Introducción
La conversión de imagen a video de Vidu Q3 convierte un fotograma inicial y una indicación escrita en un clip de 1 a 16 segundos enteros en 540p, 720p o 1080p. Las dos entradas son obligatorias: image_url fija el sujeto, el vestuario, el escenario y la forma del resultado, y prompt describe lo que ocurre después de ese fotograma: la acción, el movimiento de cámara y el sonido. No hay campo de relación de aspecto, así que el clip conserva las proporciones de la imagen que envías, que deben estar entre 1:4 y 4:1. El audio se genera en la misma pasada y está activado de forma predeterminada.
Funciones y aspectos destacados
El fotograma se sigue al pie de la letra
El modelo parte exactamente de lo que muestra la imagen fija: el rostro, el atuendo, el escenario y la composición. Por eso es la opción confiable cuando un clip tiene que coincidir con una imagen ya aprobada, incluidas imágenes de origen sin censura. La contracara es que todo lo que el fotograma no muestra tiene que inventarse: un giro que deja ver la espalda de un atuendo, o un movimiento de cámara hacia una parte de la habitación fuera de la imagen, es donde aparece la deriva.
La amplitud del movimiento es un control aparte
movement_amplitude acepta auto, small, medium o large. En auto, el modelo lee el fotograma inicial y decide; súbelo cuando una escena quieta necesite moverse más y mantenlo bajo cuando la indicación descarte el movimiento. En el ejemplo publicado de las persianas no se mueve nada salvo la luz, y un valor alto inventaría justo el movimiento que esa indicación excluye. Así el prompt queda libre para el gesto concreto: un cambio de peso, medio giro, una salida de cuadro.
Sonido en la misma pasada
generate_audio es true de forma predeterminada, así que el tono de sala, el foley y el ambiente se generan con la imagen y llegan sincronizados. Describe el sonido en el prompt igual que describes la luz –el rugido del mar y el viento, una cortina que respira– y ponlo en false cuando el clip vaya debajo de tu propia mezcla. Un interruptor aparte, bgm (activo por defecto), agrega música de fondo; apágalo si no quieres música.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
image_url | Sí | El cuadro de apertura. Fija el sujeto y la composición y define la forma de salida: aquí no hay |
prompt | Sí | Obligatorio. Describe qué cambia después del cuadro: acción, cámara, sonido. mínimo 1 caracteres |
duration_seconds | No | Segundos enteros, de 1 a 16. |
resolution | No | 540p, 720p o 1080p. |
movement_amplitude | No | auto, small, medium o large. Auto se guía por el fotograma inicial; súbelo cuando una escena quieta necesite más movimiento. |
generate_audio | No | Activo por defecto. Ponlo en false para un clip mudo. Valor predeterminado: |
bgm | No | Agrega música de fondo al clip. Activo por defecto. Valor predeterminado: |
seed | No | Para comparaciones controladas entre dos corridas. |
Precios
| Especificación | Precio |
|---|---|
| $0.07 / segundo |
| $0.15 / segundo |
| $0.16 / segundo |
Casos de uso
Imágenes aprobadas que no pueden desviarse
Una foto de campaña, una hoja de personaje o un cuadro de storyboard ya aprobado sigue siendo el ancla. Como el clip parte de ahí, el rostro, el vestuario y el escenario se mantienen, y la revisión se reduce a una pregunta: ¿funciona el movimiento? Pon las grandes revelaciones en la imagen en lugar de pedirle al prompt que las invente.
Una escena en vertical y en panorámico
El resultado toma la forma del fotograma, así que un recorte 9:16 y otro 16:9 de la misma escena te dan una versión para historias y otra para el feed sin cambiar ningún otro campo. Haz el recorte en la etapa de imagen, antes de subirla.
Planos donde solo cambian la luz y el ambiente
Algunos planos piden que los personajes se queden quietos mientras cambia otra cosa. El ejemplo de 8 segundos en 1080p mantiene a dos figuras en su sitio mientras las franjas duras de la persiana recorren sus hombros conforme se pone el sol. Un prompt que solo mueve la luz, un movement_amplitude contenido y generate_audio desactivado hacen el trabajo.
Cortinillas y escenas completas en el mismo endpoint
duration_seconds va de 1 a 16, así que un corte de reacción de un segundo y una escena de dieciséis segundos con principio y final usan los mismos campos. La duración y la resolución son los dos valores de los que depende el precio, y la estimación en vivo se actualiza cuando cambias cualquiera de ellos.
Guía de prompts y consejos prácticos
Prepara el fotograma inicial
Primero recorta la imagen al formato de entrega, porque el clip lo hereda, y mantén la relación entre 1:4 y 4:1. Pon en la imagen todo lo que tiene que aparecer: sujeto, vestuario, escenario. El modelo parte de lo que muestra el fotograma y tiene que inventar el resto.
Escribe el movimiento en orden
Describe lo que ocurre después del fotograma en el orden en que ocurre –acción, cámara, luz, sonido– sin volver a describir la imagen. El ejemplo de dormitorio matinal de tonos altos encadena tres acciones en cinco segundos: ella se estira, se deja caer despacio sobre la cama blanca y luego gira la cabeza hacia la cámara y sonríe. Cierra con luz y cámara: una cortina fina al sol, polvo en el haz, una deriva lenta en mano. Ninguna de esas acciones está en el fotograma; todas están en el prompt.
Adapta el ejemplo publicado
El ejemplo publicado del acantilado dura 5 segundos en 720p, con generate_audio en su valor predeterminado, a partir de una imagen de una mujer con vestido blanco sobre el mar. Conserva su estructura –una fuerza, varios materiales, un movimiento de cámara– y cambia el sujeto y el lugar por los tuyos.
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.
El viento es el protagonista: el pasto largo corre en olas, el vestido y el pelo ondean de lado y chasquean, y una steadicam traza un arco a su alrededor mientras ella se inclina contra la ráfaga. Una sola fuerza continua actúa sobre tres materiales distintos, lo que pone a prueba una imagen animada más que una persona que simplemente se da vuelta.
Prueba en 540p, entrega en 1080p
Itera en 540p hasta que el movimiento se lea bien y luego vuelve a generar en 1080p con el mismo fotograma, el mismo prompt y el mismo seed, para que la resolución sea el único valor que cambió. Un seed fijo hace comparables dos generaciones; no promete un resultado idéntico cuadro por cuadro. Cuando una toma se desvía, revisa primero las zonas que la imagen nunca mostró –la espalda de una prenda, el borde de la habitación– y lleva esa revelación a un nuevo fotograma inicial en lugar de agregar más texto al prompt.
Inicio rápido de la API
# 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"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
