Vidu Q4 Preview référence-vers-vidéo : pour des vidéos courtes avec voix off et image de marque

La plupart des tutoriels « vidéo IA » pour le format court vous apprennent à produire un seul plan autonome et soigné. Une vidéo courte de marque exige exactement l'inverse : sur trois ou quatre plans consécutifs, la même mascotte, le même produit et la même voix off doivent traverser chaque image. C'est précisément là que vidu-q4-preview/reference-to-video entre en jeu : vous lui fournissez un petit jeu d'images de référence (et éventuellement un échantillon vocal), puis chaque rendu réutilise ce kit au lieu de relancer les dés de l'apparence à chaque fois.

Cet article est un compte rendu de workflow concret, pas une liste de prompts. J'ai réalisé de bout en bout une vidéo courte verticale d'environ 14 secondes — accroche, corps avec voix off, appel à l'action — en utilisant uniquement un kit de marque de deux images et un échantillon vocal, puis j'ai généré en lot, assemblé et exporté un livrable prêt pour un fil 9:16. Chaque clip, chaque coût et chaque champ ci-dessous provient de cette exécution réelle sur le modèle Vidu Q4 Preview référence-vers-vidéo de hiapi.

En bref

• Le kit de marque se verrouille une seule fois. reference_image_urls (1 à 15 images) maintient la cohérence de votre personnage et de votre produit ; reference_audio_urls (3 maximum) maintient la cohérence de la voix off. Chaque clip de la vidéo courte réutilise le même kit.
• Tournage vertical natif. aspect_ratio: "9:16" produit un vrai 1080×1920 (2160×3840 en 4K) — aucun recadrage en post-production.
• Master en 4K, livraison en 1080p. La sortie 4K est en 2160×3840 HEVC/H.265 ; réencodez-la en H.264 et réduisez à 1080×1920 pour la publication dans le fil. J'ai conservé l'accroche en 4K et utilisé le 1080p pour le corps et le CTA.
• Soumettez en lot, n'attendez pas passivement. Il s'agit d'une API de tâches asynchrones — soumettez les trois clips d'abord, puis interrogez. Le temps réel dépend du clip le plus lent, et non de la somme des trois.
• Budget à la seconde. 1080p coûte 0,1375 $/s, le 4K 0,446 $/s, facturé selon duration. Le coût vidéo de ma vidéo courte à trois clips est de 3,16 $.

Pourquoi le référence-vers-vidéo convient aux vidéos courtes avec voix off (et pas le image-vers-vidéo)

Une vidéo courte de type commercial a une structure fixe — une accroche qui empêche le scroll, un corps qui explique, un CTA qui déclenche la conversion. Si chaque segment est rendu séparément, le plus grand risque n'est pas la qualité du mouvement, mais la dérive : les proportions de la mascotte changent, la texture du produit change, la voix sonne comme celle d'une autre marque. Le référence-vers-vidéo s'attaque frontalement à ce problème :

• reference_image_urls est votre verrou visuel. Un portrait de personnage et une image fixe du produit deviennent le kit fixe des trois clips. Dans le prompt, vous les désignez par leur numéro (« le robot de l'image de référence 1 », « l'appareil de l'image de référence 2 »), pour que le modèle sache quel élément correspond à quoi.
• reference_audio_urls est votre verrou vocal. Passez un court échantillon vocal et réutilisez-le sur chaque clip avec voix off : la piste voix conserve le même timbre. (Vidu Q3 accepte aussi ce champ, donc la référence vocale n'est pas un avantage propre à Q4 — l'avantage de Q4 sur Q3 réside dans la sortie 4K et jusqu'à 15 images de référence.)
• 4K + 9:16 natif vous donne un master vertical net, que vous pouvez ensuite recadrer ou réutiliser autrement.

C'est là que se situe la frontière avec le image-vers-vidéo. Le modèle Vidu Q4 Preview image-vers-vidéo anime une seule image de départ — parfait pour un plan unique, mais incapable de maintenir simultanément la cohérence du personnage, du produit et de la voix sur une séquence multi-clips. C'est lorsque le livrable est une vidéo courte entière plutôt qu'un seul temps fort qu'il vous faut le référence-vers-vidéo.

Étape 1 — Construire le kit de marque une fois pour toutes

Toute la vidéo courte repose sur deux images de référence fixes et un segment vocal. J'ai généré les deux images fixes sur hiapi (n'importe quelle image studio propre et bien éclairée convient — le modèle lit les formes, les matières et les couleurs, donc un fond uni l'aide à isoler le sujet) :

Pour la voix, j'ai créé avec un modèle texte-vers-parole un échantillon de voix off d'environ 10 secondes, l'ai téléversé sur une URL publique, et ce fichier est devenu la référence vocale des clips avec voix off. Tout l'intérêt du kit est la réutilisation : ces trois URL d'actifs sont collées dans chaque requête concernée ci-dessous, et c'est précisément ce qui permet à la vidéo courte de rester cohérente, que vous rendiez trois ou trente clips.

Quelques règles de préparation importantes :

• Utilisez des fonds propres et uniformes pour les images de référence, afin que le sujet soit clairement identifiable.
• Hébergez chaque actif de référence (images et audio) sur une URL publique accessible avant de soumettre — l'API de tâches les récupère côté serveur.
• Déterminez à l'avance le format canonique de la marque ; pour une vidéo courte dans un fil, utilisez 9:16 pour chaque clip.

Étape 2 — L'accroche (rendu 4K, export 1080×1920)

Le plan d'ouverture n'a qu'une mission : qu'il y ait du mouvement dès la première image. Je l'ai rendu délibérément en 4K — non pas parce que le fil a besoin de 4K (ce n'est pas le cas), mais parce qu'un master 2160×3840 vous laisse de la marge pour un zoom avant, un recadrage en 1:1 ou 16:9 pour d'autres placements, et une archive de haute qualité. Vous en exportez ensuite une copie 1080×1920 pour la plateforme.

Le prompt que j'ai exécuté (une image de référence, sans audio) :

The rounded white robot mascot from reference image 1 bounces up into the
centre of a bright minimalist desk scene, its teal eyes brightening as it
gives a cheerful two-arm wave toward the camera. Soft studio light, shallow
depth of field, gentle bokeh, clean pastel background, playful energetic
motion, subtle teal rim light. Vertical social-video framing.

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "...",
    "reference_image_urls": ["https://.../paxel-mascot.jpg"],
    "resolution": "4k",
    "duration": 4,
    "aspect_ratio": "9:16"
  }
}

Résultat réellement retourné et vérifié : un fichier de 4 secondes en 2160×3840 — ce qui confirme que resolution définit le côté court du cadre 9:16, et non une étiquette fixe. La sortie 4K est livrée en HEVC/H.265 (10-bit), que la plupart des navigateurs et certains logiciels de montage ne peuvent pas lire en ligne, donc la seule étape non facultative ici est le réencodage :

ffmpeg -i hook_4k.mp4 -vf "scale=1080:1920" \
  -c:v libx264 -profile:v high -pix_fmt yuv420p -crf 20 \
  -c:a aac -movflags +faststart hook_1080.mp4

Vous obtenez ainsi un clip H.264 1080×1920 qui se lit partout, tout en conservant l'original 4K comme master. (Si vous n'avez pas besoin d'un master 4K, vous pouvez rendre l'accroche directement en 1080p et sauter la réduction — c'est aussi environ 3 fois moins cher à la seconde.)

Étape 3 — Le corps avec voix off (référence vocale)

C'est le clip qui utilise tout le kit : les deux images de référence et l'échantillon vocal. Le modèle place la mascotte à côté du produit, la fait parler et emprunte le timbre de l'audio de référence.

The white robot mascot from reference image 1 stands beside the matte-white
pebble focus device from reference image 2 on a tidy wooden desk, turns to the
camera and speaks warmly, gesturing toward the glowing teal device as if
introducing it; it speaks in the voice of reference audio 1. Soft daylight,
cosy home-office background, gentle handheld sway, friendly inviting mood.
Vertical framing.

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "...",
    "reference_image_urls": ["https://.../paxel-mascot.jpg",
                             "https://.../paxel-device.jpg"],
    "reference_audio_urls": ["https://.../paxel-narrator.mp3"],
    "resolution": "1080p",
    "duration": 6,
    "aspect_ratio": "9:16"
  }
}

Deux points à retenir de cette exécution :

1. Le nom du champ est reference_audio_urls. J'ai essayé voice_reference_urls, l'API l'a rejeté (additional properties 'voice_reference_urls' not allowed), il faut donc utiliser le nom exact. Il accepte jusqu'à trois segments audio.
2. Chaque sortie comporte de toute façon une piste audio AAC. Les clips sans référence audio reviennent eux aussi avec une piste son. La différence se voit sur le niveau : mon clip corps avec voix off mesurait environ -20 dB de sonorité moyenne — clairement un segment parlé — tandis que le CTA quasi silencieux était à environ -35 dB. Si vous voulez une voix off cohérente sur une série de vidéos, réutilisez la même URL audio sur chaque clip avec voix off ; c'est toute la raison de verrouiller la voix une fois pour toutes.

Étape 4 — Le CTA

Une conclusion courte et percutante : la mascotte interagit avec le produit, l'accent cyan de la marque s'allume, puis elle se tourne vers la caméra. Les deux images de référence sont utilisées, sans voix cette fois.

Close vertical shot: the white robot mascot from reference image 1 reaches out
and taps the top button of the pebble device from reference image 2; the teal
LED ring pulses to life with a soft glow, and the mascot looks up at the camera
with bright teal eyes and a small confident nod. Clean minimalist desk, soft
light, crisp focus, upbeat finish. Vertical framing.

Rendu en 1080p sur 4 secondes — l'anneau cyan du produit conserve la couleur de l'image de référence, ce qui est la récompense d'avoir fourni l'appareil comme image de référence dédiée plutôt que de le décrire par du texte.

Étape 5 — Soumettre les rendus en lot, sans les surveiller

Le référence-vers-vidéo est une API de tâches asynchrones : vous POST ez une tâche, récupérez un taskId, puis interrogez le résultat. Pour une vidéo courte à trois clips, soumettez les trois d'abord, puis interrogez — votre temps réel devient celui du clip le plus lent, et non la somme des trois.

import requests, time

BASE = "https://api.hiapi.ai/v1/tasks"
H = {"Authorization": "Bearer YOUR_KEY", "Content-Type": "application/json"}

clips = [hook_input, body_input, cta_input]   # the three input dicts above
ids = []
for c in clips:
    r = requests.post(BASE, headers=H, json={
        "model": "vidu-q4-preview/reference-to-video", "input": c})
    ids.append(r.json()["data"]["taskId"])     # save IDs immediately

results = {}
while len(results) < len(ids):
    for tid in ids:
        if tid in results:
            continue
        data = requests.get(f"{BASE}/{tid}", headers=H).json()["data"]
        if data["status"] == "success":
            results[tid] = data["output"][0]["url"]   # download now — URLs expire
        elif data["status"] == "fail":
            results[tid] = None                        # handle/retry
    time.sleep(6)

Enregistrez chaque taskId dès que vous l'obtenez et téléchargez l'URL de sortie dès que la tâche réussit — ce sont des liens directs à durée limitée. Pour le contrat d'intégration complet — interrogation, callbacks, idempotence et table des erreurs de validation — consultez le guide de l'API Vidu Q4 Preview référence-vers-vidéo et la référence de l'API tasks.

Étape 6 — Assembler et exporter pour le fil

Une fois les trois clips téléchargés, assemblez la vidéo courte avec ffmpeg. Harmonisez d'abord tous les clips sur le même codec, la même résolution et la même fréquence d'images (mes clips sont revenus en 24 fps ; je les ai réencodés en 30), puis concaténez :

ffmpeg -i hook_1080.mp4 -i body.mp4 -i cta.mp4 \
  -filter_complex "[0:v][0:a][1:v][1:a][2:v][2:a]concat=n=3:v=1:a=1[v][a]" \
  -map "[v]" -map "[a]" -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart short_full.mp4

Cela produit la vidéo courte de 14 secondes en 1080×1920 affichée en haut de cette page. Notes d'export importantes pour le format court :

• Restez vertical, restez court. duration est un entier de 3 à 16 secondes, par clip ; une séquence de 3 à 4 clips tient facilement dans la fenêtre d'attention d'un fil.
• Réduisez le master 4K. La version assemblée utilise l'export 1080×1920 de l'accroche, et non l'original HEVC.
• Attention aux pistes audio. Comme chaque clip contient de l'AAC, réglez délibérément les niveaux lors de l'assemblage au lieu de supposer qu'il s'agit de silence.

Coûts

La tarification se calcule sur les secondes de sortie, à prix fixe selon la résolution, multipliées par duration (confirmée sur la page de tarifs en direct) :

Résolution	Prix / seconde
540p	0,0515 $
720p	0,109 $
1080p	0,1375 $
2K	0,2175 $
4K	0,446 $

Coût réel de ma vidéo courte :

Clip	Résolution	Durée	Coût
Accroche	4K	4 secondes	1,784 $
Corps (voix)	1080p	6 secondes	0,825 $
CTA	1080p	4 secondes	0,550 $
Total vidéo		14 secondes	3,159 $

La préparation du kit de marque — deux images de référence fixes et un court échantillon vocal TTS — n'ajoute que quelques centimes. Le principal levier de coût est le 4K de l'accroche : passez-la en 1080p et toute la vidéo courte descend à environ 1,92 $. Ne rendez l'accroche en 4K que si vous voulez réellement un master recadrable.

Référence des champs (aide-mémoire pour le format court)

Champ	Description
prompt	Obligatoire. Désignez les actifs de référence par leur numéro (« image de référence 1 », « audio de référence 1 »).
reference_image_urls	Obligatoire. Tableau de 1 à 15 images. Votre kit de marque visuel.
reference_audio_urls	Facultatif. Tableau de 3 maximum. Le verrou vocal. Nom de champ exact — voice_reference_urls est rejeté.
resolution	540p / 720p / 1080p / 2k / 4k. Définit le côté court. Le 4K renvoie du HEVC.
duration	Entier de 3 à 16 secondes. (Une valeur comme 99 renvoie 400 … want 16.)
aspect_ratio	16:9 / 9:16 / 1:1 / 4:3 / 3:4. Utilisez 9:16 pour un format vertical natif de fil.

Questions fréquentes

En quoi cela diffère-t-il de l'article sur les recettes de prompts ? C'est différent. Les recettes de prompts référence-vers-vidéo sont des plans créatifs autonomes prêts à copier-coller. Cet article décrit la chaîne de production d'une vidéo courte finie — verrouiller un kit de marque, générer les clips en lot et exporter un livrable 9:16 assemblé en séquence.

La référence vocale est-elle obligatoire ? Non — reference_audio_urls est facultatif. Sans lui, le clip est quand même rendu (et comporte toujours une piste AAC). Ajoutez-le lorsque vous voulez une voix off cohérente sur une série de vidéos.

Peut-on rendre toute la vidéo courte en 4K ? Oui, mais cela en vaut rarement la peine pour un fil : le 4K coûte 0,446 $/s contre 0,1375 $/s en 1080p, et le fil affiche de toute façon en 1080×1920. Réservez le 4K au plan que vous pourriez recadrer ou réutiliser autrement.

Quelle est la durée maximale d'un clip ? duration est plafonné à 16 secondes par clip. Pour le format court, la meilleure plage est de 3 à 6 secondes par clip, sur une séquence de 3 à 4 clips.

Pourquoi mon fichier 4K ne se lit-il pas ? Le 4K est renvoyé en HEVC/H.265 (10-bit). Réencodez en H.264 yuv420p avec +faststart comme indiqué à l'étape 2, pour une compatibilité avec le web et la plupart des logiciels de montage.

Créez votre propre vidéo courte de marque

Ce modèle s'applique à n'importe quelle mascotte, produit ou personne à l'écran : verrouillez le kit de référence, écrivez trois prompts qui le citent par leur numéro, générez en lot, puis assemblez. Commencez par la page du modèle Vidu Q4 Preview référence-vers-vidéo, obtenez une clé API via le démarrage rapide, et publiez votre première vidéo courte verticale dès cet après-midi.