Vidu Q4 Preview Reference-to-Video

提供商 Vidu视频

1-15 张参考图加最多 3 段参考音频，把固定的人物、场景和音色放进 3-16 秒、最高 4K 的新镜头，按秒计费。

定价

标准用量

218 积分/ s

输入

提示词 *0 / 5000

预估费用1,375 积分275 积分 / s × 5s × 1080p

输出

准备生成

配置参数并点击"运行"查看输出结果。

从参考素材到新镜头

参考生视频适合必须保持一致的内容：跨集出现的主角、每个市场都要同一个样子的商品，或者只属于某位主播的音色。下面几组成片对应不同的输入组合——参考音频锁定音色、角色/场景/道具多图合成，以及 4K 细节镜头。每张卡片都标了真实的时长、分辨率和画幅，提示词可以直接复制到 Playground 改写。

横屏 · 双图 + 声音参考3s540p请求 16:9，实际 20:11

雪夜小熊独白，音色来自参考音频

两个参考素材各管一件事：参考图 1 是蓝色毛绒熊的外观，参考图 2 是雪夜小屋的场景；参考音频 1 是一段 7.6 秒的人声，作为音色参考。提示词按顺序引用这三份素材，小熊走到小屋前开口说话，说完向镜头挥手；落雪和暖色窗光由模型按画面生成。画幅提交时请求 16:9，成片实际为 960×528（20:11），有轻微比例偏差。

提示词（英文）

The fuzzy blue bear from reference image 1 walks through the snow toward the lakeside wooden house in reference image 2, then faces the camera and speaks in the voice of reference audio 1, its fluffy belly rising as it talks, finally waving at the camera. Cinematic snowfall, warm window light

参考音频 1 · 音色

竖屏 9:16 · 三图合成5s720p9:16

三张参考图：角色 + 场景 + 道具，合成竖屏夜市

角色、场景、道具各用一张参考图：针织兔子（参考图 1）、灯笼夜市小巷（参考图 2）、冒热气的拉面（参考图 3）。画幅用 aspect_ratio 指定为 9:16，与参考图本身的比例无关——三张参考图都是方图或竖图，成片照样是竖屏。提示词让兔子把面端向镜头，这一条没有放参考音频，所以不涉及音色锁定，音频开启后成片自带同步音轨。

提示词（英文）

The knitted rabbit from reference image 1 stands behind a food stall in the night-market alley from reference image 2 and lifts the steaming bowl of ramen from reference image 3 up toward the camera, steam drifting through the lantern light; it nods happily at the viewer. Camera pushes slowly down the alley. Night-market ambience, sizzling food and light chatter.

三张参考图：角色 + 场景 + 道具，合成竖屏夜市参考图 1 · 角色 — 参考图 1 · 角色

三张参考图：角色 + 场景 + 道具，合成竖屏夜市参考图 2 · 场景 — 参考图 2 · 场景

三张参考图：角色 + 场景 + 道具，合成竖屏夜市参考图 3 · 道具 — 参考图 3 · 道具

4K 档 · 3 秒3s4K16:9

4K 烛光书房里的黄铜机械猫头鹰

这一条按 4K 档生成，时长 3 秒，用两张参考图合成：黄铜机械猫头鹰（参考图 1）和烛光书房（参考图 2）。提示词让它转头、玻璃眼睛映出烛光、翅膀金属片微微开合、肩部小齿轮转动——细节密集的画面正是 4K 档的用武之地，也方便后期裁切构图。页面上播放的是压缩到 1280px 的预览，实际成片是 3840×2160 级别。

提示词（英文）

The brass mechanical owl from reference image 1 stands on the reading desk of the candlelit library from reference image 2; it turns its head, the glass eyes catch the candlelight, the engraved wing plates shift open a little and a small gear turns at its shoulder. Candles flicker, dust drifts through the warm light. Slow push-in toward the owl.

按手里的素材选

要多张参考图或锁定音色，选本页；只有一张图且必须它当第一帧，选图生视频；要参考视频控制运镜或长镜头，看另外两个模型。

Vidu Q4 Preview Image-to-Video

适合：只有一张首帧图，且它必须成为开场画面

取舍：提示词可选，画幅跟随首帧

Kling 3.0 Omni Reference-to-Video

适合：还要参考视频控制运镜，或需要智能分镜

取舍：参考图 1-7 张，带参考视频时限制更多

Seedance 2.5 Reference-to-Video

适合：要参考视频作为输入，或需要最长 30 秒的长镜头

取舍：分辨率 480p-1080p，不支持 4K

对比 AI 视频 API

模型规格

输入: 1-15 张参考图 + ≤3 段 MP3 参考音频 + 提示词
时长: 3-16 秒（整数秒，按提交时长计费）
分辨率: 540p / 720p / 1080p / 2K / 4K，五档按秒单价不同
画幅: 由 aspect_ratio 指定：16:9 / 9:16 / 1:1 / 4:3 / 3:4
参考图要求: JPG/PNG/WebP，单张 ≤50MB，最小 128×128，比例 1:4-4:1
参考音频要求: 仅 MP3，最多 3 段，每段 3-12 秒、≤50MB
引用方式: 按数组顺序编号，提示词里写“参考图 1”“参考音频 1”
省略参数时: 5 秒 · 720p · 16:9 · audio 开启
提示词长度: 1-20,000 字符（必填）
模型 ID: vidu-q4-preview/reference-to-video

当前价格：查看实时定价

与同系列、相邻模型的差别

差别主要在输入：参考图上限、是否接收音色参考或参考视频，以及输出最高能到多少。

模型	输入	时长与分辨率	什么时候选它
Vidu Q3 Mix 参考生视频	1-7 张参考图，不接收参考音频	1-16 秒，720P/1080P，10 种画幅尺寸	图像参考够用，且想用一个字段同时定画幅和分辨率
Vidu Q3 Ad 参考生视频	1-7 张参考图，面向商品广告	3-15 秒，720P/1080P	商品广告，需要运镜、切镜和音效按广告节奏生成
Vidu Q4 Preview 参考生视频（本页）	1-15 张参考图 + ≤3 段参考音频	3-16 秒，540p-4K，aspect_ratio 控画幅	固定角色、锁定音色或 4K 交付
Vidu Q4 Preview 图生视频	1 张首帧 + 可选提示词	3-16 秒，540p-4K，画幅跟随首帧	图片本身必须成为开场画面
Kling 3.0 Omni 参考生视频	1-7 张参考图，可加 1 段参考视频	3-15 秒，720p-4K，三种画幅	要从参考视频复制运镜，或需要智能分镜
Seedance 2.5 参考生视频	参考视频为输入，可加图片	最长 30 秒，480p-1080p	参考视频驱动动作，或需要长镜头

如何使用 Vidu Q4 Preview Reference-to-Video

图 1–15 张 · 音频 ≤3 段

准备参考图和参考音频

参考图给人物、场景和道具的外观；同一角色多准备几个角度会更稳定。需要固定音色时，再加最多 3 段 3-12 秒的 MP3。

谁出镜

做什么

画幅与声音

按顺序引用并设置输出

提示词里写清参考图 1 里的角色在参考图 2 的场景里做什么、用参考音频 1 的音色说什么；再用 aspect_ratio 选画幅，定好时长和分辨率。

Playground

POST /v1/tasks

体验后接入 API

在 Playground 确认效果后用下方请求接入；先用短时长、低档位确认构图和音色，再按交付位置重跑高档。

提示词写法

01
用编号指代素材，不要重新描述
数组顺序就是绑定关系：你上传的第一张就是参考图 1。提示词在需要它出现的位置写编号即可，不必再复述外观。
示例：The character in reference image 1 walks into the alley from reference image 2.
02
台词写原文，情绪交给画面
使用参考音频时，把要说的那句话放进引号。音频只提供音色，具体念什么由提示词决定。
示例：She looks up and says: "We close at nine."
03
把提示词留给参考图给不了的信息
外观已经由参考图确定，提示词应集中在动作、镜头运动和声音上。重复描述画面里已有的细节，通常不会改变结果。
示例：The camera tracks left as the rabbit lifts the bowl; steam drifts through the lantern light.
04
先短后长，先低后高
用 3 秒、540p 确认角色、画幅和音色，再决定是否拉长时长或升到 4K。每次只改一个变量：参考图组合、提示词，然后才是档位。
示例：3 s · 540p → 8 s · 2K once the composition holds.

API 快速示例

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/reference-to-video",
  "input": {
    "prompt": "The fuzzy blue bear from reference image 1 walks through the snow toward the lakeside wooden house in reference image 2, then faces the camera and speaks in the voice of reference audio 1, its fluffy belly rising as it talks, finally waving at the camera. Cinematic snowfall, warm window light",
    "reference_image_urls": [
      "https://static.hiapi.ai/admin-assets/2026/10/18/1792306202075-66666b2570efd74d-winter-bear-input-1.jpg",
      "https://static.hiapi.ai/admin-assets/2026/10/18/1792306208124-3c9f19fac0dbfd52-winter-bear-input-2.jpg"
    ],
    "reference_audio_urls": [
      "https://static.hiapi.ai/admin-assets/2026/10/18/1792306212807-ff665c3f1cdfcc2b-winter-bear-audio.mp3"
    ],
    "duration": 3,
    "resolution": "540p",
    "aspect_ratio": "16:9",
    "audio": true
  }
}'

创建请求会返回 taskId；结果需要异步获取。查看完整 API 文档

关于 Vidu Q4 Preview Reference-to-Video

参考图负责样子，提示词负责新镜头

参考生视频不是从首帧出发，而是从素材出发。给它 1-15 张人物、道具或场景的参考图，模型按提示词重新搭建一个新镜头，参考图不会原样成为开场画面。素材按数组顺序编号——参考图 1、参考图 2——提示词里直接用编号指代，让每张图各管一件事：谁出镜、站在哪、手里拿着什么。

最多 3 段 MP3 提供音色参考：角色开口时，写好的台词会用接近该音色的声音念出来，环境声与音效仍按画面生成。成片画幅由 aspect_ratio 指定（16:9、9:16、1:1、4:3、3:4），与参考图自身比例无关；时长 3-16 秒，分辨率 540p、720p、1080p、2K、4K 五档。按提交时长和所选档位每秒计费，audio 开关与参考素材数量都不改变单价。

提供商: Vidu
任务: 参考生视频
输入: 1-15 张参考图 + ≤3 段参考音频 + 提示词
价格: 查看实时价格

参考生视频能搭出什么

用一段短音频锁定角色音色

最多 3 段 3-12 秒的 MP3 提供音色参考。把台词写进提示词，角色就会用接近参考的声音念出来，环境声和音效仍按画面生成。对开发者来说，这决定了口播角色是每次重跑都换一个声音，还是换了台词也还是同一个主播。

查看对应案例

把角色、场景和道具合成同一个镜头

每张参考图负责一个主体，提示词按编号把它们串起来：参考图 1 的角色、参考图 2 的小巷、参考图 3 的拉面。模型把三者放进同一构图并保持各自的外观。换成商品目录或分镜也是同一套做法：保留角色和场景，只换道具参考图，一条提示词就能得到新镜头。

查看对应案例

把固定角色放进新场景

参考图描述的是外观，不是第一帧，所以同一个角色可以走进素材里从未出现过的环境。为每个角色保留一套参考图，只更换场景参考图和提示词，系列剧集、地区化广告和分支故事就不必每次重新拍摄。

在 4K 档保留小细节

4K 档交付 3840×2160 级别的文件，齿轮、织物和玻璃在大屏播放或后期裁切时仍然成立。实用做法是拍短：先用 3 秒确认动作和构图，确认后再拉长时长，避免把预算花在还没定稿的镜头上。

查看对应案例

适合的应用场景

系列短剧与固定 IP

一套参考图贯穿多集，角色形象和音色不随场景变化；换集只改提示词和场景参考图。

口播主播与讲解视频

用参考图定型形象、参考音频定型音色；换稿只改台词，不必重新录制或重做角色。

商品场景与目录变体

商品、场景、模特各给一张参考图，保留商品外观的同时换布景和动作，适合批量生成同一商品的多种镜头。

展陈与大屏循环

4K 档的细节镜头适合展陈、门店大屏和需要后期裁切的片头；短时长成片循环播放也更轻。

在 HiAPI 上使用 Vidu Q4 Preview

同一个 API Key 即可调用参考生视频和图生视频。任务记录把成片、参考素材、画幅、时长和每秒扣费放在一起，方便对比不同提示词组合，也方便逐条回溯。

回到在线体验获取 API Key 查看全部实时价格

需要比较不同模型和计费档位？查看全部模型实时价格

常见问题

最多可以放几张参考图？

1-15 张。支持 JPG、PNG、WebP，单张不超过 50MB，最小 128×128，单张宽高比在 1:4 到 4:1 之间。提示词按数组顺序引用：第一张就是参考图 1，第二张是参考图 2。

参考音频有什么格式和时长限制？

最多 3 段，仅 MP3，每段 3-12 秒、不超过 50MB，提示词里按顺序写参考音频 1。段数、格式或时长超出范围时，提交阶段会直接返回参数错误，不会创建任务。

参考音频会影响整条音轨吗？

不会。它只提供音色：角色开口时，提示词里的台词用接近该音色的声音念出，环境声和音效仍由画面生成。只想要环境声、不需要指定音色时，不放参考音频并保持 audio 开启即可。

提示词怎么指向某一份素材？

按数组顺序编号。第一张图是参考图 1，第一段音频是参考音频 1，在提示词里直接写这个编号。提示词必填，长度 1-20,000 字符，中英文都可以。

成片画幅怎么定？

由 aspect_ratio 指定，可选 16:9、9:16、1:1、4:3、3:4，默认 16:9。它和参考图自身的比例无关：方图或竖图也能生成 16:9 横屏。

能生成多长、哪些分辨率？

时长 3-16 秒的整数秒，默认 5 秒；分辨率 540p、720p、1080p、2K、4K 五档，默认 720p。同一段提示词换档重跑即可，不用改写。

怎么计费？

按提交的整数秒时长乘以所选分辨率的每秒单价计费。audio 开关、参考图数量和参考音频数量都不改变单价；具体金额以定价页为准，每次任务的扣费明细可以在任务记录里查到。

参考图会原样出现在开头吗？

不会。参考图描述的是人物、道具和场景的样子，模型按提示词重新构图，开场画面不等于任何一张参考图。如果图片必须成为第一帧，用图生视频。

和 Vidu Q3 Mix 有什么区别？

Q3 Mix 接收 1-7 张参考图，最高 1080P、1-16 秒，不接收参考音频。Q4 Preview 接收 1-15 张参考图加最多 3 段参考音频，最高 4K、3-16 秒。需要锁定音色、更多参考图或 4K 时选 Q4 Preview。

和 Vidu Q3 Ad 有什么区别？

Q3 Ad 面向商品广告，接收 1-7 张参考图，3-15 秒、720P 或 1080P，运镜、切镜和音效按广告节奏生成。Q4 Preview 面向固定角色与音色，参考图上限 15 张、可锁音色，最高 4K。做商品广告优先 Q3 Ad；做系列角色或需要 4K 时用 Q4 Preview。

HiAPI Blog