Gemini 3 + Veo 3：普通人周末做出一条“城市攻略视频”，到底有多远？

周六下午 4 点，我给自己定了一个很普通、也很苛刻的目标：不用先打开剪辑软件，只靠一段对话，把一条能发抖音 / 小红书的周末城市攻略做出来。

不是发布会演示那种“未来感样片”，也不是把一堆参数念一遍。我要的是更接地气的结果：30～60 秒、能看懂、能发出去、至少像那么回事。

如果你也有过这种痛点——想做内容，但一想到找资料、写脚本、拆镜头、配画面就想关掉页面——那这次实验，基本就是替你做的。

先说结论：Gemini 3 把“搜索取证 → 攻略脚本 → 分镜提示词 → Veo 3 成片”串起来后，普通人确实能在一个周末把想法推到可发视频。

但它不是“一口气全包”。更准确地说，一口气能覆盖中腰部流程：选题、事实核实、脚本、分镜、初版成片；真正决定质量的，还是你会不会拆镜头、会不会卡节奏、会不会把模型编造的东西拎出来改掉。

---

先把问题钉死：什么叫“一口气从脚本到视频”

我这次定义的成功标准很朴素：

一条 30～60 秒 的周末城市攻略
适合发 抖音 / 小红书
有 封面文案、口播/字幕、3～6 个实景镜头、结尾行动号召
第一次成片不另开剪辑软件
城市选一个大多数国内读者都能立刻代入的地方：杭州

为什么是杭州？因为它足够“熟”：西湖、地铁、商圈、夜景、咖啡馆、步行街，内容素材好找，踩雷点也典型。更重要的是，杭州这种城市最适合验证一件事：AI 到底是在帮你省时间，还是只是在让你更快地把错误写出来。

这篇不是新闻稿。

我只回答三个问题：能不能做、卡在哪、普通人怎么抄。

---

全流程实操：同一条对话里跑通“搜 → 写 → 拆镜 → 出片”

1）先搜索，不要先写

我先让 Gemini 3 做的不是“写文案”，而是搜证据。

提示词很简单：

请帮我做一条“杭州周末攻略”短视频，先不要写脚本。先搜索并整理以下信息：
1. 适合周末半天/一天的地点
2. 交通方式（地铁/步行）
3. 营业时间或开放时间
4. 可能踩雷的点
5. 适合拍视频的场景
要求：给出来源信息，并区分“可确认事实”和“建议”

Gemini 的好处在于，它不是只吐一个“推荐清单”，而是会把资料拆成几类：

可确认的营业/开放时间
地铁站和步行路线
适合拍的镜头点位
一些可能的注意事项

但这里也最容易出错：模型会把“建议”写成“事实”，把“看起来像”说成“就是”。

比如它曾经把某个店的营业时间说得很完整，语气也很像真的，但我回头一查来源，发现那句话其实是它根据页面片段“补全”出来的，不够严谨。

我改掉的方法也很简单：凡是要进旁白的句子，必须能在搜索来源里找到对应证据。

改完之后，旁白不再追求“全”，只追求“稳”。

2）把资料压成 150～250 字脚本

第二步不是写长文，而是压成短口播。

我给它的要求是：

把上面的搜索结果压缩成一段 150～250 字的短视频口播脚本。
风格：像一个周末真去过的人在分享，不像景区宣传片。
要求：
开头 3 秒直接给结论
中间只保留 3 个重点
结尾给一个行动号召
不要夸张，不要空话
所有事实必须来自上一步搜索内容

终版脚本我后来定成这样：

周末去杭州，如果你只想花半天把“城市感”拍出来，我建议直接从西湖边开始。
上午先坐地铁到龙翔桥或凤起路一带，顺着湖边慢慢走，先拍开阔的水面和人流，再去附近找一两家咖啡店或小店补细节。
中午别赶太多点，留时间给步行和吃饭；傍晚再回到湖边看光线变化，城市的松弛感会比白天更明显。
这条路线最适合第一次来杭州的人：不累、好拍、也容易出片。
如果你想要，我下一条直接给你做一版“半天拍完的杭州分镜清单”。

这段话的价值不在文采，而在于它已经具备了短视频的骨架：一句钩子、三个重点、一个收尾。

3）把脚本拆成分镜，不要让模型自由发挥

这一步最关键，也最容易被忽略。

很多人以为“写好脚本”就等于“视频能做”。其实不是，脚本只是文章，分镜才是执行。

我让 Gemini 3 继续做拆解，要求它输出 6 镜左右，并且每一镜都写清楚：

镜号
秒数
画面提示词
旁白
是否采用

提示词如下：

把上面的口播脚本拆成 6 个 Veo 3 镜头。
每个镜头需要包含：
镜号
时长（4～7 秒）
景别
运镜
画面内容
旁白对应句
是否适合直接用于生成
要求：
画面尽量真实
不要出现可识别真人脸
不要生成屏幕字幕，字幕留给后期
地标必须准确

我最后保留的分镜表大致是这样：

| 镜号 | 秒数 | 画面提示词 | 旁白 | 是否采用 | |---|---:|---|---|---| | 1 | 5s | 清晨西湖远景，湖面平静，轻微推镜 | 周末去杭州，如果你只想花半天把城市感拍出来…… | 是 | | 2 | 6s | 地铁出站后的人流与街景，手持轻微跟拍 | 上午先坐地铁到龙翔桥或凤起路一带…… | 是 | | 3 | 5s | 湖边步行，树影与路人掠过 | 顺着湖边慢慢走，先拍开阔的水面和人流…… | 是 | | 4 | 6s | 咖啡店门口、桌面、手部特写 | 再去附近找一两家咖啡店或小店补细节…… | 是 | | 5 | 6s | 傍晚逆光湖边，城市轮廓渐暗 | 傍晚再回到湖边看光线变化…… | 是 | | 6 | 5s | 结尾空镜 + 字幕位 | 这条路线最适合第一次来杭州的人…… | 是 |

这里最重要的人工修改只有一句：

地名必须二次确认。

像“龙翔桥 / 凤起路”这种点位，模型有时会混淆站名和周边地名。你不改，后面整个视频的可信度都会掉。

4）开始出片：先看泛提示，再看锁死参数

接下来我分别试了两种提示方式。

#### 泛提示版

杭州西湖，城市周末攻略，清晨，真实感，电影感，轻微运镜，适合短视频

结果很典型：

画面“像杭州”，但不够像你想去的杭州。问题主要在三处：

地标存在感不稳定
运镜容易太飘
细节会被模型自由脑补

#### 锁景别版

Wide shot of West Lake in Hangzhou at early morning, calm water, soft natural light, slow push-in camera movement, documentary style, realistic street atmosphere, no subtitles, no visible logos, no close-up of faces, vertical 9:16

这一版就明显稳很多。

不是说它“绝对正确”，而是它开始满足短视频可用的最低标准：镜头关系清楚、气氛一致、可继续往后剪。

我还做了中英双版本。经验很直接：中文能让你更快想清楚意思，英文更容易把镜头约束写实。

所以我建议是：先中文理顺，再用英文锁画面。

---

对照片：传统周末攻略 vs 这条流水线，到底省了什么

先说结论：它省的是启动成本，不是判断成本。

但它没省掉的也很明确：

选题判断：你得知道这条内容是不是值得拍
事实核实：搜索结果不能无脑照抄
品牌调性：你想要“精致周末感”还是“本地人逛街感”，必须自己定
镜头取舍：Veo 3 不是你说什么它就懂什么

我这次最明显的翻车镜头有三个：

1. 招牌乱码

这是 AI 视频的老问题：远景还行，一到店招、文字、路牌，容易变形。

2. 季节错位

我明明写的是“周末清晨”，它有时会给出过于“春意盎然”的画面，和现实光线不完全一致。

3. 地标“像但不对”

最麻烦。它能生成一个很像西湖的湖景，但你一眼能感觉到“不是那个味儿”。

所以这次实验最真实的结论不是“AI 已经能自动做视频了”，而是：

AI 已经把 70% 的准备工作压缩掉了，但最后 30% 的判断，还是人来做。

---

给小白到进阶的可复制工作流

小白版：一条总控提示词 + 固定 6 镜公式

你可以直接这么起步：

请帮我做一条【城市周末攻略】短视频，城市是【杭州】。
目标：30～60 秒，适合抖音/小红书。
流程：
1. 先搜索真实信息，整理营业时间、交通、踩雷点
2. 再写 150～250 字口播稿
3. 再拆成 6 个镜头
4. 最后给每个镜头写 Veo 3 提示词
约束：
不要虚构事实
不要生成字幕
不要出现可识别真人脸
所有地名和时间必须可核实

固定 6 镜公式也很好用：

1. 空镜建立

2. 街道氛围

3. 店内细节

4. 食物特写

5. 夜景过渡

6. 结尾字幕位

这个公式的优点是：不会乱，且足够短视频化。

进阶版：让信息可追溯，镜头可控

如果你已经会一点内容制作，可以加三条规则：

搜索引用必须带出处再写进旁白
镜头提示词里锁死“无字幕画面 + 后期烧字幕”
同一分镜生成 2 条，选更稳的那条

再补一个非常实用的节奏规则：

每个镜头控制在 4～7 秒。

太短，信息乱；太长，短视频感没了。

不要让模型自由发挥的负面清单

这部分很重要，能少踩很多坑：

不要让它虚构探店
不要让它编营业时间
不要让它生成可识别真人脸当本地达人
不要让它随便替你补招牌文字
不要让它把“建议”写成“事实”

做视频最怕的不是 AI 不够聪明，

而是它太愿意帮你“补完世界”。

---

如果你想批量做，这套能力可以直接接 API

手工对话适合周末做 1 条。

但如果你想把它变成循环任务，比如：

同一城市做 8 个片区
每周更新一次周末攻略
给不同平台生成不同版本

那就不该停留在“聊天式手搓”了。你需要把它变成可复用的提示词模板 + API 工作流。

上面的提示词骨架我已经按对话写出来了；如果你要接到自己的脚本或定时任务里，同一套能力也可以走 API。

你可以直接去看 api.884819.xyz，注册流程很简单：用户名+密码即可注册，不需要邮箱验证，而且新用户注册即送体验token。

国产模型（Deepseek/千问等）完全免费，没有月租、没有订阅，按量付费，注册后还能直接用内置 AI 对话功能。

---

结论：能一口气做完，但不能一口气做好到“无需修改就能发”

我的判断很明确：

信息核实、脚本、分镜，可以有 80% 留在 Gemini 里完成
成片，已经足够做成“可内部分享 / 可当草稿”的水平
但要上平台，还是建议你再花 10～20 分钟 做最后处理：

换 BGM、烧字幕、切掉崩坏帧、补一张真实封面

所以别把这套流程想成“AI 替你拍视频”。

更像是：AI 帮你把从 0 到 1 的路铺平了，但 1 到 10 还是得你自己踩。

今晚你最值得做的，不是幻想“一条龙无人值守”，而是直接跑一个最小实验：

拿你自己的城市，做 3 个镜头，先验证能不能把一条草稿推出来。

下一篇，我会继续做这条实验的“下一公里”：把同一条周末城市攻略接到字幕烧录、BGM 卡点和封面三件套，并对比继续留在 Gemini 对话里修，和导出到剪映 / CapCut 各要多久。

专门写给那些已经能出片，却还卡在“发出去没人看”的人。

本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。

#AI教程 #Gemini #Veo3 #短视频制作 #Prompt技巧 #8848AI #AI学习 #内容创作