Vidu Q4 Preview 参考生视频：角色一致性与原生音频演示
Este artículo toma como base la estructura de entrada de referencia-a-vídeo (reference-to-video) de Vidu Q4 Preview y demuestra cómo usar unas pocas imágenes de referencia y una referencia de timbre de voz para restringir la apariencia y la voz de un personaje, y luego impulsar con un único prompt un plano corto con audio nativo. Composición: dos imágenes de referencia de personaje fijan respectivamente la apariencia y el vestuario del protagonista y del antagonista, y hasta tres referencias de audio se usan para fijar el timbre del protagonista (esta obra usa una referencia de timbre de diálogo en chino). El prompt se refiere al material en el orden «imagen de referencia 1 / imagen de referencia 2 / audio de referencia 1» según la convención del schema, y construye una breve escena de confrontación: la mirada y la emoción del protagonista avanzan, el antagonista reacciona de perfil, la cámara pasa de plano medio a primer plano, y el sonido ambiente y el diálogo se generan de forma sincronizada. A nivel de parámetros: duration se fija en 10 segundos, resolution en 1080p, aspect_ratio en 16:9 y audio permanece activado por defecto. Cabe señalar que este modelo es una versión Preview y las capacidades oficiales seguirán iterándose; el límite por generación es de 16 segundos, por lo que los planos largos deben ensamblarse por segmentos; se admiten hasta 15 imágenes de referencia y hasta 3 audios, y las referencias de audio deben ser MP3 de 3 a 12 segundos. Casos de uso: contenido corto seriado que requiere coherencia de apariencia y voz del personaje entre planos, previsualización de fragmentos de ficción, comparación de múltiples propuestas (basta sustituir las imágenes de referencia o el prompt para comparar diferencias de interpretación y de encuadre), y pruebas de bajo coste de planos para creadores independientes y pequeños estudios.
Estilo Consistencia de personaje · Audio nativo · Escena de conversación
Modelo Vidu Q4 Preview
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