veo 4 معرفی نکرده است. در کنارِ نسخه‌ی اصلی، Veo 3.1 Fast (سریع‌تر و ارزان‌تر) و از فروردینِ ۱۴۰۵ نسخه‌ی Veo 3.1 Lite (کم‌هزینه‌ترین گزینه) هم وجود دارد. گوگل در کنفرانسِ I/O 2026 مدلِ دیگری به نامِ Gemini Omni را هم برای ساخت و ویرایشِ ویدیو در اپِ Gemini معرفی کرد، اما Veo همچنان مدلِ ویدیوییِ اصلی در Google Flow و API گوگل است.
مشخصاتی که روی نوشتنِ پرامپت اثر مستقیم دارند (طبقِ مستنداتِ رسمیِ Gemini API):
| ویژگی | Veo 3.1 | اثرش روی پرامپت |
|---|---|---|
| مدتِ ویدیو | ۴، ۶ یا ۸ ثانیه | در ۸ ثانیه بیش از یک یا دو کنشِ اصلی جا نمی‌شود |
| کیفیت | 720p، 1080p و 4K (دو گزینه‌ی آخر فقط با مدتِ ۸ ثانیه) | جزئیاتِ ریز در کیفیتِ بالاتر بهتر دیده می‌شود |
| نسبتِ تصویر | ۱۶:۹ افقی و ۹:۱۶ عمودی | ترکیب‌بندی را با کادرِ انتخابی هماهنگ بنویسید |
| صدا | همیشه هم‌زمان ساخته می‌شود | دیالوگ، افکت و صدای محیط را صریح بنویسید |
| تصویرِ مرجع | تا ۳ تصویر | ظاهرِ شخصیت یا محصول ثابت می‌ماند و لازم نیست همه‌چیز را با کلمه توصیف کنید |
| قابِ اول و آخر | پشتیبانی می‌شود | پرامپت فقط باید حرکتِ بینِ دو قاب را توصیف کند |
| زبانِ پرامپت | انگلیسی به‌طورِ کامل؛ زبان‌های دیگر ارزیابی نشده‌اند | پرامپت را انگلیسی بنویسید |
برای آشناییِ کلی با خودِ Veo و روندِ ساختِ ویدیو، آموزش گام به گام ساخت ویدیو با Veo را بخوانید.
فرمولِ پرامپت ویدیو برای Veo: هفت جزء
گوگل در راهنمای رسمی پنج جزءِ اصلی را برای پرامپت پیشنهاد می‌کند: سوژه، کنش، سبک، دوربین و ترکیب‌بندی، و حال‌وهوا. چون Veo 3.1 صدا هم می‌سازد، در عمل دو جزءِ دیگر، یعنی نور و صدا، را هم جداگانه می‌نویسیم. ترتیبِ پیشنهادی:
- دوربین و نما: نمای باز (wide shot)، نمای متوسط، نمای نزدیک (close-up)، نمای از بالا (aerial)، و حرکتِ دوربین مثلِ dolly-in، pan یا tracking shot. نوشتنِ نما در ابتدای پرامپت به مدل کمک می‌کند ترکیب‌بندی را درست بچیند.
- سوژه: دقیق و قابلِ تصور. به‌جای «یک مرد» بنویسید «مردی حدودِ شصت‌ساله با ریشِ سفید و کتِ پشمیِ قهوه‌ای».
- کنش: یک فعلِ اصلی و روشن. «آرام قهوه را هم می‌زند و به پنجره نگاه می‌کند» بهتر از فهرستی از پنج کار است.
- محیط: مکان، زمان و جزئیاتی که حس می‌سازند؛ «یک کافه‌ی کوچک در کوچه‌ای سنگ‌فرش، صبحِ زودِ پاییز».
- نور: golden hour، نورِ نرمِ پنجره، نورِ نئون، نورِ کم و دراماتیک. نور بیش از هر جزءِ دیگری حال‌وهوای تصویر را تعیین می‌کند.
- سبک و بافت: cinematic، documentary، 35mm film grain، stop-motion، 3D animation و مانندِ این‌ها.
- صدا: دیالوگ داخلِ گیومه، افکت‌ها با کلمه‌ی SFX یا توصیفِ صریح، و صدای محیط (ambient). مثلاً: He says: "We're late again." SFX: door creaks. Ambient: distant traffic and rain.
لازم نیست هر پرامپت هر هفت جزء را داشته باشد، اما هر جزئی که نمی‌نویسید را مدل به انتخابِ خودش پر می‌کند. اگر نتیجه برایتان مهم است، آن را بنویسید.
ده نمونه پرامپت Veo آماده‌ی استفاده
پرامپت‌ها انگلیسی‌اند، چون Veo با انگلیسی دقیق‌تر کار می‌کند؛ توضیحِ فارسیِ هر کدام می‌گوید چرا نتیجه می‌دهد و کجا را می‌توانید عوض کنید. همه‌ی آن‌ها زیرِ ۱۰۰۰ نویسه‌اند و در ابزارهایی با محدودیتِ طولِ متن هم جا می‌شوند.
۱. تبلیغِ محصول (نمای نزدیکِ سینمایی)
Slow dolly-in close-up of a glass bottle of saffron tea on a dark wooden table, warm golden backlight, steam rising from a small cup beside it, shallow depth of field, cinematic commercial style. SFX: soft pouring sound. Ambient: quiet, warm room tone.
یک سوژه، یک حرکتِ دوربین و نورِ پشتی که شیشه را درخشان می‌کند. برای محصولِ خودتان فقط سوژه و رنگِ میز را عوض کنید.
۲. ویدیوی عمودی برای ریلز با دیالوگ
Vertical 9:16 medium shot of a young woman in a bright kitchen holding a smartphone, she looks at the camera and smiles. She says: "Three minutes, one pan, dinner is ready." Natural daylight, handheld UGC style. Ambient: light kitchen sounds.
دیالوگ داخلِ گیومه آمده تا Veo آن را با حرکتِ لب هماهنگ بسازد. دیالوگ را کوتاه نگه دارید؛ جمله‌ای که در هشت ثانیه جا نشود بریده می‌شود.
۳. منظره با نمای پهپادی
Aerial drone shot slowly gliding over terraced rice fields in the mountains at sunrise, low clouds drifting between the hills, soft pink and orange light, ultra realistic nature documentary style. Ambient: wind and distant birds.
برای منظره، حرکتِ آرام و پیوسته‌ی دوربین بهتر از حرکت‌های تند جواب می‌دهد.
۴. صحنه‌ی داستانی با دو شخصیت
Medium two-shot in a dim old library, an elderly librarian with round glasses hands a dusty leather book to a curious teenage boy. The librarian whispers: "Some books choose their readers." Warm lamp light, dust particles in the air, cinematic, 35mm film look. Ambient: clock ticking.
هر شخصیت با یک ویژگیِ مشخص (عینکِ گرد، نوجوانِ کنجکاو) معرفی شده تا مدل آن‌ها را با هم قاطی نکند.
۵. غذا و آشپزی
Overhead top-down shot of hands sprinkling chopped herbs over a steaming bowl of soup on a rustic table, slow motion, bright natural light, food commercial style. SFX: gentle sizzling and a spoon tapping the bowl.
نمای از بالا برای غذا ترکیب‌بندیِ تمیزی می‌دهد و اسلوموشن جزئیاتِ ریزش را نشان می‌دهد.
۶. انیمیشنِ سه‌بعدیِ کودکانه
3D animated style, a small round robot with big blue eyes waters a single flower on a tiny planet floating in space, the flower slowly blooms, soft pastel colors, gentle camera orbit around the planet. Ambient: soft whimsical music and a cheerful beep.
کلمه‌ی سبک (3D animated) در ابتدای پرامپت آمده تا کلِ صحنه در همان سبک ساخته شود.
۷. شهرِ شب با حال‌وهوای نئون
Tracking shot following a delivery rider on a scooter through a narrow neon-lit street at night, wet asphalt reflecting pink and blue signs, light rain, cinematic cyberpunk mood. SFX: scooter engine hum. Ambient: rain and distant city chatter.
ترکیبِ «باران» و «آسفالتِ خیس» بازتاب‌های نور را طبیعی‌تر می‌کند؛ یکی از ترفندهای ساده برای حسِ سینمایی.
۸. ویدیوی آموزشی و توضیحی
Clean studio shot, a teacher in a blue shirt stands next to a whiteboard and points at a simple drawing of the water cycle. He says: "Water never disappears, it just changes form." Bright even lighting, educational video style. Ambient: quiet classroom tone.
نکته: Veo نوشته‌های روی تخته را معمولاً درست نمی‌نویسد. شکل را ساده بخواهید و متنِ توضیحی را بعداً در تدوین اضافه کنید.
۹. ترنزیشن با قابِ اول و آخر
The camera slowly pushes in as the empty, unfinished room transforms into a fully furnished cozy living room, furniture appears smoothly piece by piece, warm afternoon light. SFX: soft whoosh.
این پرامپت برای حالتِ قابِ اول و آخر است: عکسِ اتاقِ خالی را قابِ اول و عکسِ اتاقِ چیده‌شده را قابِ آخر بدهید. پرامپت فقط «چطور» تبدیل شود را می‌گوید.
۱۰. ورزش و حرکتِ سریع
Low-angle slow-motion shot of a basketball player jumping for a dunk in an outdoor court at sunset, sweat drops visible, dramatic rim light, sports commercial style. SFX: ball hitting the rim, crowd cheering in the distance.
اسلوموشن در حرکت‌های سریع به مدل فرصت می‌دهد بدن را درست‌تر بسازد و ایرادِ دست و پا کمتر شود.
نکته‌های پیشرفته‌ی پرامپت نویسی Veo
- یک نما، یک ایده: هر پرامپت را مثلِ یک نمای پیوسته بنویسید. اگر داستانِ چندصحنه‌ای دارید، هر صحنه را جدا بسازید و در تدوین کنارِ هم بگذارید.
- برای ثباتِ شخصیت از تصویرِ مرجع استفاده کنید: توصیفِ متنیِ صرف باعث می‌شود چهره در ساخت‌های مختلف کمی عوض شود. با تصویرِ مرجع (تا سه تصویر) ظاهر ثابت‌تر می‌ماند.
- به‌جای «نه» بگویید چه می‌خواهید: «آسمانِ صاف و آفتابی» بهتر از «بدونِ ابر» است. اگر ابزارتان فیلدِ جداگانه برای پرامپتِ منفی دارد، آنچه نمی‌خواهید را همان‌جا به‌صورتِ فهرستِ ساده بنویسید (مثلاً text, watermark, blurry)، نه با جمله‌ی «نشان نده».
- صدای ناخواسته را کنترل کنید: اگر توصیفِ صدا ننویسید، Veo خودش صدا می‌گذارد که گاهی موسیقی یا خنده‌ی ناخواسته است. حتی اگر صدا نمی‌خواهید، صدای محیطِ آرام را صریح بنویسید.
- دیالوگِ فارسی: چون فقط انگلیسی به‌طورِ کامل ارزیابی شده، دیالوگِ فارسی ممکن است تلفظ یا هماهنگیِ لبِ دقیقی نداشته باشد. برای صدای فارسی، گویندگی را جدا بسازید و در تدوین روی ویدیو بگذارید.
- یک متغیر در هر بار: وقتی نتیجه نزدیک است، فقط یک بخش (مثلاً نور) را عوض کنید تا بفهمید کدام کلمه اثر دارد.
اشتباه‌های رایج در پرامپت ویدیو
| اشتباه | نتیجه | اصلاح |
|---|---|---|
| پرامپتِ یک‌کلمه‌ای («یک فضانورد») | نتیجه‌ی تصادفی و تکراری | سوژه، کنش، محیط و نما را اضافه کنید |
| چند کنش پشتِ سرِ هم در ۸ ثانیه | حرکتِ شلوغ و غیرطبیعی | یک کنشِ اصلی؛ بقیه را در ساختِ بعدی |
| درخواستِ متن روی تصویر | حروفِ به‌هم‌ریخته | متن را در تدوین اضافه کنید |
| نوشتنِ «8K» و «بهترین کیفیت» | اثرِ چندانی ندارد | کیفیت را از تنظیماتِ ابزار انتخاب کنید و در پرامپت نور و لنز را توصیف کنید |
| ننوشتنِ صدا | صدای ناخواسته | دیالوگ، افکت و صدای محیط را صریح بنویسید |
پرامپتِ Veo را کجا اجرا کنیم؟
Veo 3.1 در Google Flow، در Gemini API و Vertex AI برای توسعه‌دهندگان، و در سرویس‌هایی که از API گوگل استفاده می‌کنند در دسترس است. همه‌ی این راه‌ها حسابِ گوگلِ غیرایرانی و پرداختِ دلاری می‌خواهند.
برای کاربرانِ ایرانی، ابزار ساخت ویدیوی هوش‌نو Veo را کنارِ Kling، Seedance، Pixverse و مدل‌های دیگر با پرداختِ تومانی ارائه می‌دهد. هوش‌نو یک پلتفرمِ هوش مصنوعی آنلاین فارسی است: Veo را از فهرستِ مدل‌ها انتخاب می‌کنید، پرامپت (حداکثر ۱۰۰۰ نویسه) و در صورتِ نیاز یک تصویرِ مرجع می‌گذارید، مدت و ابعاد را انتخاب می‌کنید و هزینه‌ی تقریبی را پیش از ساخت می‌بینید؛ ساختِ ناموفق هم خودکار برگشت داده می‌شود. اگر ایده‌تان را فارسی در ذهن دارید، می‌توانید در چت هوش مصنوعیِ هوش‌نو بنویسید: «این صحنه را به پرامپتِ انگلیسیِ Veo با نما، نور و صدا تبدیل کن» و خروجی را مستقیم استفاده کنید.
اگر می‌خواهید Veo را با رقبا مقایسه کنید، مقایسه Veo گوگل با رقبا را بخوانید. اصولِ پرامپت‌نویسی برای Kling کمی فرق دارد و تمرکزش بیشتر روی حرکت است؛ آن را در پرامپت نویسی اصولی در Kling توضیح داده‌ایم.
سؤالات متداول
پرامپت Veo را فارسی بنویسم یا انگلیسی؟
انگلیسی. طبقِ مستنداتِ گوگل، Veo با انگلیسی به‌طورِ کامل پشتیبانی می‌شود و زبان‌های دیگر ارزیابی نشده‌اند. پرامپتِ فارسی ممکن است کار کند، اما دقتش کمتر و نتیجه‌اش غیرقابل‌پیش‌بینی‌تر است.
آخرین نسخه‌ی Google Veo کدام است؟
تا مهرِ ۱۴۰۵ نسخه‌ی اصلی Veo 3.1 است، همراه با Veo 3.1 Fast و Veo 3.1 Lite. گوگل هنوز Veo 4 را رسماً معرفی نکرده است.
پرامپتِ Veo چقدر باید طولانی باشد؟
معمولاً بینِ ۴۰ تا ۱۲۰ کلمه‌ی انگلیسی کافی است. کوتاه‌تر از این، مدل جاهای خالی را حدس می‌زند؛ خیلی بلندتر، احتمالِ نادیده گرفتنِ بخشی از دستورها بالا می‌رود.
چطور در Veo دیالوگ بسازم؟
متنِ دیالوگ را داخلِ گیومه بنویسید و بگویید چه کسی آن را می‌گوید؛ مثلاً The old man says: "Welcome home." دیالوگ باید در مدتِ ویدیو جا شود؛ برای ۸ ثانیه یک یا دو جمله‌ی کوتاه.
چرا چهره‌ی شخصیت در ویدیوهای مختلف عوض می‌شود؟
چون هر ساخت مستقل است. برای ثباتِ ظاهر از تصویرِ مرجع استفاده کنید و توصیفِ شخصیت را در همه‌ی پرامپت‌ها با همان کلمات تکرار کنید.
آیا Veo ویدیوی طولانی می‌سازد؟
هر ساخت حداکثر ۸ ثانیه است. در API گوگل امکانِ ادامه دادنِ ویدیو (Extension) هست که ویدیو را چند بار و هر بار ۷ ثانیه طولانی‌تر می‌کند، اما معمولاً ساختِ نماهای جدا و تدوینِ آن‌ها کنترلِ بیشتری می‌دهد.
فرقِ پرامپت نویسی Veo با Gemini چیست؟
در Gemini یک کار یا پرسش را توضیح می‌دهید؛ در Veo یک صحنه را. پرامپتِ Veo زبانِ فیلم‌برداری دارد (نما، لنز، نور، صدا) اما اصولِ پایه مثلِ دقت و مشخص بودن یکی است. برای Gemini، آموزش پرامپت نویسی Gemini را ببینید.
جمع‌بندی
پرامپتِ خوب برای Veo یک نمای کامل را توصیف می‌کند: نما و حرکتِ دوربین، سوژه‌ی مشخص، یک کنشِ روشن، محیط، نور، سبک و صدا. با یکی از ده نمونه‌ی بالا شروع کنید، فقط سوژه را با موضوعِ خودتان عوض کنید و بعد بخش‌به‌بخش دقیق‌ترش کنید. هرچه زبانِ پرامپت به زبانِ یک فیلم‌بردار نزدیک‌تر باشد، Veo نتیجه‌ی قابل‌پیش‌بینی‌تری می‌دهد.
