Vidu Q4 Reference to Video API

vidu/q4/reference-to-video
540p–4K · 3–16 sec

Vidu Q4 Reference to Video 将提示词与最多 12 张参考图、3 段语音组合,生成最高 4K 的 3–16 秒视频。在提示词中标注各参考素材,让人物、产品和场景保持可辨识,音频生成不额外计费。

输入
324/5000

拖拽文件、粘贴剪贴板素材,或输入 URL。 必填,1–12 张 JPEG、PNG 或 WebP 图片。

2/12 个素材

拖拽文件、粘贴剪贴板素材,或输入 URL。 可选,最多 3 段 MP3 语音,建议每段 3–12 秒。

输出示例
5 秒 × $0.095/秒 = $0.475
继续使用

Vidu Q4 Reference to Video

Vidu Q4 Reference to Video 属于生数科技 2026 年 10 月发布的 Vidu Q4(Preview),专注多参考控制与角色声音。参考图提供人物身份、道具和地点,可选的参考音频引导角色声音。可选择 16:9、9:16、4:3、3:4 或 1:1 画幅,以及 540p 到 4K 分辨率,适合系列短剧、广告和配音角色片段。

为什么选择 Vidu Q4 Reference to Video API?

  • 最多 12 张参考图在一次请求中组合人物、产品、服装和地点,并按顺序分别指代。

  • 语音参考附加最多 3 段参考音频,引导生成视频中的角色声音。

  • 音频生成不加价开启 generate_audio 获得音轨,每秒费率不变。

  • 五种画幅直接输出 16:9、9:16、4:3、3:4 或 1:1,适配不同投放位。

  • 540p 至 4K用 540p 低成本试稿,再用同一组参考以 1080p、2k 或 4k 出成片。

参数说明

参数要求说明
prompt必填

场景描述,最多 5,000 个字符且不能为空。可用 [@reference_image_1]、[@reference_audio_1] 等按数组顺序指代素材。

默认值—
reference_image_urls必填

1–12 个公开 HTTP(S) 图片地址,用于人物、产品和场景。

默认值—
reference_audio_urls可选

最多 3 个公开 HTTP(S) 音频地址,作为语音参考。推荐约 3–12 秒、干净的 MP3 片段。

默认值—
duration可选

输出时长,3–16 的整数秒;也接受 "5" 这样的整数字符串。

默认值5
resolution可选

输出分辨率:540p、720p、1080p、2k 或 4k(不区分大小写),每秒费率随之变化。

默认值720p
aspect_ratio可选

16:9、9:16、4:3、3:4 或 1:1;不传时沿用模型默认值。

默认值—
generate_audio可选

设为 true 生成音轨,价格不变。

默认值—
enable_safety_checker可选

设为 true 或 false 控制内容安全检查;不传时沿用模型默认行为。

默认值—

使用方法

  1. 准备参考素材为每个人物、产品或地点准备一张清晰图片,并可附加短语音片段,均放在公开 HTTP(S) 地址。

  2. 在提示词中标注素材在需要出现或发声的位置写 [@reference_image_1]、[@reference_image_2] 或 [@reference_audio_1]。

  3. 选择画幅与声音设置 aspect_ratio、时长(3–16 秒)、分辨率,需要音轨时开启 generate_audio。

  4. 提交并获取视频提交后获得 task_id,轮询状态接口或使用 callback_url 获取结果。

用量与计费

Vidu Q4 Reference to Video 按输出秒数和所选分辨率计费。参考图、参考音频和 generate_audio 均不影响价格。

计费项目费率详情
540p9 积分 / 秒$0.045 / 秒,5 秒视频为 45 积分。
720p19 积分 / 秒$0.095 / 秒,默认档位,5 秒视频为 95 积分。
1080p24 积分 / 秒$0.120 / 秒,适合全高清交付。
2k38 积分 / 秒$0.190 / 秒,适合大屏与后期裁切。
4k78 积分 / 秒$0.390 / 秒,16 秒 4K 视频为 1,248 积分。

适用场景

  • 角色延续的短剧在各集中复用同一组角色图片与语音,保持面孔和声音一致。

  • 品牌素材广告在一个提示词中组合产品图、模特和场景,快速产出广告变体。

  • 配音角色片段将角色图片与语音参考配对,制作会说话的吉祥物和故事角色。

  • 竖版社媒内容以 9:16、540p 试稿,再以 1080p 发布。

实用技巧

  • 按数组顺序编号:reference_image_urls 第一项即 [@reference_image_1]。
  • 每张参考图只承担一个作用,例如面孔、服装或房间,并在提示词中写明。
  • 语音片段保持简短干净,避免音乐和背景噪声。
  • 对交付画幅有要求时,请明确设置 aspect_ratio。

注意事项

  • reference_image_urls 必填,包含 1–12 个地址;reference_audio_urls 最多 3 个。
  • 如需从单张起始画面生成,请使用 Vidu Q4 Image to Video。
  • 任务异步执行:提交成功返回 task_id,可轮询或通过回调获取结果。

相关模型

Vidu Q4 Reference to Video API 常见问题

Vidu Q4 Reference to Video API 是什么?

Vidu Q4 Reference to Video 是生数科技用于根据参考素材生成视频的模型。它根据提示词、1–12 张参考图和最多 3 段语音,生成最高 4K 的 3–16 秒视频,支持五种画幅和可选音频生成。提示词标签把每个参考素材绑定到具体角色,让人物、产品和场景在剧情展开时保持可辨识。你可以通过 API 进行程序化调用,也可以在上方体验区直接在线试用。

Vidu Q4 Reference to Video 最多支持多少张参考图?

reference_image_urls 支持 1–12 张图片。为每个人物、产品或地点使用单独图片,并在提示词中按编号指代。

Vidu Q4 Reference to Video 的语音参考怎么用?

在 reference_audio_urls 中添加最多 3 段音频,并在应说话的角色旁写 [@reference_audio_1] 等标签。推荐约 3–12 秒、干净的 MP3 片段。

如何在 Vidu Q4 Reference to Video 提示词中标注参考素材?

在元素应出现或发声的位置写 [@reference_image_1]、[@reference_image_2] 或 [@reference_audio_1],编号与各数组顺序一致。

Vidu Q4 Reference to Video 开启音频会额外收费吗?

不会。generate_audio、参考图和参考音频都不改变费率;积分 = 分辨率费率 × 时长,例如 720p 5 秒为 95 积分。

Vidu Q4 Reference to Video 支持哪些画幅?

通过 aspect_ratio 选择 16:9、9:16、4:3、3:4 或 1:1;不设置时沿用模型默认值。

Vidu Q4 Reference to Video 一次能生成多长?

3–16 个整数秒,默认 5 秒,可选 540p、720p、1080p、2k 或 4k。

什么时候该选 Vidu Q4 Reference to Video 而不是 Image to Video?

当需要多个人物、产品或地点同时出现、需要语音参考或固定画幅时,选择 Reference to Video;Image to Video 从一张确定的画面开始。