本文へスキップ

規制なし — このモデルはコンテンツフィルターを持たないと表明しています。SpicyAPI 側で内容スキャンを追加することはなく、リクエストはそのまま転送します。法令の順守と同意の確認は、お客様の責任です。 画像から動画 — 規制なし; 動画延長 — 規制なし; 参照素材から動画 — 緩め.このフィルタリング水準のモデルを一覧で見る
vidu/q4-preview/reference-to-video

Vidu Q4 Preview の参照から動画への生成は、1〜15 枚の参照画像と最大 3 本の音声クリップから、16:9、9:16、1:1、3:4、4:3 のいずれかで一つのシーンを作ります。クリップは 540p から 4k まで 3〜16 秒で、音声も生成されます。フィルターは弱めで、中程度のレベル以上では NSFW のリクエストのほとんどが和らげられるか拒否されます。

エンドポイントごとにフィルタリングの扱いが異なります：画像から動画 — 規制なし, 動画延長 — 規制なし, 参照素材から動画 — 緩め。

最低価格 $0.045/秒
モデルを実行

プレイグラウンド

入力

参照素材から動画
307/20000

並べ替えるとプロンプト内の番号も更新されます。素材を削除すると参照も消えるため、プロンプトを確認してください。

必須、20,000 文字まで。シーンを書き、参照画像は "the woman from the first image" のように位置で指します。話させたい台詞はダブルクォートで囲みます。料金は変わりません。 1 文字以上 · 20000 文字以内
3/15

ファイルやメディアのリンクをドロップ、貼り付け、または選択 · 最大 15 ファイル・1 件 10 MB まで・JPG · PNG · WEBP · GIF

  • Image 1
  • Image 2
  • Image 3
3 / 15 ファイル
必須。人物、衣装、商品、場所の画像を 1〜15 枚。1 枚もないリクエストは拒否されます。プロンプトが位置で指すため、順番が重要です。料金は変わりません。 1 件以上 · 15 件以内
0/3

音声ファイルをここにドロップ、またはここから選択 · 最大 3 ファイル・1 件 90 MB まで・MP3 · WAV

0 / 3 ファイル
任意。声のクリップを最大 3 本（Vidu が求めるのは MP3 で、1 本 3〜12 秒）。クリップが決めるのは声で、言葉ではありません。台詞はプロンプトに書き、参照音声の声で話すと明記してください。料金は変わりません。 1 件以上 · 3 件以内
16:9（既定）、9:16、1:1、3:4、4:3。料金は変わりません。
料金に影響
540p、720p（既定）、1080p、2k、4k。1 秒あたりの料金はこれで決まり、2k は 1080p より高く、4k は 2k のおよそ 2 倍です。2k と 4k は 10-bit HEVC ファイルで返り、ブラウザによってはその場で再生できません。
長さ料金に影響
3〜16 の整数秒、既定は 5。解像度とあわせて 1 秒単位で課金されます。 3 以上 · 16 以下
音声を生成
既定でオン：台詞、効果音、環境音が映像と一緒に生成されます。音声トラックのないクリップにしたい場合はオフにします。料金は変わりません。
シード値
1 つずつ条件を変えながら、実行結果を比べやすくします。フレームまで同一のクリップになることは保証しません。料金は変わりません。 0 以上 · 2147483647 以下
セーフティチェックオフ

SpicyAPI はこのモデルにセーフティチェックをかけません。プロンプトと素材はそのままモデルに渡り、出力はモデル自身が決めます。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち
サンプル出力
延長
動画アップスケール
動画編集

関連モデルと次のステップ

お探しのモデルが見つかりませんか？

必要なモデルと用途をお知らせください。次に何を追加するかを決めるチームに直接届きます。

最初のフレーム 1 枚、または最大 15 枚の参照画像から、セリフを話すクリップを

Vidu Q4 Preview は、Vidu の Q4 動画モデルを 2026 年 10 月 7 日に公開したパブリックプレビューです。エンドポイントは 2 つで、画像から動画は最初のフレームを動かし、参照から動画は人物・衣装・商品・場所の画像 1〜15 枚と最大 3 本の音声クリップから 1 つのシーンを組み立てます。クリップは 3〜16 秒、540p から 4k まで。会話・効果音・環境音は映像と同時に生成され、ダブルクォートで囲んだセリフは声に出して話されます。当社のテストでは、画像から動画は当社の5段階コンテンツテストの軽め、中程度、最大のレベルを出力し、強めは控えめに描かれました。10 月 9 日からはかなり強めを拒否します。参照から動画は軽いフィルターがあり、より強いレベルは拒否または控えめに描かれます。

プレイグラウンドを開く
最初のフレーム 1 枚、または最大 15 枚の参照画像から、セリフを話すクリップを
モデル
Vidu（ShengShu Technology）の Vidu Q4 Preview。2026 年 10 月 7 日に公開されたパブリックプレビュー
エンドポイント
画像から動画は最初のフレーム 1 枚から、参照から動画は画像 1〜15 枚と最大 3 本の音声クリップから。テキストから動画はなし
クリップの長さ
24 fps で 3〜16 秒（整数秒）、デフォルトは 5 秒
解像度
540p、720p（デフォルト）、1080p、2k、4k。2k と 4k は 10 ビットの HEVC ファイルで返る
サウンド
会話・効果音・環境音はデフォルトでオン、スイッチ 1 つでオフにできる。ダブルクォートのセリフは声に出して話される
コンテンツフィルター
画像から動画：中程度と最大のレベルは通り、かなり強めは 10 月 9 日から拒否。参照から動画：軽いフィルターがあり、より強いレベルは拒否または控えめに描写
画像から動画
フレームで見た目を決め、プロンプトで動きを決めるクリップは最初のフレームから始まり、その形を保ちます。アスペクト比の項目はありません。当社の実行では、フレームの人物・衣装・光がそのまま引き継がれたので、プロンプトには次に何が起こるか、カメラがどう動くか、何を話すかだけを書けば足ります。
参照から動画
1 つのシーンに最大 15 枚の参照人物・衣装・商品・場所を別々の画像で送り、プロンプトの中で順番を使ってそれぞれを指定します。ポートレート、シルクの衣服、無人の試着室という 3 枚の参照が 1 つのシーンにまとまり、2 枚のポートレートでは両方の顔が見分けられるまま保たれました。
コンテンツ
2 つのエンドポイント、2 種類のフィルター画像から動画では、中程度と最大のレベルは通り、強めのレベルはフレームの取り方で控えめに返りました。かなり強めは 10 月 8 日には示唆にとどまり、10 月 9 日から拒否されています。参照から動画は、より強いレベルを拒否または控えめに描きます。拒否されたリクエストには課金されません。

Vidu Q4 Preview の使いこなし方

セリフも含めて、次の 5 秒を演出する

セリフも含めて、次の 5 秒を演出する

最初のフレームは、ベルベット張りの試着室で三面鏡の前に立つ、黒いサテンのスリップドレスの女性でした。プロンプトには 5 つの動きを順番に並べ、終わり近くに 1 つのセリフ「Help me with this?」を入れました。1080p のクリップは動きを演じ、セリフも話されました。左上のパネルが最初のフレームで、残りの 3 枚はクリップ内の瞬間です。

参照は順番で指定する

参照は順番で指定する

参照から動画は画像を 1〜15 枚受け付けます。女性のポートレート、エメラルドグリーンのシルクの衣服の商品写真、無人のブティックの試着室を送り、プロンプトでは「the woman from the first image」から始めて、それぞれ位置で指定しました。彼女の顔、衣服の色と光沢、金縁の鏡、ピンクのベルベットのカーテンが、720p の 1 つのシーンにまとまって返りました。

  • 音声クリップが声を決め、プロンプトが言葉を決める

    参照から動画は最大 3 本の音声クリップも受け付けます。Vidu が求めるのは MP3 で、1 本 3〜12 秒です。クリップは声質を決めますが、言葉は与えません。セリフを書かずに参照音声の言葉を求めた実行では、発話がまったくないクリップが返りました。セリフはダブルクォートで書き、参照音声の声で話すと明記してください。

  • 540p で下書きし、1080p で仕上げる

    当社のテストでは、5 秒のクリップのモデル処理時間は、画像から動画が 540p・720p で約 2 分、参照から動画が約 3〜10 分でした。まず固定した seed で 540p のプロンプトを試し、気に入ったものを 1080p でやり直してください。540p、720p、1080p はほぼどこでも再生できる H.264 の MP4 ファイルで返ります。

  • 2k と 4k はマスターファイルとして扱う

    2k と 4k のクリップは、10 ビットの HEVC（H.265）MP4 です。ファイルは大きく、3 秒の 4k クリップで 8.6 MB でした。ブラウザによってはインライン再生できないため、デスクトップのプレイヤーか編集ソフトで開くか、トランスコードしてください。秒あたりの料金は解像度の段階に従い、2k は 1080p より高く、4k は 2k の約 2 倍です。

Vidu Q4 Preview の主な使い手

  • セリフを話すキャラクター

    ストーリーテラー・ショートドラマの制作者

    セリフを話すキャラクター

    ポートレートと短い音声クリップを送り、セリフを引用符で書いて、スマートフォンの画面向けに 9:16 を選びます。長い黒髪に赤い口紅の女性が、キャンドルの灯る戸口で鍵を回し、9 秒かけて「Lock the door. Nobody is coming up tonight... and I am not in any hurry.」とクリップの声でささやきました。左のパネルが参照ポートレートです。

  • フレームを保つ縦型クリップ

    SNS・ショート動画のチーム

    フレームを保つ縦型クリップ

    画像から動画は最初のフレームの形を保つので、9:16 の静止画から、追加設定なしで 720p・720 x 1280 のクリップが得られました。テストでは、男性が大理石のベンチから立ち上がり、たなびく湯気の中をカメラに向かって歩いてきました。音には湯気と滴る水が入ります。左のパネルが最初のフレームです。

  • ユーザー自身のフレームから始める

    規制なしのプラットフォームの開発者

    ユーザー自身のフレームから始める

    画像から動画は当社のコンテンツテストの軽め、中程度、最大のレベルを出力したため、フィルターなしのアプリでもユーザーが持ち込むフレームを動かせます。強めのレベルはフレームの取り方で控えめに返り、かなり強めは 10 月 9 日から拒否されています。映っている人物は全員が成人であることが条件です。

  • 2 枚のポートレートから 2 人の人物を

    シリーズ・キャラクターのクリエイター

    2 枚のポートレートから 2 人の人物を

    人物ごとにポートレートを 1 枚ずつ送り、順番で指定します。スーツ姿の 2 人の男性のポートレートから、鏡張りの真鍮のホテルのエレベーターが生まれ、ひげの男性がもう 1 人のネクタイをゆるめ、どちらの顔も見分けられました。2 人の参照ショットは、ゆっくりした動き 1 つにとどめ、シーケンスのどのショットでも同じポートレートを同じ順番で使い回してください。

Vidu Q4 Preview で最初のフレームから最終カットまで

  1. 手元にあるものでエンドポイントを選ぶ

    最初のフレームがあれば画像から動画へ、人物・衣装・商品・場所の別々の写真があれば参照から動画へ。中程度と最大のレベルの場合は、画像から動画で、その人物たちのフレームから始めてください。

  2. 動き・カメラ・音を書く

    最初の瞬間のあとに起こることを順番に書き、カメラの動きを示し、すべてのセリフをダブルクォートで囲みます。プロンプト拡張はオフのままにして、書いた言葉がそのまま使われるようにします。

  3. seed を固定して 540p で下書きする

    540p・3〜5 秒でいくつかのバージョンを回し、長くする前に顔・手・セリフを確認します。

  4. 1080p で仕上げる

    勝った 1 本を、同じプロンプトと seed で 1080p でやり直します。2k や 4k は、編集ソフトが 10 ビットの HEVC ファイルを扱える場合にだけ選んでください。

  5. 拒否と無音に備える

    拒否されたリクエストは約 6〜8 分で失敗し、課金されません。参照から動画の中程度・最大レベルの場面は、画像から動画に移してください。自分でサウンドトラックを付けるときはサウンドをオフにします。料金は変わりません。

そのまま使える Vidu Q4 Preview のプロンプト

  • セリフを話す最初のフレーム

    成人 1 人のフレームからの画像から動画向けです。動きを順番に並べ、セリフは引用符で書きます。

    The adult woman in the black satin evening dress turns from the dressing-room mirror toward the camera, tucks a loose curl behind her ear and smiles. She says, "You're late. Sit down, the show starts in five minutes." Warm vanity bulbs glow behind her, the camera pushes in slowly, soft room tone.

  • 3 枚の参照で 1 回の試着

    ポートレート、衣装の写真、場所の写真をこの順で使う参照から動画向けです。各画像は順番で指定します。

    The adult woman from the first image stands in the boutique from the third image, wearing the long silk coat from the second image over a black turtleneck. She fastens the belt, turns to the mirror, looks back at the camera with a confident smile and says, "This one. I'll wear it out." Soft lamp light, slow dolly-in, the rustle of silk.

  • ポートレートと音声クリップ

    ポートレート 1 枚と、3〜12 秒の MP3 音声クリップ 1 本を使う参照から動画向けです。言葉はプロンプトに書く必要があります。

    The adult woman from the reference image, in a dark green velvet dress, stands by a rain-streaked window in a candlelit study. She turns to the camera with a small, knowing smile and says in the voice from the reference audio: "You kept me waiting. Tell me everything." Close-up, shallow depth of field, flickering candlelight, rain on the glass.

Vidu Q4 Preview のその他のよくある質問

シーンに声が必要なときに

すでにショットがあるなら最初のフレームから、人物・衣装・商品・場所を一致させたいなら参照から始めます。

動きを順番に書き、すべてのセリフを引用符で囲み、540p で下書きして 1080p で仕上げてください。中程度と最大のレベルの場面は、その人物たちのフレームから画像から動画を使います。参照から動画はそれらを拒否または控えめに描きます。画像から動画は 10 月 9 日からかなり強めのレベルを拒否し、拒否されたリクエストには課金されません。

Vidu のすべてのモデル5