Vidu

Vidu Q4 Preview

vidu-q4-preview/reference-to-video

Primera versión preliminar pública de la serie Vidu Q4, centrada en la actuación de personajes y el audio nativo, compatible con hasta 15 imágenes y 3 referencias de audio como guía, con salida de vídeo de hasta 4K

vidu-q4-preview/image-to-video vidu-q4-preview/reference-to-video

Probar vidu-q4-preview/reference-to-video

Entrada

Creaciones

Ver todas las creaciones

Salida

video

Rellena los parámetros y genera: los resultados aparecerán aquí.

Vidu Q4 Preview 参考生视频：角色一致性与原生音频演示

Estilo Consistencia de personaje · Audio nativo · Escena de conversación

Entradas de referencia

reference_audio_urls
reference_image_urls
reference_image_urls

Prompt

La imagen de referencia 1 define al protagonista: una mujer joven con una chaqueta de campaña de color verde oliva desgastada, pelo corto oscuro y una pequeña cicatriz sobre la ceja izquierda. La imagen de referencia 2 define a su antagonista: un hombre alto con un abrigo gris carbón, cabeza rapada y hombros empapados por la lluvia. El audio de referencia 1 proporciona la voz de la protagonista.

Plano: al atardecer, un paso subterráneo de hormigón mojado por la lluvia, lámparas de sodio que parpadean de forma intermitente, charcos poco profundos que reflejan una luz naranja cálida. La escena comienza en plano medio, con un ligero contrapicado; la mujer de la imagen de referencia 1 avanza desde la sombra, respirando agitada, con la mirada fija fuera de campo. Dice con la voz del audio de referencia 1, en tono bajo y contenido: «No deberías haber vuelto». El hombre de la imagen de referencia 2 gira lentamente la cabeza, el abrigo se balancea y responde sin subir el volumen. La cámara se acerca despacio hasta un primer plano de su rostro; ella sostiene su mirada, con la mandíbula tensa, y parpadea una vez; la lluvia cruza el primer plano y pequeñas partículas flotan en la luz. La cámara se mantiene en mano pero estable, sin cortes, un único movimiento continuo, desenfoque de movimiento natural, estética cinematográfica de 35 mm con grano fino de película.

Audio: diálogo sincronizado, sonido ambiente de lluvia, el murmullo lejano del tráfico, pasos sobre hormigón mojado y un débil ruido metálico en el momento del cambio de plano.

Copia el prompt completo y adáptalo a tu propia generación.

Etiquetas

Precios

vidu-q4-preview/reference-to-video per second

Especificaciones	Precio unitario
540P	$0.0515
720P	$0.109
1080P	$0.1375
2K	$0.2175
4K	$0.446

Descripción general

La línea de generación de video por referencia de Vidu Q4 Preview está orientada a desarrolladores que necesitan mantener la coherencia de personajes, escenarios y voz en el metraje final. Sube de 1 a 15 imágenes de referencia (personajes, escenarios u objetos) y hasta 3 referencias de audio; junto con un prompt de texto, se genera un video de 3 a 16 segundos, con resolución seleccionable de 540p a 4K y, por defecto, audio nativo sincronizado con la imagen. Es adecuado para contenido corto en serie, fragmentos de diálogo entre personajes y previsualizaciones de planos que requieren comparar varias propuestas.

Aspectos destacados

Coherencia de personajes y escenarios con múltiples imágenes de referencia: en una sola generación se pueden usar hasta 15 imágenes de referencia para restringir personajes, escenarios y objetos, citándolas en orden dentro del prompt, lo que reduce la deriva de apariencia entre planos.
Generación de doblaje guiada por referencias de audio: se pueden adjuntar hasta 3 muestras de voz MP3 de 3 a 12 segundos como referencia de timbre, lo que hace que los diálogos generados se ajusten más a la voz indicada.
Audio nativo incluido por defecto: de forma predeterminada se generan diálogos y efectos de sonido sincronizados con el video; también se puede desactivar para obtener material sin sonido y ahorrarse el posprocesamiento de separar pistas.
Duración, relación de aspecto y resolución ajustables: duración de 3 a 16 segundos, cinco relaciones de aspecto y cinco niveles de resolución de 540p a 4K; una misma línea cubre necesidades de formato horizontal y vertical, así como distintas calidades.

Capacidades

Generación condicionada por imágenes de referencia: se introducen de 1 a 15 imágenes JPG, PNG o WEBP y se citan en orden dentro del prompt para fijar la apariencia de los personajes, el escenario y los objetos clave; es adecuado para varios videos que deben mantener la misma imagen.

Doblaje con referencia de timbre: se adjuntan hasta 3 referencias de voz MP3 de 3 a 12 segundos y, junto con el prompt, se especifica el interlocutor, de modo que los diálogos de los personajes incorporan las características del timbre objetivo.

Interruptor de audio sincronizado: el parámetro audio está activado de forma predeterminada y genera metraje con diálogos y efectos de sonido; al desactivarlo se obtiene un video solo de imagen, lo que facilita el doblaje y la música posteriores.

Especificaciones de salida personalizables: admite cinco relaciones de aspecto (16:9, 9:16, 1:1, 4:3 y 3:4) y resoluciones de 540p a 4K, y produce directamente metraje adaptado a distintas ubicaciones de publicación.

Descripciones con prompts largos: el prompt admite hasta 20000 caracteres, suficiente para descripciones estructuradas como el reparto de varios personajes, el movimiento de cámara y las líneas de diálogo.

Casos de uso

Creadores de contenido corto en serie: generar por lotes varios cortos con el mismo conjunto de imágenes de referencia de personajes y escenarios, manteniendo una apariencia uniforme de los personajes y usándolos directamente en actualizaciones de redes sociales o fragmentos de series.
Producción de fragmentos dramáticos con diálogo: proporcionar imágenes de referencia de personajes y muestras de timbre, y escribir los diálogos para producir cortos con diálogo sincronizado, utilizables como previsualización de storyboard o material final.
Comparación de propuestas para anuncios y cortos de marca: cambiar las imágenes de referencia y los prompts para probar rápidamente versiones con distintos ángulos de cámara y formas de apertura, de modo que el equipo seleccione la dirección antes del rodaje formal.
Adaptación de material para publicación multiplataforma: generar una versión con cada relación de aspecto y resolución para cubrir necesidades de material horizontal, vertical y de entrega en alta definición.

Limitaciones y recomendaciones de selección

La duración máxima por generación es de 16 segundos; las narrativas más largas requieren generación por segmentos y posterior unión. El material de referencia está limitado a un máximo de 15 imágenes y 3 audios; las referencias de audio solo admiten MP3 y cada una debe durar de 3 a 12 segundos. Al ser una versión preliminar, las capacidades y los parámetros pueden cambiar en el futuro, por lo que no es aconsejable usarla en flujos de producción masiva que exijan una estabilidad de salida muy alta. Si solo se necesita que una única imagen de primer fotograma impulse la imagen, se puede elegir la línea de primer fotograma de la misma serie; si se requieren planos continuos más largos, conviene evaluar el coste de posproducción de unir segmentos.

Preguntas frecuentes

Ver todas las preguntas →

¿Se puede configurar la relación de aspecto al generar vídeo a partir de una imagen?

No. La relación de aspecto del vídeo final sigue completamente a la imagen del primer fotograma: si subes una imagen horizontal, se genera en horizontal; si subes una imagen vertical, se genera en vertical. Por lo tanto, si quieres un formato vertical 9:16, prepara un primer fotograma en versión vertical. La relación de aspecto del primer fotograma debe estar entre 1:4 y 4:1; las imágenes demasiado alargadas se rechazarán al enviarlas.
¿Para qué sirve el interruptor de audio?

El audio nativo está activado por defecto y genera diálogos, sonido ambiente y efectos de sonido sincronizados con la imagen; al desactivarlo, se produce un video sin sonido, solo con la imagen, ideal para fondos en bucle, añadir tu propia música en la posproducción o agregar subtítulos. El interruptor no afecta el precio.
¿Cuál es la relación entre la duración y el precio?

Se factura multiplicando la duración en segundos enteros enviada por el precio unitario por segundo de la resolución seleccionada; el interruptor de audio y la cantidad de imágenes no participan en el cálculo. A mayor resolución, mayor es el precio unitario por segundo: la categoría 4K es aproximadamente 8.7 veces la categoría 540p. El importe exacto se rige por la página de precios.
¿Para qué escenarios es adecuada cada una de las cinco resoluciones?

540p se usa para probar prompts y encuadres, y también basta para fondos en bucle de tamaño pequeño; 720p cubre la mayoría de redes sociales y web; 1080p se usa para publicaciones habituales; 2K es adecuada para pantallas grandes y presentaciones en televisión; 4K se usa para exposiciones, imágenes de nivel cinematográfico o planos que necesitan recorte en posproducción para una segunda composición. Antes de la versión final, prueba primero con la resolución baja; una vez definida, exporta con la alta.

Crear una tarea de generación

POST https://api.hiapi.ai/v1/tasks

Encabezados

AuthorizationstringObligatorio

Clave API de la cuenta. Obligatoria en cada solicitud. Ejemplo: Bearer YOUR_HIAPI_API_KEY. Obtener clave API

Content-TypestringOpcional

El cuerpo de la solicitud siempre se analiza como JSON; si se envía, solo se acepta application/json (charset opcional) — cualquier otro valor devuelve 415. Ejemplo: application/json.

Idempotency-KeystringOpcional

Clave de idempotencia, hasta 255 bytes. Los reintentos con la misma clave de la misma cuenta crean la tarea una sola vez; las repeticiones devuelven el taskId original.

Clave de idempotencia

Ante timeouts de red o reintentos automáticos del cliente, la misma clave crea la tarea una sola vez, sin doble cobro (alcance = la cuenta de la clave API). Usa un identificador de negocio único (p. ej. "order-42"); las repeticiones devuelven el taskId original y las claves caducan 24 h después de la primera solicitud. La matriz completa de escenarios está en la introducción de la API asíncrona unificada.

Cuerpo

modelstringObligatorio

Valor fijo actual: vidu-q4-preview/reference-to-video

routestringOpcional

Valor fijo actual: default

inputobjectObligatorio

Objeto de parámetros de negocio para vidu-q4-preview/reference-to-video y la ruta default; consulta la tabla de parámetros a continuación.

audiobooleanOpcionalPredeterminado: true

Indica si se genera audio nativo sincronizado con el vídeo (diálogos y efectos de sonido); valor booleano, por defecto true; si se establece en false, se genera un vídeo sin sonido.

promptstringObligatoriominLength 1maxLength 20000

Prompt del contenido del vídeo; se puede hacer referencia a los materiales de referencia mediante su número de orden (p. ej., «el hombre de la imagen de referencia 2 habla con el audio de referencia 1»); cadena de texto de hasta 20000 caracteres.

durationintegerOpcionalPredeterminado: 5min 3max 16

Duración del vídeo (en segundos); entero entre 3 y 16, por defecto 5.

resolutionstringOpcionalPredeterminado: "720p"

Resolución del vídeo de salida; cadena de texto, por defecto 720p.

Opciones:540p720p1080p2k4k

aspect_ratiostringOpcionalPredeterminado: "16:9"

Relación de aspecto del vídeo de salida; cadena de texto, por defecto 16:9.

Opciones:16:99:161:14:33:4

reference_audio_urlsarrayOpcionalmaxItems 3

Array opcional de URL de audios de referencia, hasta 3 fragmentos, que se usan como referencia de timbre de voz; cada fragmento solo admite MP3, no supera los 50MB y dura entre 3 y 12 segundos.

Array [ string ]

reference_image_urlsarrayObligatoriominItems 1maxItems 15

Array de URL de imágenes de referencia, con 1-15 imágenes para mantener la coherencia de personajes, escenarios y objetos; cada imagen admite JPG, JPEG, PNG o WEBP, no supera los 50MB, tiene al menos 128×128 píxeles y una relación de aspecto entre 1:4 y 4:1.

Array [ string ]

callbackobjectOpcional

Configuración de notificación de estado terminal. Si se omite, no hay callback: consulta la tarea por tu cuenta.

Callbacks (Webhook)

Indica callback.url al crear y HiAPI hará POST a tu servicio en el estado terminal, sin necesidad de sondeo. El cuerpo del callback replica la estructura del detalle de la tarea; firma, reintentos e idempotencia se detallan en la introducción de la API asíncrona unificada.

urlstringObligatorio

Obligatorio si se incluye callback. Al estado terminal se envía un POST a esta URL; debe ser una URL http(s) válida.

whenstringOpcionalPredeterminado: "final"

Actualmente solo se admite final: notifica tanto en success como en fail.

Opciones:final

storagestringOpcionalPredeterminado: "temp"

Nivel de almacenamiento de artefactos: temp (por defecto, ~7 días) o persistent (largo plazo, facturado por tamaño). Saldo insuficiente o exceso de límite ⇒ degradación silenciosa a temp; el nivel efectivo se muestra en la respuesta del detalle.

Opciones:temppersistent

Ejemplos de solicitud

# Envía una tarea asíncrona; devuelve un taskId de inmediato (sin esperar la generación)
curl -X POST "https://api.hiapi.ai/v1/tasks" \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "audio": true,
    "prompt": "…",
    "duration": 5,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "reference_image_urls": "…"
  }
}'

const res = await fetch("https://api.hiapi.ai/v1/tasks", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.HIAPI_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({
    model: "vidu-q4-preview/reference-to-video",
    input: {
      "audio": true,
      "prompt": "…",
      "duration": 5,
      "resolution": "720p",
      "aspect_ratio": "16:9",
      "reference_image_urls": "…"
    }
  }),
});
const task = await res.json();
// { code: 200, message: "success", data: { taskId } }

import os, requests

res = requests.post(
    "https://api.hiapi.ai/v1/tasks",
    headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
    json={
        "model": "vidu-q4-preview/reference-to-video",
        "input": {
          "audio": True,
          "prompt": "…",
          "duration": 5,
          "resolution": "720p",
          "aspect_ratio": "16:9",
          "reference_image_urls": "…"
        }
    },
)
print(res.json())  # { code, message, data: { taskId } }

200 OK

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-01HZTQ8BX2N3GM3YFK4Z9D7VQR"
  }
}

400 Bad Request

{
  "code": 400,
  "message": "invalid request",
  "data": null,
  "error_code": "INVALID_REQUEST"
}

Obtener el detalle de la tarea

GET https://api.hiapi.ai/v1/tasks/:id

Campos de respuesta

taskIdstringObligatorio

ID de tarea, siempre con prefijo tk-hiapi-.

modelstringObligatorio

Nombre completo resuelto del modelo. Las tareas enviadas con el parámetro route devuelven base@route (p. ej. gpt-image-2/text-to-image@ext); si no, coincide con el nombre enviado.

routestringOpcional

Solo aparece si se usó el parámetro route explícito; repite el valor enviado.

statusstringObligatorio

Estado de la tarea.

Valores de estado

queued En cola, sin iniciar. handling Procesando. archiving Proceso terminado, preparando artefactos. success Terminal: completado, artefactos disponibles (se devuelve output). fail Terminal: error (se devuelve error). Tras el envío, guíate por status: success y fail son terminales; el resto, no. Sondea cada 1–3 s hasta el estado terminal. Con éxito, descarga los artefactos desde output[].url y transfiérelos antes de expireAt; para retención larga usa storage: "persistent" al crear.

creatednumberObligatorio

Hora de creación de la tarea (segundos Unix).

completednumberObligatorio

Segundos Unix al alcanzar estado terminal; 0 mientras no sea terminal.

outputarrayOpcional

Solo con status == success. Lista de artefactos — siempre un array; una tarea puede devolver varios types a la vez (p. ej. video + first_frame).

Array [ object ]

Elementos del array

urlstringObligatorio

URL del artefacto, descargable directamente.

typestringObligatorio

Valores posibles actuales: video, image, audio, first_frame, last_frame, thumbnail; podrían ampliarse más adelante.

expireAtnumberObligatorio

Segundos Unix hasta los que el artefacto es accesible; descárgalo o transfiérelo antes.

errorobjectOpcional

Solo con status == fail.

codestringObligatorio

Código de error de negocio.

messagestringObligatorio

Descripción del error.

Ejemplos de respuesta

Éxito

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-01HZTQ8BX2N3GM3YFK4Z9D7VQR",
    "model": "happyhorse-1-0",
    "status": "success",
    "created": 1777282033,
    "completed": 1777282099,
    "output": [
      {
        "url": "https://cdn.hiapi.ai/tasks/.../video.mp4",
        "type": "video",
        "expireAt": 1777886899
      }
    ]
  }
}

En proceso (no terminal)

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-...",
    "model": "happyhorse-1-0",
    "status": "archiving",
    "created": 1777282033,
    "completed": 0
  }
}

Fallido

{
  "code": 200,
  "message": "success",
  "data": {
    "taskId": "tk-hiapi-...",
    "model": "happyhorse-1-0",
    "status": "fail",
    "created": 1777282033,
    "completed": 1777282099,
    "error": {
      "code": "TASK_FAILED",
      "message": "task failed"
    }
  }
}