Vidu Q4 Preview Referenz-zu-Video Prompt-Rezepte: direkt kopierbare Prompts und echte Ergebnisse

TL;DR

• Fünf direkt kopierbare Referenz-zu-Video-Prompt-Rezepte für vidu-q4-preview/reference-to-video, jeweils mit dem Clip, den sie auf hiapi tatsächlich erzeugt haben – kein Stockmaterial, keine Renderings.
• Referenz-zu-Video ist der Modus, der „mehrere Standbilder zu einer einzigen Aufnahme verschmilzt“: Du gibst ihm 1–15 Referenzbilder und optional bis zu 3 Referenzaudios, und er rendert daraus eine einzelne Aufnahme von 3–16 Sekunden, bis zu 4K.
• Enthält eine echte 4K-Cineastik-Aufnahme sowie ein brauchbares Audioreferenz-Beispiel („sprechender Moderator“) mit der exakten reference_audio_urls-Anfrage.
• Die Prompt-Regeln, die das Ergebnis wirklich verändert haben: jede Referenz mit einer Nummer ansprechen, die Aufnahme als eine durchgehende Bewegung schreiben und beim Anhängen von Audio die gesprochene Zeile im Prompt beibehalten.
• JSON kopieren, eigene Referenz-URLs einsetzen und an /v1/tasks per POST senden.

Was vidu-q4-preview/reference-to-video genau macht

Vidu Q4 Preview (von Shengshu Technology) hat auf hiapi zwei Produktlinien, die nicht austauschbar sind:

• reference-to-video (diese Seite): Du lieferst eine Reihe von Referenzbildern – eine Figur, einen Ort, ein Produkt, ein Requisit – und das Modell kombiniert sie zu einer bewegten Aufnahme. Das Feld ist reference_image_urls und akzeptiert 1–15 Bilder.
• image-to-video (Rezepte hier): Du lieferst ein einzelnes Startbild (image_url), und es animiert dieses Bild vorwärts. reference_image_urls lehnt es komplett ab.

Wenn du also eigenständige Subjekte zu einer Szene kombinieren willst, nimm Referenz-zu-Video; wenn du bereits das exakte Startbild hast und nur Bewegung willst, nimm Bild-zu-Video. Wenn du die Referenzseiten von Vidu Q3 kennst, ist der Sprung hier konkret: Q4 Preview ergänzt 4K-Ausgabe (Q3 maximal 1080p) und erhöht das Referenzbudget auf 1–15 Bilder (Q3 Mix erlaubt 1–7). Beide Generationen akzeptieren Audioreferenzen; diese Rezepte setzen auf das größere Bildbudget und 4K von Q4.

Verifiziertes Eingabe-Schema (im Oktober 2026 gegen /v1/tasks getestet):

Feld	Erforderlich	Werte
prompt	Ja	Freitext; referenzierte Subjekte mit Nummern ansprechen
reference_image_urls	Ja	Array, 1–15 öffentliche Bild-URLs
reference_audio_urls	Nein	Array, maximal 3 Audio-URLs (Stimm-/Soundeffekt-Referenz)
resolution	Nein	540p · 720p · 1080p · 2k · 4k
duration	Nein	Ganzzahl, 3–16 Sekunden
aspect_ratio	Nein	16:9 · 9:16 · 1:1 · 4:3 · 3:4

Die Preisgestaltung ist ein fester Sekundensatz je nach Auflösung (ein 5-Sekunden-Clip kostet also Sekundenpreis × 5). Stand Oktober 2026 auf hiapi: 540p $0.0515/Sek., 720p $0.109/Sek., 1080p $0.1375/Sek., 2K $0.2175/Sek., 4K $0.446/Sek.. Die vollständigen Zahlen findest du auf der Preisseite. Die praktische Schlussfolgerung: Prompts bei 720p iterieren und dann den gelungenen Prompt bei 4K erneut laufen lassen – am Prompt selbst ändert sich nichts, nur der Multiplikator.

So haben wir diese Ergebnisse erzeugt (zum Nachvollziehen)

Jeder der folgenden Clips wurde auf hiapi über die asynchrone Task-API generiert. Der Ablauf ist immer derselbe:

1. Die Referenzbilder müssen über das öffentliche Internet erreichbar sein. Wir haben unsere eigenen Bilder mit gpt-image-2/text-to-image erzeugt, in einen statischen Bucket hochgeladen und dann diese URLs übergeben – du kannst beliebige bereits gehostete Bilder verwenden.
2. Den in jedem Rezept angegebenen Request-Body an POST /v1/tasks senden.
3. GET /v1/tasks/{taskId} abfragen, bis status auf success steht, dann output[0].url herunterladen (ein zeitlich begrenzter Link – sofort speichern).

Eine Schnellstart-Dokumentation findest du in der hiapi-Dokumentation. Eine minimale Anfrage sieht so aus:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vidu-q4-preview/reference-to-video",
    "input": {
      "prompt": "...",
      "reference_image_urls": ["https://.../subject.jpg"],
      "resolution": "1080p",
      "duration": 5,
      "aspect_ratio": "16:9"
    }
  }'

Hier sind die Rezepte.

Rezept 1 – Schneller Einstieg mit einer Referenz

Am besten für: das einfachste Referenz-zu-Video – ein Subjekt, eine saubere Animation. Fang hier an, bevor du mit Fusionen beginnst.

Eingabe-Referenzbild:

Echtes Ergebnis (720p, 3 Sekunden):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "Der flauschige blaue Bär aus Referenzbild 1 geht langsam zwei Schritte vorwärts durch den Schnee, hebt dann den Kopf zur Kamera und winkt mit einer Pfote. Sanft fallender Schnee, cineastisches weiches Licht.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/smoke_bear.jpg"],
    "resolution": "720p",
    "duration": 3,
    "aspect_ratio": "16:9"
  }
}

Warum es funktioniert: Selbst mit nur einem Bild verankert die Benennung („der flauschige blaue Bär aus Referenzbild 1“) das Subjekt, sodass das Modell diesen Bären animiert und nicht einen neuen erfindet. Eine kurze, konkrete Bewegung („zwei Schritte gehen … mit einer Pfote winken“) lässt sich in 3 Sekunden sauberer rendern als ein vages „lass es sich bewegen“. Beachte, dass der Clip mit einer Umgebungs-Tonspur zurückkam, obwohl wir kein Referenzaudio angehängt haben.

Rezept 2 – Cineastisches 4K, Fusion aus Figur + Szene

Am besten für: deine Hero-Aufnahme. Zwei Referenzen – ein Subjekt und eine Umgebung – verschmelzen zu einer atmosphärischen Aufnahme, die in 4K endet.

Eingabe-Referenzen (Subjekt + Ort):

Echtes Ergebnis (4K, 3 Sekunden):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "Die messingfarbene Uhrwerkseule aus Referenzbild 1 fliegt in die von flackernden Kerzen erleuchtete Werkstatt aus Referenzbild 2, die Flügel surren, die Zahnräder sind sichtbar, dann landet sie sanft auf der hölzernen Werkbank. Sie dreht langsam den Kopf zur Kamera und blinzelt einmal. Warmes bernsteinfarbenes Kerzenlicht flackert, Staubpartikel schweben, cineastische geringe Schärfentiefe.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/owl_char.jpg", "https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/clock_workshop.jpg"],
    "resolution": "4k",
    "duration": 3,
    "aspect_ratio": "16:9"
  }
}

Warum es funktioniert: Der Prompt weist jeder Referenz eine Rolle zu – Bild 1 ist der Darsteller, Bild 2 das Set –, sodass das Modell weiß, welches Standbild das Subjekt und welches der Hintergrund ist. Die Kameraführung ist eine durchgehende Idee (hineinfliegen → landen → sich zur Kamera drehen), die Referenz-zu-Video als eine ununterbrochene Aufnahme rendert. Bei $0.446/Sek. kostet dieser 3-Sekunden-4K-Clip etwa $1.34; wir haben die Komposition zuerst bei 720p geprüft.

Rezept 3 – Audioreferenz (sprechender Moderator)

Am besten für: eine Figur, die mit einer bestimmten Stimme spricht. Du hängst ein Audio als reference_audio_urls an; das Audio legt die Klangfarbe fest, der Prompt legt die gesprochene Zeile und die Lippen-Synchronisation fest.

Eingabe-Referenzbild:

Eingabe-Referenzaudio: presenter_voice.mp3 (wir haben diese Zeile mit qwen-audio-3.0-tts-plus erzeugt; jede bereits gehostete Audio-URL funktioniert).

Echtes Ergebnis (1080p, 5 Sekunden):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "Der Moderator aus Referenzbild 1 schaut direkt in die Kamera und spricht diese Zeile mit der Stimme aus Referenzaudio 1, mit natürlich synchronisierten Lippen, kleinen Kopfbewegungen und einem warmen Lächeln. Stabile Studio-Aufnahme, weiches Licht, leichte Atembewegung.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/presenter.jpg"],
    "reference_audio_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/audio/presenter_voice.mp3"],
    "resolution": "1080p",
    "duration": 5,
    "aspect_ratio": "16:9"
  }
}

Warum es funktioniert: Die Schlüsselformulierung ist „mit der Stimme aus Referenzaudio 1 diese Zeile sprechen“. Die Audioreferenz bestimmt die Stimme; der Prompt trägt weiterhin die schauspielerischen Anweisungen („natürlich synchronisierte Lippen“, „warmes Lächeln“). Halte die Länge des Audio-Clips nahe an deiner duration, damit die Sprache in die Aufnahme passt. reference_audio_urls ist ein Array – du kannst bis zu drei Clips übergeben, um mehrere Stimmen zu referenzieren oder eine Stimme plus eine Umgebungsgeräusch-Ebene.

Rezept 4 – Produkt-Fusion aus drei Referenzen

Am besten für: eine kommerzielle Komposition aus eigenständigen Produkt-Standbildern – Flasche, Requisit, Oberfläche –, die zu einer Szene arrangiert werden.

Eingabe-Referenzen (Produkt + Requisit + Szene):

Echtes Ergebnis (1080p, 4 Sekunden):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "Komponiere eine Szene: Stelle die matte Serumflasche aus Referenzbild 1 aufrecht auf die Marmor-Frisierkommode aus Referenzbild 3 und lehne den Eukalyptuszweig aus Referenzbild 2 daneben. Langsame cineastische Push-in-Bewegung, ein Wassertropfen gleitet an der Flasche herunter, weiches Morgenlicht, sanfter Dunst. Hochwertige Hautpflege-Werbeästhetik.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/serum_bottle.jpg", "https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/eucalyptus.jpg", "https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/marble_vanity.jpg"],
    "resolution": "1080p",
    "duration": 4,
    "aspect_ratio": "16:9"
  }
}

Warum es funktioniert: Drei saubere, eigenständige Standbilder (jedes Subjekt vor einfarbigem Hintergrund) geben dem Modell eindeutige Bauteile zum Zusammensetzen. Der Prompt beschreibt explizit das räumliche Layout („auf der Kommode“, „daneben“) und spricht jedes Bild mit seiner genauen Nummer an. Wenn die Referenzbilder selbst unübersichtlich sind oder du nur „kombiniere das“ sagst, ohne dem Modell zu sagen, wohin jedes Teil gehört, läuft die Fusion schief.

Rezept 5 – Vertikaler Social-Media-Loop (9:16)

Am besten für: Kurzvideo-Plattformen. Dasselbe Modell, dieselbe Prompt-Disziplin, nur mit aspect_ratio: "9:16".

Eingabe-Referenzbild:

Echtes Ergebnis (720p, 5 Sekunden, vertikal):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "Das weiß-türkisfarbene Roboter-Maskottchen aus Referenzbild 1 schwenkt die Arme, macht einen fröhlichen kleinen Hüpfer und zeigt am Ende einen Daumen hoch in die Kamera. Buntes Konfetti sprüht, federnde, energische Bewegungen, helles fröhliches Licht, vertikale Social-Media-Komposition.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/robot_mascot.jpg"],
    "resolution": "720p",
    "duration": 5,
    "aspect_ratio": "9:16"
  }
}

Warum es funktioniert: aspect_ratio steuert das Ausgabeformat, daher braucht ein vertikaler Clip nur 9:16 – die Referenzbilder können jede Form haben. Für einen Social-Media-Loop gib der Figur einen klaren Anfang-Mitte-Ende-Rhythmus (winken → hüpfen → Daumen hoch), damit die 5 Sekunden als ein vollständiger Mikro-Moment statt als Fragment gelesen werden.

Die Prompt-Schreibregeln, die das Ergebnis wirklich verändert haben

• Nummeriere deine Referenzen. „Die Eule aus Referenzbild 1“, „die Szene aus Referenzbild 2“. Das Modell bindet Subjekte an Nummern; „kombiniere diese Bilder“ ist genau die Ursache für schiefgegangene Fusionen.
• Gib jeder Referenz eine Rolle. Sag, welches Standbild der Darsteller, welches das Set und welches das Requisit ist. Vagheit lässt das Modell raten.
• Schreibe die Aufnahme als eine Bewegung. Referenz-zu-Video ist eine einzige durchgehende Aufnahme von 3–16 Sekunden. Eine Aufnahmeidee („heranzoomen“, „hineinfliegen und landen“) ist besser als eine Liste mehrerer Einstellungen.
• Bei Audio: das Audio benennen und die Zeile beibehalten. „Sprich mit der Stimme aus Referenzaudio 1“ + der tatsächliche Satz im Prompt. Lass die Audiolänge zur duration passen.
• Günstig iterieren, in 4K finalisieren. Die Auflösung ist ein fester Sekundenmultiplikator und ändert deinen Prompt nicht – prüfe die Aufnahme zuerst bei 720p und lass den Gewinner dann bei 4K erneut laufen.

FAQ

Was ist auf Vidu Q4 Preview der Unterschied zwischen Referenz-zu-Video und Bild-zu-Video? Referenz-zu-Video akzeptiert eine Reihe von Bildern (reference_image_urls, 1–15) und kombiniert sie zu einer Aufnahme. Bild-zu-Video akzeptiert ein einzelnes Startbild (image_url) und animiert es – reference_image_urls lehnt es ab. Willst du eigenständige Subjekte verschmelzen, nutze Referenz-zu-Video; hast du bereits das exakte Startbild, nutze Bild-zu-Video.

Wie füge ich eine Referenzstimme hinzu? Übermittle reference_audio_urls – ein Array mit bis zu drei öffentlichen Audio-URLs – und sag dem Prompt „sprich mit der Stimme aus Referenzaudio 1“. Das Audio legt die Klangfarbe fest; der Prompt legt die Zeile und die Lippen-Synchronisation fest.

Wie viele Referenzbilder kann ich verwenden? 1 bis 15. Für eine einfache Animation reicht ein Bild; willst du Figur, Ort und Requisit in derselben Szene verschmelzen, gib mehr an.

Welche Auflösungen und Dauern werden unterstützt? Auflösungen 540p, 720p, 1080p, 2k, 4k; die Dauer ist eine Ganzzahl von 3 bis 16 Sekunden; Seitenverhältnisse 16:9, 9:16, 1:1, 4:3, 3:4.

Was kostet ein 4K-Clip? 4K kostet $0.446 pro Sekunde, ein 3-Sekunden-4K-Clip also etwa $1.34, ein 5-Sekunden-Clip etwa $2.23. Niedrigere Auflösungen sind deutlich günstiger (720p sind $0.109 pro Sekunde). Aktuelle Zahlen findest du auf der Preisseite.

Müssen Referenzbilder öffentliche URLs sein? Ja – das Modell ruft sie ab, sie müssen also über das Internet erreichbar sein. Hoste sie an einem beliebigen öffentlich zugänglichen Ort und übergib die URL.

Wichtige Erkenntnisse

• Referenz-zu-Video verschmilzt 1–15 Standbilder zu einer Aufnahme von 3–16 Sekunden; Bild-zu-Video animiert ein einzelnes Startbild.
• Sprich jede Referenz mit einer Nummer an und gib ihr eine Rolle – diese eine Gewohnheit behebt die meisten schiefgegangenen Fusionen.
• Audioreferenzen laufen über reference_audio_urls (maximal 3); das Audio legt die Stimme fest, der Prompt die Zeile.
• 4K ($0.446 pro Sekunde) ist das Markenzeichen von Q4 Preview gegenüber Q3 – nutze es zum Finalisieren und iteriere bei 720p.
• Kopiere eines der obigen Rezepte, ersetze die Referenz-URLs durch deine eigenen und leg los.

Bereit zum Ausprobieren? Öffne die Modellseite von vidu-q4-preview/reference-to-video, hol dir einen API-Key aus der Dokumentation und füge ein Rezept ein. Wenn du nur ein verankertes Startbild statt einer Bildergruppe hast, beginne mit der Bild-zu-Video-Produktlinie oder stöbere im hiapi-Blog nach weiteren Referenz-zu-Video-Workflows und Prompt-Rezepten.