Recetas de prompts de referencia a video de Vidu Q3 Ad: prompts publicitarios listos para copiar y clips reales

TL;DR

• Cuatro recetas de prompts de referencia a video listas para copiar, válidas para vidu-q3-ad/reference-to-video, cada una con un clip real generado en hiapi: imágenes reales de producto como entrada, clips publicitarios reales como salida, sin material de stock.
• Q3 Ad es el nivel de referencia optimizado para publicidad de Vidu: aportas 1–7 imágenes de producto/sujeto más un prompt, y renderiza una toma de estilo publicitario de 3–15 segundos, con resolución 720p o 1080p (sin 4K). Es más barato y más rápido que Q4 Preview —la opción predeterminada adecuada para anuncios de producto y de redes sociales.
• Las recetas están organizadas por intención publicitaria: rotación de producto principal único, mascota de marca con diseño bloqueado, UGC con doble referencia «producto en mano» y escena retail con triple referencia.
• Un escollo confirmado en pruebas: aunque el modelo lleva la etiqueta «Native Audio», cada mp4 que obtuvimos de /v1/tasks es solo video (sin sonido) —los clips de ejemplo de la propia plataforma también son mudos. Hay que añadir música/voz en posproducción.
• El schema de entrada de q3-ad usa el enumerado size (no aspect_ratio + resolution) y rechaza reference_audio_urls, a diferencia de Q4. Copia el bloque JSON, sustituye tus URL de referencia y haz POST a /v1/tasks.

Qué hace realmente vidu-q3-ad/reference-to-video

Vidu Q3 Ad (de Shengshu Technology) es el nivel publicitario dentro de la línea de productos de referencia a video de Vidu. «Referencia a video» significa que aportas un conjunto de imágenes fijas —un producto, un personaje, un atrezzo, una superficie— y el modelo las compone y anima en una toma en movimiento. El campo correspondiente es reference_image_urls, que acepta 1–7 imágenes.

El posicionamiento «Ad» es precisamente la clave: está optimizado para rotaciones de producto, mascotas con consistencia de sujeto y escenas de estilo de vida, no para narrativa cinematográfica genérica. Si ya leíste nuestras recetas de referencia a video de Vidu Q4 Preview, estas son las diferencias concretas confirmadas en pruebas:

	q3-ad (esta página)	q4-preview
Imágenes de referencia	1–7	1–15
Referencia de voz/audio	No compatible (reference_audio_urls se rechaza)	Hasta 3 fragmentos de audio
Resolución máxima	1080p	4K
Campo de tamaño	enumerado size	resolution + aspect_ratio
Duración del clip	3–15 segundos	3–16 segundos
Ideal para	Anuncios de producto y sociales, con presupuesto limitado	Tomas principales 4K de gama alta, presentadores a cámara

Así que elige q3-ad cuando quieras clips publicitarios limpios, consistentes, baratos y en lote; sube a Q4 solo cuando realmente necesites 4K o referencias de voz. Si necesitas hasta 16 segundos o una mezcla más intensa de múltiples sujetos, existe un modelo similar, vidu-q3-mix/reference-to-video, que también admite un presupuesto de 1–7 imágenes.

Schema de entrada confirmado en pruebas (sondeo en vivo a /v1/tasks en octubre de 2026):

Campo	Obligatorio	Valores
prompt	Sí	Texto libre; referencia cada sujeto por su índice
reference_image_urls	Sí	Array de 1–7 URL públicas de imagen
duration	No	Entero de 3–15 segundos (el valor predeterminado varía según size)
size	No	1280*720 · 1280*960 · 1280*1280 · 960*1280 · 720*1280 (gama 720) · 1920*1080 · 1920*1440 · 1808*1808 · 1440*1920 · 1080*1920 (gama 1080)

duration debe ser un entero (4.5 se rechaza con «want integer»). El modelo no tiene los campos aspect_ratio, resolution ni reference_audio_urls: pasar cualquiera de ellos devuelve un 400 «additional properties not allowed», el error más habitual al migrar desde peticiones de Q4.

El precio es una tarifa fija por segundo determinada por el tramo de size (así que un clip de 5 segundos es el precio por segundo multiplicado por 5). A fecha de octubre de 2026, en hiapi, los cinco tamaños de la gama 720 se facturan a $0.149/segundo y los cinco de la gama 1080 a $0.18/segundo; consulta las cifras en vivo en la página de precios. Flujo de trabajo práctico: fija primero el prompt en un tamaño de la gama 720 y luego vuelve a ejecutarlo en 1080p para la versión definitiva: el prompt no cambia, solo cambia el multiplicador.

Cómo ejecutamos estos ejemplos (para que puedas reproducirlos)

Cada clip de abajo se generó en hiapi mediante la API de tareas asíncrona. El proceso es siempre el mismo:

1. Las imágenes de referencia deben ser accesibles públicamente. Generamos las imágenes con gpt-image-2/text-to-image, las subimos a un bucket estático y pasamos esas URL; cualquier imagen alojada sirve.
2. Haz POST /v1/tasks con el cuerpo de petición que se muestra en cada receta.
3. Consulta GET /v1/tasks/{taskId} hasta que status sea success, y luego descarga output[0].url (es un enlace temporal: guárdalo de inmediato).

La configuración completa está en la guía de inicio rápido de hiapi. Una petición mínima es así; fíjate en que se usa size, no aspect_ratio/resolution:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vidu-q3-ad/reference-to-video",
    "input": {
      "prompt": "...",
      "reference_image_urls": ["https://.../product.jpg"],
      "duration": 4,
      "size": "1280*720"
    }
  }'

Ahora, las recetas.

Receta 1 — Rotación de producto principal único

Ideal para: el anuncio de producto básico más común: convertir una imagen fija y limpia de un producto en una toma principal en rotación con un barrido de luz. Empieza aquí.

Imagen de referencia de entrada:

Salida real (720p, 4 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "Anuncio de producto premium del vaso térmico mate verde azulado de la imagen de referencia 1. Gira lentamente sobre un pedestal oscuro reflectante mientras una franja de luz dura barre el cuerpo mate de izquierda a derecha, la tapa de metal cepillado capta un destello brillante, suaves partículas de luz flotan en el fondo oscuro, la cámara mantiene un ángulo bajo de héroe y se acerca ligeramente. Iluminación de estudio comercial, alto contraste, detalle macro.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/tumbler.jpg"],
    "duration": 4,
    "size": "1280*720"
  }
}

Por qué funciona: nombrar el sujeto —«el vaso térmico mate verde azulado de la imagen de referencia 1»— ancla el producto exacto, de modo que el modelo anima esa botella, incluida la superficie mate, la tapa cepillada, etc., en lugar de inventar un parecido. La frase del barrido de luz («una franja de luz dura barre de izquierda a derecha») convierte una rotación corriente en algo que parece un anuncio. Una única intención de cámara continua (rotación + ligero acercamiento) se renderiza limpiamente en 4 segundos. A $0.149/segundo, este clip costó unos $0.60.

Receta 2 — Mascota de marca con diseño bloqueado

Ideal para: material de marketing reutilizable en el que el personaje debe conservar exactamente el mismo diseño en cada clip: algo que la animación dibujada a mano y el texto a video genérico difícilmente logran.

Imagen de referencia de entrada:

Salida real (cuadrada, 4 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "La mascota robot redonda de color verde menta de la imagen de referencia 1 está centrada, saluda con la mano izquierda a la cámara, da un pequeño salto alegre y asiente con entusiasmo, luego levanta el pulgar. Fondo de estudio blanco suave y limpio, iluminación brillante y uniforme, animación elástica y saltarina, su forma, colores y cara se mantienen exactamente on-model todo el tiempo. Anuncio de mascota de marca alegre y amigable.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/mascot.jpg"],
    "duration": 4,
    "size": "1280*1280"
  }
}

Por qué funciona: la frase «su forma, colores y cara se mantienen exactamente on-model todo el tiempo» le dice al modelo que su tarea es la consistencia, no la reinterpretación: q3-ad conserva las proporciones, la antena y la cara de la mascota durante todo el movimiento. Encadena varias acciones simples y nombrables («saluda… salta… asiente… pulgar arriba») en lugar de un vago «que sea vivaz»; así el modelo tiene algo concreto que asociar a cada tiempo. Usamos el tamaño cuadrado 1280*1280 (sigue siendo gama 720, unos $0.60 por 4 segundos) para que el material sirva directamente en publicaciones de feed o en una pantalla de inicio de app.

Receta 3 — UGC «producto en mano» (doble referencia)

Ideal para: anuncios sociales que detienen el scroll: una mano real levanta el producto dentro del encuadre en un escenario real. Aquí es precisamente donde la referencia a video supera a la imagen a video: combinas dos imágenes fijas independientes en una sola toma.

Imágenes de referencia de entrada (producto + escena):

Salida real (vertical 9:16, 5 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "Clip publicitario social vertical: sobre la mesa de cafetería de madera de la imagen de referencia 2, la lata de agua con gas rosa coral de la imagen de referencia 1 está de pie con condensación fría y fresca. Una mano entra desde la parte inferior del encuadre, recoge la lata y la levanta hacia la cámara, con gotas de agua brillando. Movimiento natural de cámara en mano, bokeh cálido de cafetería detrás, luz suave de ventana, sensación auténtica y animada de anuncio UGC.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/can.jpg", "https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/hand_cafe.jpg"],
    "duration": 5,
    "size": "720*1280"
  }
}

Por qué funciona: cada imagen de referencia tiene un rol: la imagen 1 es el producto y la imagen 2 es el entorno, de modo que el modelo sabe qué imagen fija es la protagonista y cuál es el fondo. Escribir explícitamente la acción y la cámara («una mano entra desde abajo… la levanta hacia la cámara… movimiento natural de cámara en mano») es lo que produce la sensación UGC; de lo contrario obtienes una foto estática de producto sobre la mesa. El tamaño vertical 720*1280 de 5 segundos (unos $0.75) te da un formato listo para publicar en Reels/TikTok/Shorts.

Receta 4 — Escena retail con múltiples referencias (triple referencia)

Ideal para: composiciones de catálogo y de estilo de vida ensambladas a partir de imágenes fijas independientes de producto y atrezzo: el tipo de bodegón plano que resulta engorroso montar físicamente.

Imágenes de referencia de entrada (producto + atrezzo + superficie):

Salida real (1080p, 4 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "Compón una escena publicitaria retail luminosa de verano: coloca las gafas de sol de carey de la imagen de referencia 1 abiertas sobre la cálida superficie de piedra travertino de la imagen de referencia 3, con las conchas y el coral seco de la imagen de referencia 2 dispuestos ordenadamente a su lado. Lento acercamiento cinematográfico, luz solar natural brillante que proyecta sombras suaves en movimiento, una brisa ligera, aspecto de anuncio de gafas premium, profundidad de campo reducida.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/sunglasses.jpg", "https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/seashells.jpg", "https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/travertine.jpg"],
    "duration": 4,
    "size": "1920*1080"
  }
}

Por qué funciona: tres imágenes fijas limpias y aisladas —cada sujeto sobre un fondo liso— dan al modelo piezas claras e inequívocas que ensamblar. El prompt especifica explícitamente la disposición espacial («sobre el travertino… a su lado») y nombra cada imagen por su índice exacto; cuando las referencias están desordenadas o solo dices «combina esto», la fusión se desvía. Aquí es también donde usas la gama 1080: a $0.18/segundo, una toma de 4 segundos cuesta unos $0.72, y como ya validaste que la composición funciona, el pago extra es solo por resolución. q3-ad acepta hasta 7 imágenes de referencia, así que tienes margen para añadir un segundo atrezzo o una tarjeta de logo a la misma escena.

La verdad sobre «Native Audio» (lectura obligatoria antes de publicar)

La página del modelo q3-ad lleva la etiqueta «Native Audio» y promociona los videos publicitarios «con montaje inteligente, movimiento de cámara y sonido». En la práctica, todos los clips que generamos para esta página devolvieron un mp4 solo de video, sin pista de audio: lo confirmamos con ffprobe, y los clips de ejemplo de este modelo incluidos en la plataforma también son mudos.

Así que, por ahora, trata q3-ad como un generador de video publicitario mudo: los cuatro clips anteriores necesitan música de fondo o voz añadidas en posproducción. Para la mayoría de anuncios de producto y sociales esto no es un obstáculo (probablemente ibas a añadir música con licencia de todos modos), pero sí significa que no deberías confiar en que el modelo genere una mezcla final, y no existe un campo reference_audio_urls para aportar voz. Si necesitas un presentador a cámara con voz y sincronización labial, ese es trabajo de Q4 Preview: consulta las recetas de referencia de voz de allí.

Reglas de prompt que realmente afectan a la salida

• Numera las imágenes de referencia. «La lata de la imagen de referencia 1… sobre la mesa de la imagen de referencia 2» vincula el sujeto al índice con mucha más fiabilidad que «la lata y la mesa».
• Asigna un rol a cada imagen fija en tomas con múltiples referencias —protagonista vs fondo vs superficie— y especifica la disposición espacial («sobre», «al lado de», «detrás de»).
• Escribe la cámara como un único movimiento continuo (rotación + acercamiento, entrada + elevación). q3-ad renderiza una sola toma; acumular cortes en un mismo prompt lo confunde.
• Di «exactamente on-model» con mascotas y personajes para empujar al modelo hacia la consistencia en lugar de la reinvención.
• Mantén limpias las imágenes fijas de referencia: un sujeto, fondo liso. Las referencias desordenadas son la causa número uno de desviación.
• Itera en un size de la gama 720 y finaliza en 1080p. El prompt es idéntico; solo cambia la tarifa por segundo.

Preguntas frecuentes

¿Puedo usar fotos de mi producto real? Sí: cualquier URL de imagen accesible públicamente sirve como referencia. Generamos las imágenes con gpt-image-2/text-to-image solo para que los ejemplos fueran reproducibles; una foto de producto alojada es en realidad más conveniente, porque el sujeto ya es exactamente lo que vendes.

¿Cuántas imágenes de referencia puedo pasar? De 1 a 7. Nueve falla con un error de maxItems; para la rotación principal basta con una.

¿Por qué mi petición devuelve 400 «additional properties not allowed»? Casi con total seguridad enviaste aspect_ratio, resolution o reference_audio_urls. q3-ad usa un único enumerado size y no admite entrada de audio: elimina esos campos.

¿Genera 4K? No. q3-ad llega como máximo a 1080p. Si necesitas 4K, usa Vidu Q4 Preview.

¿Cuánto puede durar el clip? De 3 a 15 segundos, en números enteros. Los montajes narrativos más largos se ensamblan mejor a partir de varias tomas cortas.

Empieza a generar

Consigue tu clave, copia cualquiera de las recetas anteriores, sustituye tus propias URL de producto y haz POST a /v1/tasks. Los detalles del modelo y los límites en vivo están en la página de vidu-q3-ad/reference-to-video, el flujo de llamadas paso a paso en la guía de inicio rápido, y puedes explorar el resto de la línea de productos de video en el catálogo de modelos. Valida el prompt primero en 720p y luego vuelve a ejecutar tu favorito en 1080p: ese es todo el flujo de trabajo.