Recettes de prompts image-to-video pour Vidu Q4 Preview : prompts copiables et sorties 4K réelles

Vidu Q4 Preview (vidu-q4-preview/image-to-video) ne fait qu'une chose : il prend une seule image statique comme première frame, l'anime en un clip de 3 à 16 secondes, jusqu'à une vraie 4K, avec le son intégré. Cet article est un livre de recettes de prompts image-to-video pour vidu-q4-preview — trois recettes copiables qui couvrent les techniques que vous utiliserez réellement : un travelling cinématographique lent, une orbite produit et un plan d'action vertical court.

Chaque extrait ci-dessous est la sortie réelle générée en une seule passe à partir du prompt exact qui le précède — sans sélection sur plusieurs exécutions — et chaque prix a été vérifié par rapport à la page de tarification en direct avant publication. Si vous avez besoin de plusieurs images de référence, ou qu'un son spécifique reste cohérent entre plusieurs plans, c'est un autre endpoint — reference-to-video — pas celui-ci.

Rappel du schéma en 30 secondes

Vidu i2v tourne sur l'endpoint de tâches asynchrones de hiapi (POST /v1/tasks), et le schéma d'entrée est volontairement petit et strict :

Champ	Obligatoire	Description
prompt	Oui	Décrit le mouvement et la caméra, pas la scène — l'image est déjà la scène
image_url	Oui	Une URL accessible publiquement (au singulier — pas image_urls) ; sert de première frame
resolution	Non	L'une des valeurs 540p, 720p, 1080p, 2k, 4k
duration	Non	Secondes entières, 3–16 (entier, pas chaîne)

Deux comportements à garder en tête, car tous deux sont faciles à rater :

• Pas de champ aspect_ratio. Le transmettre renvoie 400 additional properties 'aspect_ratio' not allowed. Le clip hérite de la forme de la première frame, donc une image fixe 16:9 donne un clip 16:9, et une image fixe 9:16 donne un clip vertical. Vous contrôlez le ratio en choisissant (ou en recadrant) l'image, pas via le prompt.
• reference_image_urls est également rejeté. Ce champ appartient à reference-to-video. Image-to-video n'accepte strictement qu'une seule première frame.

La tarification est à la seconde, selon la résolution — la durée est un multiplicateur :

Résolution	Prix / seconde	Clip de 5 secondes
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 $

Comme le coût augmente avec les secondes, la résolution est en pratique un bouton de budget. Restez en 540p/720p pour les brouillons, puis re-rendez en 1080p ou 4K la version qui vous convient. (Les chiffres complets et à jour se trouvent toujours sur la page de tarification.)

La formule du prompt i2v

L'image-to-video inverse le modèle mental habituel : l'image est la scène, donc le prompt n'est que mouvement et caméra. Ne redécrivez pas ce qui est déjà dans le cadre — vous lutteriez contre le modèle. La structure fiable :

[décrire ce qui bouge, dans l'ordre] → [une instruction de caméra] → [l'ambiance sonore souhaitée] → [une clause « sans coupe / plan continu »]

Les deux derniers points comptent davantage sur la plupart des modèles i2v. Vidu rend l'audio nativement — chaque extrait ci-dessous a renvoyé une piste correspondante, même si je n'ai transmis aucune référence audio — donc si vous mentionnez le vent, un grésillement ou des pas, vous les obtenez souvent. Et spécifier un mouvement de caméra unique et clair (« travelling avant lent », « demi-orbite ») garde le plan cohérent ; empilez trois mouvements concurrents et vous obtenez de la bouillie.

Recette 1 — Travelling cinématographique 4K avec audio natif

La technique phare : partir d'une image d'ambiance calme, laisser la caméra avancer lentement pendant que de petits objets bougent. C'est la recette qui justifie le palier 4K.

Première frame (une image fixe générée séparément, puis transmise comme image_url) :

Prompt de mouvement :

La caméra avance lentement vers la fenêtre éclairée du chalet tandis que des flocons de neige tombent et que la lumière chaude de la lampe vacille doucement ; la mince fumée de la cheminée s'enroule et monte dans l'air du crépuscule. Vent ambiant doux avec un léger crépitement de feu cosy à l'intérieur. Plan cinématographique calme et ininterrompu, sans coupes.

Sortie réelle (resolution: "4k", duration: 4) :

Résultat renvoyé : un vrai clip 3840×2160, de 4 secondes, avec une piste audio AAC de vent léger et de crépitements doux — générée uniquement à partir de la description sonore du prompt. Coût : 4 s × 0,446 $ = 1,78 $.

Décomposition :

• Un seul verbe de caméra. « avance lentement » suffit comme direction de caméra. Le travelling avant donne au chalet statique une sensation d'« arrivée », sans aucun montage.
• Le mouvement secondaire le rend vivant. La neige qui tombe, la lumière qui vacille et la fumée qui s'enroule sont de petits mouvements physiquement crédibles — exactement le point fort de l'i2v. Ils se lisent comme « la photo a pris vie », ce qui est l'effet souhaité.
• Le son est décrit, pas uploadé. « vent ambiant doux… léger crépitement cosy » suffit ; la piste native correspond. Pour un clip d'ambiance sans dialogue, c'est tout ce qu'il faut.
• Gardez la 4K pour la version finale. À 0,446 $/s, c'est le palier le plus cher, de loin. Prototypez ce prompt exact en 720p (0,44 $ pour 4 s également), et ne dépensez le rendu 4K qu'une fois le mouvement correct.

Recette 2 — Orbite produit fluide en 1080p

L'orbite est la spécialité i2v du e-commerce et de la food : un arc propre autour de l'objet principal, qui fait jouer les matières de surface. La 1080p est le point d'équilibre — assez nette pour vendre, à une fraction du coût de la 4K.

Première frame :

Prompt de mouvement :

La caméra décrit en douceur un lent demi-cercle autour du burger tandis qu'une fine vapeur continue de monter et que le cheddar fondu brille lorsque la lumière chaude le balaie ; de subtils reflets glissent sur l'ardoise sombre. Ambiance sonore de cuisine avec un léger grésillement. Mise au point verrouillée sur le burger, sans coupes.

Sortie réelle (resolution: "1080p", duration: 5) :

Résultat renvoyé : un clip 1920×1080, de 5 secondes, avec une ambiance de cuisine discrète. Coût : 5 s × 0,1375 $ = 0,69 $.

Décomposition :

• « demi-cercle », pas « rotation ». Borner l'orbite (« lent demi-cercle ») garde le sujet centré et le mouvement lisible. « Tourner en cercle » sans limite a tendance à trop déplacer et à perdre le produit.
• Faites bouger la lumière, pas seulement la caméra. « la lumière chaude balaie… les reflets glissent sur l'ardoise » donne à l'orbite quelque chose à révéler, si bien que le clip paraît tridimensionnel plutôt que comme un plateau tournant.
• Nommez les matières que vous voulez animer. « fine vapeur », « cheddar fondu qui brille » — nommer la physique donne la vapeur montante et les reflets spéculaires. Les surfaces non nommées restent souvent plates.
• « Mise au point verrouillée sur le burger » est un moyen simple d'empêcher le modèle de dériver vers l'arrière-plan.

Recette 3 — Action verticale courte en 720p

Pour Reels/TikTok/Shorts, il vous faut du 9:16, un mouvement corporel d'un seul temps, et un coût assez bas pour itérer. Comme l'i2v n'a pas de champ de ratio, la forme verticale vient entièrement de la première frame verticale — c'est la démonstration la plus claire de cette règle.

Première frame (une image fixe 9:16) :

Prompt de mouvement :

Le danseur sort de sa pose figée par une pirouette fluide et se stabilise dans une posture assurée sur le tempo ; une légère oscillation de caméra à la main suit le mouvement tandis que des particules de poussière tourbillonnent dans le contre-jour doré. Ambiance sonore de rue avec des pas légers et une circulation lointaine.

Sortie réelle (resolution: "720p", duration: 6) :

Résultat renvoyé : un clip vertical 720×1280, de 6 secondes, avec une piste d'ambiance de rue. Notez le rôle de 720p ici — il fixe le côté court à 720 et conserve la forme 9:16 de la première frame. Coût : 6 s × 0,109 $ = 0,65 $.

Décomposition :

• Un mouvement d'un seul temps. « sortir de la pose, faire une pirouette fluide, puis se stabiliser » est une action complète et bornée. Les prompts vagues du type « danser » dérivent ; l'arc départ-mouvement-arrêt fonctionne.
• Le tremblement à la main vend l'effet « filmé au téléphone ». Un léger suivi ajoute de la vie sans le vertige d'un grand mouvement de caméra — parfait pour le format court.
• Le ratio est la responsabilité de l'image. Aucun champ à définir ici ; le résultat vertical vient directement de l'image fixe verticale en entrée. Vous voulez du carré ? Entrez une image 1:1. Du grand écran ? Entrez du 16:9.

Reproduire n'importe quelle recette avec /v1/tasks

Les trois appels sont identiques — seuls image_url, resolution et duration changent. Soumettez, puis interrogez le taskId renvoyé jusqu'à ce que status vaille success, et lisez 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": "La caméra avance lentement vers la fenêtre éclairée du chalet tandis que des flocons de neige tombent...",
      "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": "La caméra décrit en douceur un lent demi-cercle autour du 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"])   # lien expirant — téléchargez-le immédiatement
        break
    if task["status"] == "fail":
        raise RuntimeError(task.get("error"))
    time.sleep(8)

Deux pièges à connaître avant d'appeler :

• duration est un entier, pas une chaîne — 4, pas "4". (Si vous avez utilisé d'autres modèles vidéo sur cette plateforme qui acceptent "6", c'est l'inverse ici.) Une valeur supérieure à 16 renvoie 400 duration: maximum: got N, want 16.
• Les URL de sortie expirent. output[0].url est un lien limité dans le temps ; téléchargez les octets immédiatement et déplacez-les vers votre propre stockage, plutôt que de faire du hotlinking.

Ajuster la résolution, la durée et le ratio

Quelques comportements vérifiés qui font économiser de l'argent et évitent les surprises :

• La résolution fixe le côté court, le ratio suit l'image. Le 720p sur l'image fixe 9:16 ci-dessus donne 720×1280. Le chiffre est la qualité, pas la forme.
• La 4K est livrée en HEVC (H.265). Un rendu 4K revient en .mp4 HEVC ; qualité supérieure mais fichier plus lourd, et certains navigateurs ne peuvent pas lire le HEVC en ligne. Pour l'intégration web, nous avons ré-encodé l'extrait ci-dessus en H.264 — les pixels sont ceux du modèle, seul le conteneur est plus compatible. Si vous livrez sur le web ouvert, prévoyez une étape de transcodage pour la 4K.
• L'audio est gratuit et automatique. Chaque clip embarque une piste audio, sans aucune référence audio, pilotée par les mots du prompt. Si vous voulez du silence, ne décrivez pas de son.
• La durée est un coût linéaire. Un clip 4K de 4 secondes (1,78 $) coûte plus cher qu'un clip 540p de 16 secondes (0,82 $). Faites correspondre le palier au livrable, pas l'inverse.

Pour approfondir les deux leviers dont dépend ce modèle, hiapi a des articles dédiés : mouvements de caméra cinématographiques dans les prompts vidéo IA et contrôle de la première et de la dernière frame — les deux s'appliquent directement aux recettes ci-dessus.

FAQ

Le image-to-video de vidu-q4-preview supporte-t-il vraiment la 4K ? Oui. La recette de travelling ci-dessus a été rendue avec resolution: "4k", et le fichier est un vrai clip 3840×2160. C'est le palier le plus cher, à 0,446 $/s, donc réservez-le aux versions finales, pas aux brouillons.

Comment définir le ratio ? Vous ne le définissez pas — il n'y a pas de champ aspect_ratio, et le transmettre renvoie une 400. Le clip adopte la forme de la première frame : 16:9 en entrée, 16:9 en sortie ; 9:16 en entrée, vertical en sortie. Recadrez l'image fixe au ratio souhaité.

Ajoute-t-il du son tout seul ? Oui. Chaque sortie embarque une piste audio, même sans référence audio transmise. Les descriptions sonores du prompt (vent, grésillement, pas) façonnent le résultat. Pour un clip muet, ne mentionnez simplement pas de son.

Quelle différence entre image-to-video et reference-to-video ? L'image-to-video anime une première frame — il se concentre sur le mouvement. Le reference-to-video accepte 1 à 15 images de référence (et éventuellement une référence audio) pour garder personnages, scènes et sons cohérents entre plans. Si vous partez d'une seule image, c'est l'endpoint de cette page qu'il vous faut ; pour le travail de cohérence, voir reference-to-video.

Combien coûte un clip ? Secondes × tarif par seconde de votre résolution. Les trois clips ici coûtent respectivement 1,78 $ (4K, 4 s), 0,69 $ (1080p, 5 s) et 0,65 $ (720p, 6 s). Les tarifs actuels sont sur la page de tarification.

Qu'est-ce qui fait une bonne première frame ? Une image fixe propre, bien composée, avec un « potentiel » évident — quelque chose qui veut clairement bouger (fumée, eau, personnage en mouvement, source lumineuse). Plus l'image est nette et peu encombrée, plus le mouvement est propre.

Commencez à animer vos images fixes

Choisissez une image fixe où quelque chose veut bouger, écrivez le mouvement dans l'ordre, spécifiez un mouvement de caméra et le son souhaité, puis commencez à ajuster en 720p. Quand le mouvement vous semble correct, re-rendez la version validée en 1080p ou 4K.

Obtenez votre clé et le schéma d'entrée complet sur la page du modèle vidu-q4-preview image-to-video, ou commencez par le guide de démarrage rapide de l'API Tasks et collez n'importe laquelle des recettes ci-dessus.