Pular para o conteúdo principal

Sem censura — Este modelo declara não aplicar filtro de conteúdo. A SpicyAPI encaminha a solicitação sem adicionar uma análise de conteúdo da plataforma; as obrigações legais e de consentimento continuam com o cliente. Imagem para vídeo — Sem censura; Extensão de vídeo — Sem censura; Referência para vídeo — Reduzida.Ver todos os modelos com esse nível de filtragem
vidu/q4-preview/reference-to-video

A referência para vídeo do Vidu Q4 Preview constrói uma cena a partir de 1 a 15 imagens de referência e até 3 clipes de voz, em 16:9, 9:16, 1:1, 3:4 ou 4:3. Os clipes rodam de 3 a 16 segundos, em 540p a 4k, com som gerado. Tem filtragem leve: a partir do nível Moderado, a maioria dos pedidos NSFW é suavizada ou recusada.

A filtragem muda de um endpoint para outro: Imagem para vídeo — Sem censura, Extensão de vídeo — Sem censura, Referência para vídeo — Reduzida.

A partir de $0.045/s
Executar modelo

Playground

Entrada

Referência para vídeo
307/20000

Reordenar atualiza as referências no prompt. Excluir um arquivo também remove suas referências; confira o prompt.

Obrigatório, até 20.000 caracteres. Descreva a cena e cite as referências pela posição, como "a mulher da primeira imagem". Coloque as falas entre aspas duplas. Não altera o preço. pelo menos 1 caracteres · no máximo 20000 caracteres
3/15

Arraste arquivos ou links de mídia, cole ou selecione · Até 15 arquivos · Máx. 10 MB · JPG · PNG · WEBP · GIF

  • Image 1
  • Image 2
  • Image 3
3 / 15 arquivos
Obrigatório, de 1 a 15 imagens de pessoas, figurinos, produtos ou lugares. Um pedido sem nenhuma é rejeitado. A ordem importa, porque o prompt as cita pela posição. Não altera o preço. pelo menos 1 itens · no máximo 15 itens
0/3

Solte um arquivo de áudio aqui ou procure no computador · Até 3 arquivos · Máx. 90 MB · MP3 · WAV

0 / 3 arquivos
Opcional, até 3 clipes de voz (a Vidu pede MP3, de 3 a 12 segundos cada). O clipe molda a voz, mas não as palavras: escreva a fala no prompt e diga que ela está na voz do áudio de referência. Não altera o preço. pelo menos 1 itens · no máximo 3 itens
16:9 (o padrão), 9:16, 1:1, 3:4 ou 4:3. Não altera o preço.
afeta o preço
540p, 720p (o padrão), 1080p, 2k ou 4k. Isso define o preço por segundo: o 2k custa mais que o 1080p, e o 4k cerca do dobro do 2k. O 2k e o 4k retornam arquivos HEVC de 10 bits que alguns navegadores não reproduzem direto.
Duraçãoafeta o preço
Segundos inteiros, de 3 a 16, padrão 5. Cobrado por segundo, junto com a resolução. não menor que 3 · não maior que 16
Gerar áudio
Ligado por padrão: diálogos, efeitos e ambiência são gerados junto com a imagem. Desligue para um clipe sem trilha de áudio. Não altera o preço.
Seed
Mantém as execuções comparáveis enquanto você muda uma coisa de cada vez. Não promete um clipe idêntico quadro a quadro. Não altera o preço. não menor que 0 · não maior que 2147483647
Filtro de segurançaDesligado

A SpicyAPI não executa filtro de segurança neste modelo. Seu prompt e suas mídias chegam ao modelo exatamente como você os enviou, e o próprio modelo decide o resultado.

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução
Resultado de exemplo
Estender
Ampliação de vídeo
Edição de vídeo

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

Transforme um quadro inicial ou até 15 referências em um clipe que fala suas falas

O Vidu Q4 Preview é a prévia pública do modelo de vídeo Q4 da Vidu, lançada em 7 de outubro de 2026. Ele tem dois endpoints: imagem para vídeo anima um quadro inicial, e referência para vídeo monta uma cena a partir de 1 a 15 imagens de pessoas, figurinos, produtos ou locais, com até 3 clipes de voz. Os clipes têm de 3 a 16 segundos, de 540p a 4k, com diálogos, efeitos e som ambiente gerados junto com a imagem, e a fala escrita entre aspas duplas é dita em voz alta. Nos nossos testes, imagem para vídeo entregou os níveis Leve, Moderado e Máximo do nosso teste de conteúdo de cinco níveis e suavizou o Forte, mas desde 9 de outubro recusa o nível Muito forte; referência para vídeo tem um filtro leve e recusa ou suaviza os níveis mais altos.

Abrir o Playground
Transforme um quadro inicial ou até 15 referências em um clipe que fala suas falas
Modelo
Vidu Q4 Preview, da Vidu (ShengShu Technology), uma prévia pública lançada em 7 de outubro de 2026
Endpoints
Imagem para vídeo a partir de um quadro inicial; referência para vídeo a partir de 1 a 15 imagens e até 3 clipes de voz; sem texto para vídeo
Duração do clipe
De 3 a 16 segundos inteiros a 24 fps, padrão de 5
Resolução
540p, 720p (padrão), 1080p, 2k ou 4k; 2k e 4k saem como arquivos HEVC de 10 bits
Som
Diálogos, efeitos e som ambiente ativados por padrão, com um botão para desligar; falas entre aspas duplas são ditas em voz alta
Filtro de conteúdo
Imagem para vídeo: níveis Moderado e Máximo entregues, Muito forte recusado desde 9 de outubro. Referência para vídeo: filtro leve, recusa ou suaviza os níveis mais altos
Imagem para vídeo
Seu quadro define o visual, o prompt define a açãoO clipe parte do seu quadro inicial e mantém o formato dele; não existe campo de proporção. Nas nossas execuções, as pessoas, o figurino e a luz do quadro se mantiveram, então o prompt só precisa dizer o que acontece em seguida, o que a câmera faz e o que é dito.
Referência para vídeo
Até 15 referências em uma só cenaEnvie pessoas, figurinos, produtos e locais como imagens separadas e cite cada uma pela posição no prompt. Três referências, um retrato, uma peça de seda e um provador vazio, voltaram como uma única cena, e dois retratos mantiveram os dois rostos reconhecíveis.
Conteúdo
Dois endpoints, dois filtros diferentesEm imagem para vídeo, os níveis Moderado e Máximo passaram e o nível Forte voltou suavizado pelo enquadramento; o nível Muito forte ficou apenas sugerido em 8 de outubro e é recusado desde 9 de outubro. Referência para vídeo recusa ou suaviza os níveis mais altos. Pedidos recusados não são cobrados.

Como trabalhar com Vidu Q4 Preview

Dirija os próximos cinco segundos, fala incluída

Dirija os próximos cinco segundos, fala incluída

Nosso quadro inicial era uma mulher de vestido de cetim preto de alças finas diante de um espelho de três faces, em um camarim de veludo. O prompt listava cinco ações em ordem, com uma única fala, “Help me with this?”, perto do fim. O clipe em 1080p cumpriu as ações e a fala foi dita. O painel superior esquerdo é o quadro inicial; os outros três são momentos do clipe.

Cite cada referência pela posição

Cite cada referência pela posição

Referência para vídeo aceita de 1 a 15 imagens. Enviamos um retrato de uma mulher, uma foto de produto de uma peça de seda esmeralda e um provador vazio de boutique, e citamos cada um pela posição no prompt, começando por “the woman from the first image”. O rosto dela, a cor e o brilho da peça, o espelho dourado e as cortinas de veludo rosa voltaram numa única cena em 720p.

  • Um clipe de voz define a voz, o prompt define as palavras

    Referência para vídeo também aceita até 3 clipes de áudio; a Vidu pede MP3, de 3 a 12 segundos cada. O clipe molda a voz, mas não fornece palavras: uma execução que pedia as palavras do áudio de referência sem escrever a fala voltou sem nenhuma fala. Escreva a fala entre aspas duplas e diga que ela é dita com a voz do áudio de referência.

  • Rascunho em 540p, acabamento em 1080p

    Nos nossos testes, imagem para vídeo levou cerca de 2 minutos de tempo de modelo para um clipe de 5 segundos em 540p ou 720p, e referência para vídeo de 3 a 10 minutos. Teste o prompt em 540p com uma seed fixa e depois rode de novo em 1080p a versão de que gostou. 540p, 720p e 1080p saem como arquivos MP4 H.264 que tocam em quase qualquer lugar.

  • Trate 2k e 4k como arquivos mestres

    Em 2k e 4k, o clipe é um MP4 HEVC (H.265) de 10 bits. Os arquivos são grandes, um clipe de 3 segundos em 4k tinha 8,6 MB, e alguns navegadores não conseguem reproduzi-los diretamente; abra-os em um player ou editor de desktop, ou transcodifique. O preço por segundo acompanha a faixa de resolução: 2k custa mais que 1080p, e 4k cerca do dobro de 2k.

Quem usa Vidu Q4 Preview

  • Personagens que dizem suas falas

    Contadores de histórias e criadores de séries curtas

    Personagens que dizem suas falas

    Envie um retrato e um clipe de voz curto, escreva a fala entre aspas e escolha 9:16 para a tela do celular. Nossa mulher de cabelos longos e pretos e batom vermelho girou uma chave numa porta iluminada por velas e sussurrou "Lock the door. Nobody is coming up tonight... and I am not in any hurry." ao longo de nove segundos, com a voz do clipe. O painel da esquerda é o retrato de referência.

  • Clipes verticais que mantêm o seu quadro

    Equipes de redes sociais e vídeos curtos

    Clipes verticais que mantêm o seu quadro

    Imagem para vídeo mantém o formato do quadro inicial, então uma imagem 9:16 resultou em um clipe de 720 x 1280 em 720p, sem nenhum ajuste extra. No nosso teste, um homem se levantou de um banco de mármore e caminhou em direção à câmera por entre vapor que se espalhava, com vapor e pingos de água no som. O painel da esquerda é o quadro inicial.

  • Comece pelos quadros dos próprios usuários

    Quem constrói plataformas sem censura

    Comece pelos quadros dos próprios usuários

    Imagem para vídeo entregou os níveis Leve, Moderado e Máximo do nosso teste de conteúdo, então um app sem filtros pode animar os quadros que os usuários trazem. O nível Forte voltou suavizado pelo enquadramento, e o nível Muito forte é recusado desde 9 de outubro. Todas as pessoas em cena devem ser adultas.

  • Duas pessoas a partir de dois retratos

    Criadores de séries e de personagens

    Duas pessoas a partir de dois retratos

    Envie um retrato por pessoa e cite cada uma pela posição. Dois retratos de dois homens de terno voltaram dentro de um elevador de hotel espelhado e de latão, o barbudo afrouxando a gravata do outro, com os dois rostos reconhecíveis. Limite uma cena de referência com duas pessoas a um único gesto lento e reutilize os mesmos retratos, na mesma ordem, em todas as cenas de uma sequência.

Do primeiro quadro ao corte final com Vidu Q4 Preview

  1. Escolha o endpoint pelo que você tem

    Um quadro inicial vai para imagem para vídeo; fotos separadas de pessoas, figurinos, produtos ou locais vão para referência para vídeo. Para os níveis Moderado e Máximo, comece por um quadro das pessoas em imagem para vídeo.

  2. Escreva as ações, a câmera e o som

    Descreva em ordem o que acontece depois do primeiro instante, diga o que a câmera faz e coloque cada fala entre aspas duplas. Mantenha a expansão de prompt desligada para que suas palavras sejam usadas como foram escritas.

  3. Faça o rascunho em 540p com uma seed fixa

    Rode algumas versões em 540p com 3 a 5 segundos e confira rostos, mãos e a fala antes de partir para clipes mais longos.

  4. Finalize em 1080p

    Rode a vencedora de novo em 1080p, com o mesmo prompt e a mesma seed. Escolha 2k ou 4k só se o seu editor lidar com arquivos HEVC de 10 bits.

  5. Conte com recusas e com o silêncio

    Um pedido recusado falha depois de cerca de 6 a 8 minutos e não é cobrado; leve uma cena de nível Moderado ou Máximo de referência para vídeo para imagem para vídeo. Desligue o som quando for colocar a sua própria trilha; o preço continua o mesmo.

Prompts de Vidu Q4 Preview que valem a pena copiar

  • Um quadro inicial que fala

    Para imagem para vídeo a partir de um quadro de uma pessoa adulta. Liste as ações em ordem e coloque a fala entre aspas.

    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.

  • Três referências, uma prova de roupa

    Para referência para vídeo com um retrato, uma foto da peça e uma foto do local, nessa ordem. Cite cada imagem pela posição.

    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.

  • Um retrato e um clipe de voz

    Para referência para vídeo com um retrato e um clipe de voz em MP3 de 3 a 12 segundos. As palavras precisam estar no prompt.

    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.

Mais perguntas sobre Vidu Q4 Preview

Use quando a cena precisa de voz

Comece por um quadro inicial quando você já tem a tomada, ou por referências quando pessoas, figurinos, produtos e locais precisam combinar.

Escreva as ações em ordem, coloque cada fala entre aspas, faça o rascunho em 540p e finalize em 1080p. Para os níveis Moderado e Máximo, use imagem para vídeo a partir de um quadro das pessoas; referência para vídeo os recusa ou os suaviza. Imagem para vídeo recusa o nível Muito forte desde 9 de outubro, e recusas não são cobradas.

Todos os modelos Vidu5