把一张首帧图变成 3-16 秒、最高 4K 的有声视频：画幅跟随图片，原生音频默认开启，按秒计费。
提供商: Vidu
类型: 视频生成
接口: /v1/tasks
状态: 已开放
消耗: 查看页面实时价格
把一张首帧图变成 3-16 秒、最高 4K 的有声视频：画幅跟随图片，原生音频默认开启，按秒计费。
定价
标准用量
用图片控制视频的开始和结束画面。
准备生成
配置参数并点击"运行"查看输出结果。
下面几组输入与成片都由首帧驱动，差别在画幅、音频开关和分辨率档位：有的保留原生音频，有的直接传入竖版首帧、不设任何比例参数，有的关掉音频、用 540p 做循环素材。每张卡片都标了实际时长、分辨率和画幅，提示词可以直接复制到 Playground 改写。
首帧是一张 1280×720 的静帧：晨雾中的湖面、停在岸边的小型水上飞机。提示词只写要加入的动作——飞行员挥手、螺旋桨转起来、水面泛起涟漪、镜头缓慢推进——没有重复画面里已有的内容。原生音频默认开启，成片带一条与画面同步的音轨。
提示词（英文）
The pilot waves, the seaplane engine starts and the propeller spins up, gentle ripples spread across the misty lake as the camera slowly pushes in, golden morning light
首帧是一张竖版照片（732×1280，比例 4:7）。没有设置任何画幅参数，成片就是 724×1268 的竖屏——这是图生视频画幅跟随首帧的直接演示。提示词让咖啡师放下奶缸、拉花定型、抬头看镜头微笑，音频保持开启，成片带一条与画面同步的音轨。适合抖音 / Reels / Shorts 这类竖屏位。
提示词（英文）
The barista sets the milk pitcher down on the counter, the latte art in the cup settles into a leaf pattern and steam rises from it; she lifts her eyes to the camera and smiles. Cafe murmur and the hiss of the espresso machine. Slow handheld push-in, warm morning light through the window.
同样是首帧驱动的 3 秒短片，这次把 audio 关掉、分辨率压到最低的 540p：海浪拍碎在礁石上、灯塔灯亮起、低云掠过塔身、镜头缓慢推近。首帧是 1280×732（7:4），成片就输出 952×544 的 7:4 画面，再次说明没有比例参数可调。没有音轨的成片体积小、可以直接当网页头图或信息流的循环背景，需要声音时再在后期配乐；这也是先用最低档试提示词和运镜的做法。
提示词（英文）
Waves break white against the rocks below, spray flying up; the lighthouse lamp switches on and brightens across the beam, low clouds drift slowly past the tower, and the camera pushes in slowly toward the lighthouse. Silent footage intended as a looping background.
按手里已有的素材选：只有一张图、且它必须成为成片第一帧时用图生视频；有多张参考图或要锁定角色音色用参考生视频；需要首尾帧控制或更长时长看 Seedance 2.5；想要固定 5 秒快速出片看 Ray 3.2。
当前价格：查看实时定价
选一张构图完整、主体清晰的图片：它决定成片的主体、景别、光线和画幅。宽高比保持在 1:4 到 4:1 之间，做竖屏就上传竖版。
只写要新增的内容：谁做什么、镜头怎么走、说什么话或有什么环境声；选 3-16 秒和分辨率档位，需要无声成片就关掉 audio。
在 Playground 用低档短视频确认动作和构图，复制下方请求接入 API；同一提示词换高档、拉长时长重跑，就是交付版本。
01
首帧已经决定了主体、服装和背景，提示词只补动作、镜头和声音。
示例：the pilot waves, the propeller spins up, ripples cross the lake
02
推镜、跟拍、环绕、手持或固定机位，写一个明确的动作比叠加多个更稳。
示例：slow push-in toward the lighthouse, fixed on the tower
03
点明对白、环境声和音效，生成的音轨会更贴合动作；具体声音比“电影感”有效。
示例：engine coughs, water laps at the shore, gulls overhead
04
3-5 秒写一个动作加一次运镜；更长的片段按先后顺序写两三个节拍。
示例：the bear walks up to the cabin, speaks, then waves at the camera
curl --request POST 'https://api.hiapi.ai/v1/tasks' \
--header 'Authorization: Bearer YOUR_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
"model": "vidu-q4-preview/image-to-video",
"input": {
"image_url": "https://static.hiapi.ai/admin-assets/2026/10/18/1792306166627-5fe5873f6127873d-seaplane-takeoff-input.jpg",
"prompt": "The pilot waves, the seaplane engine starts and the propeller spins up, gentle ripples spread across the misty lake as the camera slowly pushes in, golden morning light",
"duration": 3,
"resolution": "540p",
"audio": true
}
}'关于 Vidu Q4 Preview Image-to-Video
Vidu Q4 Preview 图生视频把首帧图片当作成片的第一帧：主体、构图、景别、光线和色调都由图片决定，成片从这张图开始。提示词只写要新增的部分——谁做什么动作、镜头怎么移动、出现什么声音或说哪句话——模型在生成画面的同时生成与动作对齐的对白、环境声和音效。已经有商品主图、海报、摄影作品或角色立绘的团队，可以直接把它们变成 3-16 秒的有声片段，不需要单独的配音和口型对齐步骤。
画幅完全跟随图片：横图出横屏、竖图出竖屏，不需要设置比例，首帧宽高比保持在 1:4 到 4:1 之间即可。分辨率分 540p、720p、1080p、2K、4K 五档，时长按整数秒从 3 到 16 选择，两者组合决定每秒价格。先用 540p 或 720p 的短片段确认动作和镜头，定稿再换高档、拉长时长，花费更少。
原生音频默认开启；做循环背景、后期自己配乐或需要压字幕时关掉 audio，得到干净的无声素材，价格不变。同一个模型 ID 同时覆盖草稿和交付：短、低档的版本用来试提示词，长、高档的版本用来发布。
首帧锁定主体和光线，提示词写清动作、镜头和声音，画面与对白、环境声、音效一次生成。适合口播开场、产品介绍、氛围空镜和需要现场感的社媒短片；不想要生成的声音时关掉 audio 重跑，价格不变。
查看对应案例成片画幅跟随首帧，横图出横屏、竖图出竖屏，没有比例参数。竖屏内容直接上传竖版首帧即可；本页案例首帧是 732×1280 的 4:7，成片是 724×1268，同样是 4:7，适合抖音、Reels、Shorts 和竖屏信息流。
查看对应案例五档分辨率对应五种发布位置：540p 试提示词、运镜和小尺寸循环背景，720p 覆盖多数社媒与网页，1080p 用于常规投放，2K 适合大屏和电视，4K 留给展陈、影院级画面或需要后期裁切的镜头。同一段提示词换档重跑即可，写法不用改。
查看对应案例3-16 秒适合一到两个动作加一次镜头运动。按先后顺序写，比堆砌形容词更可控；提示词只描述新增内容，画面里已有的主体、服装和背景不用重复。英文提示词最稳定，中文同样可用，上限 20,000 字符。
商品主图或品牌静帧加一段提示词，做成带声音的 3-5 秒开场，主体、材质和配色保持原样。
竖版首帧直接出竖屏成片，不裁切；草稿用低档，确认后按投放位重跑。
关掉 audio 得到干净的无声素材，用于网页头图、菜单屏和展位循环。
展陈、影院级画面或后期要裁切的镜头，先用低档试，再用 4K 出交付版本。
同一个 API Key 即可调用图生视频和参考生视频两个端点，任务记录集中保存成片、参数和消费明细，方便对比不同提示词、画幅和分辨率档位，也方便按秒核对费用。
不能。成片画幅完全跟随首帧图片：传横图出横屏、传竖图出竖屏，所以想要 9:16 竖屏就准备一张竖版首帧。首帧宽高比需在 1:4 到 4:1 之间，过于狭长的图片会在提交时被拒绝。
原生音频默认开启，会生成与画面同步的对白、环境声和音效；关闭后输出纯画面无声视频，适合做循环背景、后期自己配乐或加字幕。开关不影响价格。
按提交的整数秒时长乘以所选分辨率的每秒单价计费，音频开关和图片数量都不参与计价。分辨率越高每秒单价越高，4K 档约为 540p 档的 8.7 倍，具体金额以定价页为准。
540p 用来试提示词和镜头，也够做小尺寸循环背景；720p 覆盖大多数社媒与网页；1080p 用于常规投放；2K 适合大屏和电视展示；4K 用于展陈、影院级画面或需要后期裁切二次构图的镜头。定稿前先用低档试，定稿再用高档出。
Vidu Q3 Mix 用 1-7 张参考图重新组织画面，720P/1080P 两档、1-16 秒，参考图不作为成片第一帧。Vidu Q4 Preview 图生视频把图片当作成片第一帧，时长 3-16 秒，分辨率最高到 4K，并默认生成原生音频。首帧必须等于手里这张图时选 Q4 Preview。
图生视频把图片当作成片的第一帧，出来的画面从这张图开始；参考生视频把图片当作人物、道具或场景的样子，重新生成全新构图，参考图不会原样出现在开头。想要“这张图动起来”用图生视频。
支持 JPG / JPEG / PNG / WebP，单张不超过 50MB，宽高比在 1:4 到 4:1 之间。建议首帧的构图和光线就是最终效果的样子，因为它决定了成片的主体、景别和色调。
只写要新增的内容：谁做什么动作、镜头怎么走、有什么声音或说哪句话。不要重复描述画面里已经有的东西。英文提示词最稳定，中文同样可用；长度上限 20,000 字符。
不是。不传提示词时，模型会根据首帧内容自行推断动作和镜头；传了提示词就能控制动作顺序、镜头路径和声音。两种方式都按提交的时长和分辨率计费。
时长默认 5 秒，分辨率默认 720p，audio 默认开启。三项都可以按任务覆盖；计费按提交的整数秒时长和所选分辨率档位计算。
HiAPI Blog
