文中的提示詞保留英文：Nano Banana 與各影片模型對英文提示詞的理解最穩定，直接複製即可使用。
想讓 AI 影片長得和你規劃的一模一樣，最可靠的做法是先把第一幀做成一張圖，再讓它動起來。Nano Banana 可以便宜又精準地控制這張圖：構圖、角色、商品、光線。接著由 Veo、Seedance、Wan 或 Gemini Omni 這類影片模型加上動作，多數模型也會加上聲音。這篇帶你走完 NanoBananas 上的完整流程，從第一幀提示詞到完成多鏡頭影片，兩個步驟都用同一個點數餘額。
本文的模型選項、長度與點數，以 2026 年 11 月 9 日 NanoBananas 工作室的設定為準。生成前工作室都會先顯示確切報價。
為什麼先做圖片
- 可控：付錢做影片之前，先確認構圖、角色和光線。一張圖 3 到 20 點，一段 8 秒影片要 24 到 360 點。
- 一致：同一張圖或它的修改版本，可以當好幾段影片的開頭，讓角色或商品在每個鏡頭看起來都一樣。
- 失敗更少：文生影片要同時想像畫面和動作；圖生影片只需要想像動作，而大多數失敗本來就出在動作上。
- 品牌正確：標誌、包裝和商品顏色，在可以修改、檢查的靜態圖裡比在影片提示詞裡容易做對得多。
步驟一：做出能動起來的第一幀
在圖片工作室生成靜態圖。好的第一幀不只是好看的圖，還要讓影片模型有地方可以發揮。
- 使用影片的畫面比例。橫式用 16:9，直式社群影片用 9:16。Veo 3.1 與 Gemini Omni 只接受這兩種；Seedance 與 Wan 3.0 還支援 1:1、4:3、3:4，Seedance 另有 21:9。
- 留出動作的空間。主體擠在畫面邊緣就沒地方走；商品塞滿畫面就沒辦法環繞拍攝。
- 停在動作的中間。倒到一半的咖啡師、跑到一半的跑者，會讓模型很清楚下一個動作是什麼。
- 避開很小的字和密集人群。動起來之後兩者都很難保持穩定。
- 用 2K 製作。對 1080P 影片來說細節已經足夠。4K 靜態圖更貴，卻不會讓影片更清楚。
第一幀提示詞
A barista in a green apron pouring latte art into a white cup at a sunlit café counter, steam rising, medium shot at eye level, soft morning light from the window behind, 16:9 cinematic framing with space on the right.
最終的第一幀用 Nano Banana 2.1 或 Pro；構圖草稿用 Nano Banana 2 的 1K，每張 3 點。提示詞的寫法請看 Nano Banana 提示詞怎麼寫。
步驟二：選擇影片模型
下面每個模型在工作室裡都能讓第一幀動起來，差別在長度、比例、聲音和價格。
| 模型 | 首幀影片長度 | 比例 | 聲音 | 點數範例 |
|---|---|---|---|---|
| Veo 3.1 Lite | 4、6、8 秒 | 16:9、9:16 | 一定附帶 | 720P 8 秒：24 |
| Veo 3.1 Fast | 4、6、8 秒 | 16:9、9:16 | 一定附帶 | 720P 8 秒：48 |
| Veo 3.1 Quality | 4、6、8 秒 | 16:9、9:16 | 一定附帶 | 720P 8 秒：176 |
| Gemini Omni 1.1 Flash | 4、6、8、10 秒 | 16:9、9:16 | 一定附帶 | 720P 8 秒：64 |
| Seedance 2.0 Mini | 4 到 15 秒 | 6 種，含 21:9 | 可選 | 720P 8 秒：24 |
| Seedance 2.0 | 4 到 15 秒 | 6 種，含 21:9 | 可選 | 720P 8 秒：120 |
| Seedance 2.5 | 4 到 30 秒 | 6 種，含 21:9 | 可選 | 720P 8 秒：176 |
| Wan 3.0 | 5、10、12、15 秒 | 16:9、9:16、1:1、4:3、3:4 | 可選 | 720P 10 秒：60 |
- 有聲音的社群短片：Veo 3.1 Fast，想省點數就用 Lite。
- 較長的單一鏡頭：Seedance 2.5（最長 30 秒）或 Wan 3.0（最長 15 秒，每秒價格低）。
- 方形或 4:3 的動態牆格式：Seedance 或 Wan 3.0。
- 最便宜的動態測試：Veo 3.1 Lite 或 Seedance 2.0 Mini，720P 8 秒 24 點。
更深入的比較請看 Seedance、Veo、Wan 怎麼選與 Veo 3.1 Quality、Fast、Lite 怎麼選。
步驟三：描述動態，不要描述場景
打開圖生影片並上傳靜態圖。圖片已經決定了場景，所以提示詞只要描述什麼在動、鏡頭怎麼動、聽到什麼。重新描述整個場景，反而會讓模型去改它。
動態提示詞
The barista slowly finishes the pour and lifts the jug away; steam drifts upward. The camera pushes in gently toward the cup. Calm pace, natural motion, ambient café sound.
| 鏡頭用語 | 效果 | 適合 |
|---|---|---|
| Push in / dolly in | 鏡頭往主體靠近 | 把焦點集中在商品或臉上 |
| Pull back / dolly out | 鏡頭往後退 | 揭曉畫面、結尾 |
| Pan left / right | 鏡頭原地左右轉 | 跟著橫越畫面的動作 |
| Orbit | 鏡頭繞著主體轉 | 商品、雕塑、主視覺鏡頭 |
| Handheld | 輕微自然晃動 | 紀錄片和社群感 |
| Static | 鏡頭不動 | 對話和細微動作 |
- 每段影片只寫一個主要動作和一個鏡頭運動。各寫兩個通常會混在一起。
- 加上速度詞：slowly、gently、suddenly、in one smooth motion。
- 模型會生成聲音時，描述你要的聲音：quiet café ambience、footsteps on gravel、no music。
- 提示詞用英文；多數影片模型對英文提示詞的理解最穩定。
步驟四：便宜地測試，再出成品
- 測試動態：用 720P 和模型最短的長度。Veo 3.1 Lite 測 4 秒只要 12 點。
- 檢查影片：主體的臉和形狀有沒有維持、鏡頭有沒有照指示動、邊緣有沒有扭曲、聲音對不對。
- 每次只修一件事。動作太少：寫一個更明確的動作。動作太多：加上 subtle 和 static camera。
- 輸出成品：用測試結果最滿意的模型，以發布用的長度和解析度生成。
換模型時，圖片和動態提示詞都保持不變，這樣比較的才是模型，而不是提示詞。
用首尾幀控制結尾
首尾幀模式用兩張靜態圖，生成中間的動作。想讓揭曉、前後對比與轉場剛好停在你要的位置，這是最好的方法。工作室裡支援的有 Veo 3.1（三種版本）、Seedance 2.0、2.5、Fast、Mini、Wan 3.0 與 2.7，以及 Gemini Omni 1.1。
- 用 Nano Banana 做出起始幀。
- 修改起始幀來做結束幀，不要寫新的提示詞。例如：Keep the room, camera angle and furniture unchanged. Change the lighting from daytime to evening with the lamps switched on. 這樣兩張圖才夠接近、接得起來。
- 上傳兩張圖並描述轉場：The light slowly fades from day to evening as the lamps turn on one by one. Static camera.
如果兩張圖差太多，模型就得在幾秒內想像出很大的變化，扭曲和變形就會出現。結束幀的「保留／修改」寫法請看修圖教學。
串成多鏡頭影片
較長的影片由好幾段組成。要讓它們保持一致，關鍵是每個鏡頭的第一幀都來自同一個來源。
- 做一張主視覺圖，畫出角色或商品。
- 把它修改成每個鏡頭的第一幀：特寫、遠景、換地點。每次都把臉、服裝或包裝寫進保留句。
- 每一幀各自動起來，用各自的簡短動態提示詞，模型和設定都相同。
- 在剪輯軟體裡接起來。要讓一個鏡頭無縫延續，就從上一段的最後一幀擷取畫面，當成下一段的第一幀。
讓角色在多張圖之間保持一致的方法，請看角色一致性教學。
三組可直接複製的圖生影片範例
商品主視覺
靜態圖（Nano Banana）
A matte black wireless earbud case standing open on a wet black stone surface, droplets on the surface, dramatic rim light from behind, dark studio background, 16:9 with the product centered and space around it.
動態（影片模型）
Slow orbit around the earbud case from left to right as a single drop of water falls nearby and ripples. Rim light glints across the edges. Quiet, deep ambient tone.
社群人像
靜態圖（Nano Banana）
A young woman in a yellow raincoat standing on a city street at night, neon reflections on the wet pavement, looking slightly off camera, 9:16 vertical framing from the waist up.
動態（影片模型）
She turns her head toward the camera and smiles as rain falls softly. The camera pushes in slightly. Sound of light rain and distant traffic.
風景開場鏡頭
靜態圖（Nano Banana）
A wooden cabin beside a still mountain lake at sunrise, thin mist on the water, pine forest behind, warm light on the peaks, 16:9 wide shot with the cabin on the left third.
動態（影片模型）
Mist drifts slowly across the lake and smoke rises from the chimney. The camera pulls back gently and rises. Birdsong and a light breeze.
常見問題與解法
| 問題 | 可能原因 | 解法 |
|---|---|---|
| 影片中途臉變了 | 臉在畫面中太小，或影片太長 | 用更近的第一幀、縮短長度，或用同一張臉的首尾幀 |
| 幾乎沒有動 | 提示詞在描述場景，不是動作 | 寫一個明確的動作和一個鏡頭運動 |
| 場景變成別的東西 | 提示詞用不同方式重新描述了場景 | 刪掉場景描述，只留動作、鏡頭和聲音 |
| 邊緣扭曲或融化 | 動作太快或畫面太擠 | 放慢動作，在主體周圍留更多空間 |
| 多了不想要的音樂 | 模型自己加了配樂 | 描述你要的聲音並加上 no music |
| 文字或標誌閃爍 | 小字很難保持穩定 | 在靜態圖裡把標誌放大，或在剪輯時再加上 |
常見問題
可以讓我手上現有的照片動起來嗎？
可以。在圖生影片模式上傳你有權使用的圖片並描述動作即可。真人照片應該是你自己的，或已取得對方同意。
圖片要用什麼比例？
和影片一樣：橫式 16:9、直式 9:16。Veo 3.1 和 Gemini Omni 只支援這兩種；Seedance 和 Wan 3.0 也支援方形和 4:3。
圖生影片要多少點數？
看模型、長度和解析度。例如 720P 8 秒：Veo 3.1 Lite 或 Seedance 2.0 Mini 是 24 點、Veo 3.1 Fast 是 48 點、Gemini Omni 1.1 Flash 是 64 點。工作室會先顯示確切報價。
哪個模型最適合圖生影片？
有聲音的短片用 Veo 3.1 Fast，長鏡頭用 Seedance 2.5，想壓低每秒成本用 Wan 3.0。決定前先用同一張圖在兩個模型上測試。
第一幀需要 4K 嗎？
不需要。2K 靜態圖對 1080P 影片已經足夠，更清楚的圖不會讓影片更清楚。
影片提示詞需要描述圖片內容嗎？
不需要。只描述動作、鏡頭和聲音。重新描述場景可能會讓模型改掉它。
怎麼做出比一段更長的影片？
用相關的第一幀做出好幾段影片，再在剪輯軟體裡接起來；或把上一段的最後一幀當成下一段的第一幀。