Einführung
Vidu Q3 Bild-zu-Video macht aus einem Startbild und einer schriftlichen Anweisung einen Clip von 1 bis 16 ganzen Sekunden in 540p, 720p oder 1080p. Beide Eingaben sind Pflicht: image_url legt Motiv, Kleidung, Set und die Form der Ausgabe fest, prompt beschreibt, was nach diesem Bild passiert – Handlung, Kamerabewegung und Ton. Ein Feld für das Seitenverhältnis gibt es nicht; der Clip übernimmt die Proportionen des gesendeten Bildes, die zwischen 1:4 und 4:1 liegen müssen. Der Ton entsteht im selben Durchgang und ist standardmäßig aktiviert.
Wichtige Funktionen und Highlights
Das Bild wird wörtlich genommen
Das Modell beginnt genau mit dem, was das Standbild zeigt: Gesicht, Outfit, Set und Bildaufbau. Damit ist es die verlässliche Wahl, wenn ein Clip zu einem bereits freigegebenen Bild passen muss – unzensierte Ausgangsbilder eingeschlossen. Die Kehrseite: Alles, was das Bild nicht zeigt, muss erfunden werden. Eine Drehung, die den Rücken eines Outfits zeigt, oder eine Kamerafahrt in einen Teil des Raums außerhalb des Standbilds sind die Stellen, an denen Abweichungen entstehen.
Bewegungsumfang als eigene Einstellung
movement_amplitude kennt auto, small, medium und large. Bei auto liest das Modell das Startbild und entscheidet selbst; erhöhen Sie den Wert, wenn eine ruhige Szene mehr Bewegung braucht, und halten Sie ihn niedrig, wenn die Anweisung Bewegung ausschließt. Im veröffentlichten Jalousie-Beispiel bewegt sich nichts außer dem Licht – ein hoher Wert würde genau die Bewegung erfinden, die diese Anweisung ausschließt. Der Prompt bleibt so frei für den konkreten Moment: eine Gewichtsverlagerung, eine halbe Drehung, ein Gang aus dem Bild.
Ton im selben Durchgang
generate_audio steht standardmäßig auf true, sodass Raumklang, Foley und Atmo zusammen mit dem Bild entstehen und synchron ankommen. Beschreiben Sie den Ton im Prompt so, wie Sie das Licht beschreiben – Meeresrauschen und Wind, ein atmender Vorhang – und setzen Sie das Feld auf false, wenn der Clip unter Ihre eigene Mischung kommt. Ein eigener Schalter bgm (standardmäßig an) legt Hintergrundmusik darunter; schalten Sie ihn aus, wenn Sie keine Musik wollen.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
image_url | Ja | Das Startbild. Es legt Motiv und Komposition fest und setzt die Ausgabeform – ein |
prompt | Ja | Pflicht. Beschreiben Sie, was sich nach dem Frame ändert: Handlung, Kamera, Ton. mindestens 1 Zeichen |
duration_seconds | Nein | Ganze Sekunden, 1 bis 16. |
resolution | Nein | 540p, 720p oder 1080p. |
movement_amplitude | Nein | auto, small, medium oder large. Auto richtet sich nach dem Startbild - höher stellen, wenn eine ruhige Szene mehr Bewegung braucht. |
generate_audio | Nein | Standardmäßig an. Auf false setzen für einen stummen Clip. Standardwert: |
bgm | Nein | Legt Hintergrundmusik unter den Clip. Standardmäßig an. Standardwert: |
seed | Nein | Für kontrollierte Vergleiche zwischen zwei Läufen. |
Preis
| Spezifikation | Preis |
|---|---|
| $0.07 / Sekunde |
| $0.15 / Sekunde |
| $0.16 / Sekunde |
Anwendungsfälle
Freigegebene Standbilder, die nicht abweichen dürfen
Ein Kampagnenfoto, ein Charakterblatt oder ein freigegebenes Storyboard-Bild bleibt der Anker. Weil der Clip davon ausgeht, bleiben Gesicht, Kleidung und Set erhalten, und die Abnahme reduziert sich auf eine Frage: Funktioniert die Bewegung? Große Enthüllungen gehören ins Standbild, statt sie dem Prompt zu überlassen.
Eine Szene, hochkant und im Breitbild
Die Ausgabe übernimmt die Form des Bildes. Ein 9:16- und ein 16:9-Zuschnitt derselben Szene ergeben also einen Story- und einen Feed-Schnitt, ohne dass sich ein anderes Feld ändert. Schneiden Sie das Bild vor dem Hochladen zu.
Aufnahmen, in denen nur Licht und Stimmung wechseln
Manche Einstellungen verlangen, dass die Figuren stillhalten, während sich etwas anderes verändert. Das 8-Sekunden-Beispiel in 1080p hält zwei Figuren an ihrem Platz, während harte Jalousiestreifen über ihre Schultern wandern, während die Sonne untergeht. Ein Prompt, der nur das Licht bewegen lässt, ein zurückhaltender movement_amplitude-Wert und ausgeschaltetes generate_audio erledigen die Arbeit.
Kurze Stings und ganze Szenen am selben Endpunkt
duration_seconds reicht von 1 bis 16. Ein einsekündiger Reaktionsschnitt und eine sechzehnsekündige Szene mit Anfang und Ende entstehen also mit denselben Feldern. Dauer und Auflösung sind die beiden Werte, von denen der Preis abhängt; die Live-Schätzung passt sich an, sobald Sie einen davon ändern.
Prompt-Leitfaden und Praxistipps
Das Startbild vorbereiten
Schneiden Sie das Standbild zuerst auf das Lieferformat zu, denn der Clip übernimmt es, und halten Sie das Verhältnis zwischen 1:4 und 4:1. Alles, was zu sehen sein muss – Motiv, Kleidung, Set – gehört ins Bild. Das Modell beginnt mit dem, was das Bild zeigt, und muss den Rest erfinden.
Die Bewegung in ihrer Reihenfolge schreiben
Beschreiben Sie, was nach dem Bild geschieht, in der Reihenfolge des Geschehens – Handlung, Kamera, Licht, Ton –, ohne das Standbild erneut zu beschreiben. Das Beispiel mit hellem Morgenlicht im Schlafzimmer verbindet drei Handlungen in fünf Sekunden: Sie streckt sich, sinkt langsam über das weiße Bett zurück und wendet dann den Kopf zur Kamera und lächelt. Zum Schluss kommen Licht und Kamera: ein dünner Vorhang in der Sonne, Staub im Lichtstrahl, ein langsames Driften aus der Hand. Keine dieser Handlungen steht im Bild, alle stehen im Prompt.
Das veröffentlichte Beispiel anpassen
Das veröffentlichte Klippen-Beispiel läuft 5 Sekunden in 720p, generate_audio auf dem Standardwert, ausgehend von einem Standbild einer Frau im weißen Kleid über dem Meer. Behalten Sie seine Struktur bei – eine Kraft, mehrere Materialien, eine Kamerabewegung – und setzen Sie Ihr eigenes Motiv und Ihren eigenen Ort ein.
The wind gusts and the long grass runs in waves across the clifftop; her white dress and hair stream sideways and snap. She turns from the sea into the wind toward the camera, catching the hair off her face with one hand and laughing, then spreads both arms and leans into the gust. Gulls cross far below. Slow steadicam arc around her, bright overcast daylight, cool green and pale blue, sea roar and wind.
Der Wind ist die Hauptfigur: Das lange Gras läuft in Wellen, Kleid und Haare wehen seitlich und schlagen, und eine Steadicam zieht einen Bogen um sie, während sie sich in die Böe lehnt. Eine durchgehende Kraft wirkt auf drei verschiedene Materialien – für ein animiertes Standbild ein härterer Test als eine Person, die sich einfach umdreht.
In 540p entwerfen, in 1080p liefern
Wiederholen Sie in 540p, bis die Bewegung stimmt, und rendern Sie dann mit demselben Bild, demselben Prompt und demselben seed in 1080p – so hat sich nur die Auflösung geändert. Ein fester Seed macht zwei Läufe vergleichbar, garantiert aber kein bildgenau identisches Ergebnis. Wenn ein Take abweicht, prüfen Sie zuerst die Bereiche, die das Standbild nie gezeigt hat – den Rücken eines Kleidungsstücks, den Rand des Raums – und legen Sie diese Enthüllung in ein neues Startbild, statt mehr Text in den Prompt zu schreiben.
API-Schnellstart
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "vidu/q3/image-to-video",
"input": {
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"movement_amplitude": "auto",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
