Recetas de prompts de imagen a vídeo de Vidu Q4 Preview: prompts listos para copiar y pegar y salidas reales en 4K

Vidu Q4 Preview (vidu-q4-preview/image-to-video) hace una sola cosa: toma una única imagen estática como primer fotograma, la anima en un clip de 3–16 segundos, admite verdadero 4K y trae sonido incorporado. Este artículo es un recetario práctico de prompts de imagen a vídeo para vidu-q4-preview: tres recetas listas para copiar y pegar que cubren los recursos que realmente vas a usar: un dolly-in cinematográfico lento, una órbita de producto y una toma de acción vertical para vídeo corto.

Cada clip a continuación es una salida real generada con el prompt exacto que aparece justo al lado —sin seleccionar entre varias ejecuciones— y cada precio se verificó contra la página de precios en vivo antes de publicar. Si necesitas varias imágenes de referencia, o que un sonido específico se mantenga coherente entre tomas, ese es otro endpoint —referencia a vídeo—, no este.

Repaso del schema en 30 segundos

Vidu i2v se ejecuta en el endpoint de tareas asíncronas de hiapi (POST /v1/tasks), y el schema de entrada se mantiene deliberadamente pequeño y estricto:

Campo	Obligatorio	Descripción
prompt	Sí	Describe movimiento y cámara, no la escena — la imagen ya es la escena
image_url	Sí	Una URL de acceso público (singular — no image_urls); actúa como primer fotograma
resolution	No	Uno de 540p, 720p, 1080p, 2k, 4k
duration	No	Segundos enteros, 3–16 (entero, no cadena)

Hay dos comportamientos que conviene recordar, porque ambos son fáciles de equivocar:

• No hay campo aspect_ratio. Pasarlo devuelve 400 additional properties 'aspect_ratio' not allowed. El clip hereda la forma del primer fotograma, así que un fotograma fijo 16:9 da un clip 16:9 y un fotograma fijo 9:16 da un clip vertical. Controlas la relación de aspecto eligiendo (o recortando) la imagen, no mediante el prompt.
• reference_image_urls también se rechaza. Ese campo pertenece a referencia a vídeo. Imagen a vídeo acepta estrictamente un solo primer fotograma.

El precio se factura por segundo y por resolución — la duración es un multiplicador:

Resolución	Precio / segundo	Clip de 5 segundos
540p	$0.0515	$0.26
720p	$0.109	$0.55
1080p	$0.1375	$0.69
2K	$0.2175	$1.09
4K	$0.446	$2.23

Como el costo crece con los segundos, la resolución es en la práctica una perilla de presupuesto. Mantén los borradores en 540p/720p y luego vuelve a renderizar en 1080p o 4K la versión que te convenza. (Las cifras completas y actualizadas están siempre en la página de precios.)

La fórmula del prompt de i2v

La imagen a vídeo invierte el modelo mental habitual: la imagen es la escena, así que el prompt es solo movimiento y cámara. No vuelvas a describir lo que ya está en el encuadre — estarás peleando contra el modelo. La estructura fiable:

[describe qué se mueve, en orden] → [una instrucción de cámara] → [el ambiente sonoro que quieres] → [una cláusula de «sin cortes / toma ininterrumpida»]

Los dos últimos puntos importan más en la mayoría de los modelos i2v. Vidu renderiza audio de forma nativa — cada clip a continuación devolvió una pista de audio que encajaba, aunque no pasé ninguna referencia de audio — así que si mencionas viento, chisporroteo o pasos, a menudo los obtendrás. Y especificar un único movimiento de cámara claro («dolly-in lento», «media órbita») mantiene la toma coherente; apila tres movimientos que compiten y obtendrás un desastre.

Receta 1 — Dolly-in cinematográfico en 4K con audio nativo

El recurso insignia: empieza con un fotograma fijo tranquilo y deja que la cámara avance lentamente mientras pequeños elementos se mueven. Esta es la receta que merece el nivel 4K.

Primer fotograma (una imagen fija generada aparte y luego pasada como image_url):

Prompt de movimiento:

The camera slowly pushes in toward the glowing cabin window as snowflakes drift
down and the warm lamplight gently flickers; the thin chimney smoke curls and
rises into the dusk air. Soft ambient wind with a faint, cozy crackle of a fire
inside. Calm, unbroken cinematic shot, no cuts.

Salida real (resolution: "4k", duration: 4):

Lo que devolvió: un clip real de 3840×2160, 4 segundos, con una pista AAC de viento suave y un chisporroteo tenue —generada únicamente a partir de la descripción de sonido del prompt. Costo: 4 s × $0.446 = $1.78.

Desglose:

• Un solo verbo de cámara. «Dolly-in lento» es toda la dirección de cámara. El dolly-in le da a la cabaña estática una sensación de «llegada» sin ningún corte.
• El movimiento secundario la hace cobrar vida. La nieve que cae, la luz que parpadea y el humo que se riza son movimientos pequeños y físicamente plausibles — justo lo que hace bien la i2v. Se leen como «la foto cobró vida», que es el efecto que buscas.
• El sonido se describe, no se sube. «Viento ambiental suave… un chisporroteo tenue y acogedor» es suficiente; la pista nativa se ajusta. Para clips ambientales sin diálogo, es todo lo que necesitas.
• Reserva el 4K para lo que te convenza. A $0.446/s, es el nivel más caro, muy por encima del resto. Prototipa este prompt exacto en 720p ($0.44 también para 4 s) y gasta en el render 4K solo cuando el movimiento se vea correcto.

Receta 2 — Órbita de producto fluida en 1080p

La órbita es el as de la i2v en comercio electrónico y gastronomía: un arco limpio alrededor del objeto protagonista que hace brillar los materiales de la superficie. 1080p es el punto dulce — lo bastante nítido para vender, a una fracción del costo del 4K.

Primer fotograma:

Prompt de movimiento:

The camera smoothly orbits a slow half-circle around the burger while thin steam
keeps rising and the melted cheddar glistens as the warm light sweeps across it;
subtle reflections travel over the dark slate. Ambient kitchen room tone with a
faint sizzle. Locked focus on the burger, no cuts.

Salida real (resolution: "1080p", duration: 5):

Lo que devolvió: un clip de 1920×1080, 5 segundos, con un ambiente de cocina silencioso. Costo: 5 s × $0.1375 = $0.69.

Desglose:

• «Media vuelta», no «girar». Limitar el alcance de la órbita («una media vuelta lenta») mantiene el sujeto centrado y el movimiento legible. «Girar en círculos» sin límite suele moverse de más y perder el producto.
• Haz que la luz también se mueva, no solo la cámara. «La luz cálida barre… los reflejos recorren la pizarra» le da a la órbita algo que revelar, así el clip se siente tridimensional en lugar de como un plato giratorio.
• Nombra los materiales que quieres animar. «Vapor fino», «el cheddar fundido brilla» — mencionar las propiedades físicas es lo que produce el vapor que sube y los brillos especulares. Las superficies no mencionadas suelen quedarse planas.
• «Enfoque fijo en la hamburguesa» es una forma barata de evitar que el modelo se distraiga con el fondo.

Receta 3 — Acción vertical en 720p para vídeo corto

Para Reels/TikTok/Shorts necesitas 9:16, un movimiento corporal de un solo pulso y un costo lo bastante bajo para iterar. Como la i2v no tiene campo de relación de aspecto, la forma vertical proviene por completo del primer fotograma vertical — la demostración más clara de esa regla.

Primer fotograma (una imagen fija 9:16):

Prompt de movimiento:

The dancer breaks from the frozen pose into one smooth spin and settles back into
a confident stance on the beat; a light handheld camera sway follows the motion as
dust motes swirl through the golden backlight. Ambient city-street tone with soft
footsteps and distant traffic.

Salida real (resolution: "720p", duration: 6):

Lo que devolvió: un clip vertical de 720×1280, 6 segundos, con una pista de ambiente callejero. Fíjate en lo que hace 720p aquí — fija el lado corto en 720 y conserva la forma 9:16 del primer fotograma. Costo: 6 s × $0.109 = $0.65.

Desglose:

• Un movimiento de un pulso. «Estalla desde la pose, hace un giro fluido y se asienta» es una acción completa y acotada. Los prompts vagos de «bailar» derivan; el arco de inicio-movimiento-final funciona.
• El balanceo de cámara en mano vende la sensación de «grabado con móvil». Un ligero seguimiento añade vida sin el mareo de un gran movimiento de cámara — perfecto para vídeo corto.
• La relación de aspecto es responsabilidad del fotograma. Aquí no hay campo que configurar; el resultado vertical viene directamente de la imagen fija vertical de entrada. ¿Quieres cuadrado? Introduce una imagen 1:1. ¿Quieres panorámico? Introduce 16:9.

Reproduce cualquier receta con /v1/tasks

Las tres llamadas son iguales — solo cambian image_url, resolution y duration. Envía, luego consulta el taskId devuelto hasta que status sea success, y lee output[0].url.

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vidu-q4-preview/image-to-video",
    "input": {
      "prompt": "The camera slowly pushes in toward the glowing cabin window as snowflakes drift down...",
      "image_url": "https://your-cdn.example.com/first-frame.jpg",
      "resolution": "4k",
      "duration": 4
    }
  }'

import os, time, requests

BASE = "https://api.hiapi.ai/v1/tasks"
headers = {"Authorization": f"Bearer {os.environ['HIAPI_KEY']}"}

payload = {
    "model": "vidu-q4-preview/image-to-video",
    "input": {
        "prompt": "The camera smoothly orbits a slow half-circle around the burger...",
        "image_url": "https://your-cdn.example.com/burger.jpg",
        "resolution": "1080p",
        "duration": 5,
    },
}

task_id = requests.post(BASE, json=payload, headers=headers).json()["data"]["taskId"]

while True:
    task = requests.get(f"{BASE}/{task_id}", headers=headers).json()["data"]
    if task["status"] == "success":
        print(task["output"][0]["url"])   # expiring link — download it immediately
        break
    if task["status"] == "fail":
        raise RuntimeError(task.get("error"))
    time.sleep(8)

Hay dos trampas que conviene conocer antes de llamar:

• duration es un entero, no una cadena — 4, no "4". (Si has usado otros modelos de vídeo en esta plataforma que aceptan "6", este es justo al revés.) Un valor mayor que 16 devuelve 400 duration: maximum: got N, want 16.
• La URL de salida caduca. output[0].url es un enlace temporal; descarga los bytes de inmediato y muévelos a tu propio almacenamiento, en lugar de enlazarlo en caliente.

Ajustar resolución, duración y relación de aspecto

Algunos comportamientos verificados que ahorran dinero y evitan sorpresas:

• La resolución fija el lado corto, la relación de aspecto sigue al fotograma. 720p sobre la imagen fija 9:16 de arriba da 720×1280. El número es calidad, no forma.
• El 4K se entrega en HEVC (H.265). El render 4K vuelve como .mp4 HEVC; mayor calidad pero más pesado, y algunos navegadores no pueden reproducir HEVC en línea. Para incrustar en la web, recodificamos el clip de arriba a H.264 — los píxeles son del modelo, solo un contenedor más amigable. Si vas a entregar a la web abierta, planifica un paso de transcodificación para el 4K.
• El audio es gratis y automático. Cada clip trae pista de audio sin ninguna referencia de audio, impulsada por las palabras del prompt. Si quieres silencio, no describas sonido.
• La duración es costo lineal. Un clip 4K de 4 segundos ($1.78) cuesta más que un clip 540p de 16 segundos ($0.82). Haz que el nivel coincida con el entregable, no al revés.

Para profundizar en las dos palancas de las que depende este modelo, hiapi tiene artículos dedicados: movimientos de cámara cinematográficos en prompts de vídeo con IA y control de primer y último fotograma — ambos se aplican directamente a las recetas de arriba.

Preguntas frecuentes

¿La imagen a vídeo de vidu-q4-preview admite realmente 4K? Sí. La receta de dolly-in de arriba se renderizó con resolution: "4k" y el archivo es un clip real de 3840×2160. Es el nivel más caro, $0.446/s, así que úsalo para la versión final, no para borradores.

¿Cómo se configura la relación de aspecto? No se configura — no hay campo aspect_ratio, y pasarlo devuelve 400. El clip adopta la forma del primer fotograma: entra 16:9, sale 16:9; entra 9:16, sale vertical. Recorta la imagen fija a la relación de aspecto que quieras.

¿Añade sonido por sí solo? Sí. Cada salida trae pista de audio, incluso si no pasas referencia de audio. Las descripciones de sonido en el prompt (viento, chisporroteo, pasos) moldean lo que obtienes. Para clips silenciosos, simplemente no menciones sonido.

¿Cuál es la diferencia entre imagen a vídeo y referencia a vídeo? Imagen a vídeo anima un primer fotograma — se centra en el movimiento. Referencia a vídeo acepta 1–15 imágenes de referencia (y opcionalmente referencias de sonido) para mantener coherentes el personaje, la escena y el sonido entre tomas. Si empiezas desde una sola imagen, necesitas el endpoint de esta página; para trabajo de coherencia, consulta referencia a vídeo.

¿Cuánto cuesta un clip? Segundos × tu tarifa por segundo según resolución. Los tres clips de aquí costaron $1.78 (4K, 4 s), $0.69 (1080p, 5 s) y $0.65 (720p, 6 s) respectivamente. Las tarifas actuales están en la página de precios.

¿Qué constituye un buen primer fotograma? Una imagen fija limpia, bien compuesta y con «energía potencial» evidente — algo que claramente quiere moverse (humo, agua, una figura a punto de arrancar, una fuente de luz). Cuanto más claro y menos desordenado sea el fotograma, más limpio será el movimiento.

Empieza a animar tus imágenes fijas

Elige una imagen fija con algo que quiera moverse, escribe el movimiento en orden, especifica un movimiento de cámara y el sonido que quieres, y empieza a ajustar desde 720p. Cuando el movimiento se vea correcto, vuelve a renderizar en 1080p o 4K la versión que te convenza.

Consigue tu clave y el schema de entrada completo en la página del modelo de imagen a vídeo de vidu-q4-preview, o empieza con el inicio rápido de la API de tareas y pega cualquiera de las recetas de arriba.