はじめに
Vidu Q3 Pro は Vidu の Q3 動画ラインの Pro ティアで、画像→動画の単一エンドポイントとして提供しています。image_url に開始フレーム、prompt に指示を送ると（どちらも必須）、1〜16 秒（整数秒）の 540p 動画が、同じ生成で作られた音声付きで返ります。被写体、見た目、出力の形はフレームで決まります。アスペクト比のフィールドはなく、画像自体の比率は 1:4〜4:1 に収める必要があるため、プロンプトには動くものだけを書けば十分です。
主な機能とハイライト
解像度は 1 つなので、決めるのは長さだけ
resolution が受け付ける値は 540p の 1 つだけで、すべてのクリップがこのサイズで返ります。残る設定は duration_seconds（1〜16 の整数、既定値 5）で、これがクリップの長さと料金の両方を変え、動かすたびに見積もりも追従します。
人物の同一性は静止画から
被写体、衣装、フレーミング、出力の形はプロンプトではなく画像で決まります。同じフレームからの 2 回の生成は、画面に誰が映っているかではなく動きだけが異なるため、1 枚の静止画から作った一連のクリップをつなげて使えます。画像の段階で承認された内容を、動画リクエストで書き換えることもできません。
動きは文章で書き、量は設定で決める
movement_amplitude が全体の動きの量を決め（既定は auto、ほかに small、medium、large）、何がどう動くかはプロンプトで書きます。動きすぎたり足りなかったりしたときは、seed とフレームを固定したまま、小さな振り向きやゆっくりした歩きなど、動きの部分だけを書き換えてください。そうすれば、見える違いは新しい抽選ではなくその 1 か所の修正から生まれたものになります。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
image_url | はい | 必須です。開始フレームとして、被写体、見た目、出力の形を固定します。 |
prompt | はい | 必須です。フレームのあとの動き、カメラ、音を書いてください。 1 文字以上 |
movement_amplitude | いいえ | 画面内のものがどれだけ動くかです。 |
duration_seconds | いいえ | 1〜16 の整数秒。 |
resolution | いいえ | このエンドポイントは 540p のみです。取れる値がこれだけなので、どのクリップも同じサイズで返ります。 |
generate_audio | いいえ | 既定でオン。無音のクリップにするなら false にしてください。 デフォルト値: |
bgm | いいえ | 場面の雰囲気に合う BGM を敷きます。既定ではオンです。 デフォルト値: |
seed | いいえ | 2 回の実行を条件を揃えて比べるために使います。 |
料金
| 仕様 | 料金 |
|---|---|
| $0.054 / 秒 |
ユースケース
1 人のキャラクターのリアクションセット
衣装を着た 1 枚のフレームから、ウインク、手を振る、首をかしげる、振り向くの 4 本を作れます。画像は同じで、プロンプトだけが 4 通りです。同一性はフレームで固定されるため、クリップ間で人物がずれることなくつなげられます。
近い距離のリズミカルな動作
鍛冶場の例では、炎に下から照らされた鍛冶師の胸と前腕に 6 秒間寄り続け、槌を打つたびに火花が飛び散ります。繰り返しの衝撃はこのエンドポイントを確かめるのに役立ちます。火花が打撃と打撃の間ではなく、打撃の瞬間に出ているかを見てください。
縦型の納品物
静止画を 9:16 で書き出せば、クリップも縦型で返ります。地下道の例では、プロンプトが担うのは蛍光灯の下をレンズに向かって歩く動きと、彼女と同じ速さで後退するカメラだけです。縦のフレーミングは画像の段階で決まっています。
手元のフレームから無検閲のシーンを
静止画は和らげられることなく、そのまま動きます。内容は画像が担っているため、結果は承認した内容に近いまま保たれます。同じラインの Vidu Q3 Spicy は、LoRA で調整した無検閲のバリアントです。
プロンプトガイドと実践のヒント
必要な形で静止画を書き出す
出力はフレームに従います。縦型のクリップは縦型の画像から、正方形のクリップは正方形の画像から始まり、比率は 1:4〜4:1 に収める必要があります。動画リクエストでは変わらないため、衣装、スタイリング、構図も画像の段階で確定させてください。
動くものだけを書く
プロンプトは動作の一拍、カメラ、音にとどめ、画面を描き直さないでください。公開している例は、描かれたステージのフレームから generate_audio をオンにして 8 秒・540p で生成したもので、指示全体はわずか 2 文です。
She lowers the microphone, tilts her head and winks at the crowd; glowsticks sway out of focus behind her. Slow dolly-in, haze catching the backlight, crowd roar swelling.
描かれたステージの 1 フレームから 8 秒。ウインク、ドリーイン、観客の歓声はプロンプトが担い、衣装と線画は画像から来ています。
音を指示の中に書き込む
generate_audio の既定値は true で、音声は映像と一緒に生成されます。欲しい音は、それが属する動作のすぐ隣に書いてください。ステージの例では、カメラが寄るにつれて観客の歓声が高まるよう指示しています。既存のミックスの下に入れるカットでは false にします。BGM は別スイッチの bgm で、既定ではオンです。場面そのものの音だけにしたいときはオフにしてください。
固定した seed でテイクを比べる
フレームと seed を固定したままプロンプトの 1 フレーズだけを変えれば、2 回の生成の違いはその修正だけになります。seed は生成を比べやすくするもので、同一のフレームを保証するものではありません。被写体の見た目を変えたい場合は、プロンプトではなく静止画を変えてください。このエンドポイントでは、誰が映るかを決めるのはテキストではなく画像です。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "vidu/q3-pro/image-to-video",
"input": {
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"movement_amplitude": "auto",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "540p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。
