Ricette di prompt per la generazione video da immagine di Vidu Q4 Preview: prompt copia-incollabili e output 4K reali

Vidu Q4 Preview (vidu-q4-preview/image-to-video) fa una sola cosa: prende una singola immagine statica come primo fotogramma, la anima in una clip da 3 a 16 secondi, supporta fino a un vero 4K e include l'audio nativo. Questo articolo è un ricettario utilizzabile di prompt image-to-video per vidu-q4-preview — tre ricette copia-incollabili che coprono le tecniche che userai davvero: una lenta carrellata cinematografica, un'orbita prodotto e un'inquadratura d'azione verticale per short.

Ogni clip qui sotto è un output reale generato al primo tentativo con il prompt esatto riportato accanto — nessuna selezione tra più esecuzioni — e ogni prezzo è stato verificato rispetto alla pagina dei prezzi live prima della pubblicazione. Se hai bisogno di più immagini di riferimento, o di mantenere un suono specifico coerente tra più inquadrature, quello è un altro endpoint — reference-to-video — non questo.

Ripasso dello schema in 30 secondi

Vidu i2v gira sull'endpoint dei task asincroni di hiapi (POST /v1/tasks), e lo schema di input è volutamente piccolo e rigido:

Campo	Obbligatorio	Note
prompt	Sì	Descrive movimento e camera, non la scena — l'immagine è già la scena
image_url	Sì	Un URL pubblicamente accessibile (singolare — non image_urls); funge da primo fotogramma
resolution	No	Uno tra 540p, 720p, 1080p, 2k, 4k
duration	No	Secondi interi, 3–16 (intero, non stringa)

Due comportamenti da tenere a mente, perché entrambi sono facili da sbagliare:

• Non esiste il campo aspect_ratio. Passarlo restituisce 400 additional properties 'aspect_ratio' not allowed. La clip eredita la forma del primo fotogramma, quindi un fermo immagine 16:9 dà una clip 16:9 e un fermo immagine 9:16 dà una clip verticale. Controlli il rapporto d'aspetto scegliendo (o ritagliando) l'immagine, non tramite il prompt.
• Anche reference_image_urls viene rifiutato. Quel campo appartiene a reference-to-video. Image-to-video accetta rigorosamente un solo primo fotogramma.

Il prezzo è al secondo, per risoluzione — la durata è un moltiplicatore:

Risoluzione	Prezzo / secondo	Clip da 5 secondi
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

Poiché il costo cresce con i secondi, la risoluzione è in pratica una manopola del budget. Tieni le bozze a 540p/720p, poi renderizza di nuovo a 1080p o 4K la versione che ti convince. (I numeri completi e aggiornati sono sempre sulla pagina dei prezzi.)

La formula del prompt i2v

Image-to-video ribalta il modello mentale abituale: l'immagine è la scena, quindi il prompt è solo movimento e camera. Non ridurre ciò che è già nell'inquadratura — combatterai contro il modello. La struttura affidabile:

[descrivi cosa si muove, in ordine] → [un'istruzione di camera] → [l'audio ambientale che desideri] → [una clausola "nessun taglio / inquadratura continua"]

Gli ultimi due punti contano più di quanto sembri su molti modelli i2v. Vidu renderizza l'audio in modo nativo — ogni clip qui sotto è tornata con una traccia audio coerente, anche se non ho passato alcun riferimento audio — quindi se citi vento, crepitio o passi, spesso li ottieni. E specificare un singolo movimento di camera chiaro ("lento avvicinamento", "mezzo giro orbitale") mantiene l'inquadratura coerente; accumulare tre movimenti in competizione produce una pappa confusa.

Ricetta 1 — Carrellata cinematografica 4K con audio nativo

La tecnica di punta: parti da un fermo immagine tranquillo, lascia che la camera avanzi lentamente mentre piccoli oggetti si muovono. È la ricetta che merita il livello 4K.

Primo fotogramma (un fermo immagine generato separatamente, poi passato come image_url):

Prompt di movimento:

La camera avanza lentamente verso la finestra illuminata della baita mentre i fiocchi di neve
fluttuano verso il basso e la calda luce della lampada tremola dolcemente; il sottile fumo del
camino si arriccia e sale nell'aria del crepuscolo. Vento ambientale soffice con un debole, accogliente
crepitio del fuoco all'interno. Inquadratura cinematografica calma e ininterrotta, nessun taglio.

Output reale (resolution: "4k", duration: 4):

Cosa è tornato: una vera clip 3840×2160, 4 secondi, con una traccia audio AAC di vento leggero e un crepitio soffice — generata solo dalla descrizione sonora nel prompt. Costo: 4 s × $0.446 = $1.78.

Scomposizione:

• Un solo verbo di camera. "Lento avvicinamento" è tutta la direzione di camera. Il push-in dà alla baita statica un senso di "arrivo" senza alcun montaggio.
• Il movimento secondario la fa vivere. Neve che cade, luce che tremola e fumo che si arriccia sono movimenti piccoli e fisicamente plausibili — esattamente ciò in cui i2v eccelle. Si leggono come "la foto che prende vita", che è l'effetto che cerchi.
• Il suono è descritto, non caricato. "Vento ambientale soffice... debole, accogliente crepitio" basta; la traccia nativa si allinea. Per una clip d'atmosfera senza dialogo, è tutto ciò che serve.
• Tieni il 4K per la versione definitiva. A $0.446/secondo è il livello più costoso, di gran lunga. Prototipa questo stesso prompt a 720p (ancora $0.44 per 4 secondi) e spendi per il render 4K solo quando il movimento è giusto.

Ricetta 2 — Orbita prodotto fluida in 1080p

L'orbita è il cavallo di battaglia dell'i2v in e-commerce e food: un arco pulito attorno all'oggetto protagonista, che fa lavorare i materiali della superficie. Il 1080p è il punto ideale — abbastanza nitido per vendere, a una frazione del costo del 4K.

Primo fotogramma:

Prompt di movimento:

La camera orbita fluidamente in un lento mezzo cerchio attorno all'hamburger mentre sottili vapori
continuano a salire e il cheddar fuso luccica mentre la luce calda lo attraversa;
riflessi sottili scorrono sull'ardesia scura. Tono ambientale di cucina con un
leggero sfrigolio. Fuoco bloccato sull'hamburger, nessun taglio.

Output reale (resolution: "1080p", duration: 5):

Cosa è tornato: una clip 1920×1080, 5 secondi, con un ambiente cucina silenzioso. Costo: 5 s × $0.1375 = $0.69.

Scomposizione:

• "Mezzo cerchio", non "rotazione". Limitare l'orbita ("lento mezzo cerchio") mantiene il soggetto centrato e il movimento leggibile. "Ruota in cerchio" senza limiti tende a muoversi troppo e a perdere il prodotto.
• Fai muovere anche la luce, non solo la camera. "La luce calda lo attraversa... riflessi che scorrono sull'ardesia" dà all'orbita qualcosa da rivelare, così la clip sembra tridimensionale invece che un giradischi.
• Nomina i materiali che vuoi animare. "Sottili vapori" "il cheddar fuso che luccica" — indicare le proprietà fisiche produce vapore che sale e riflessi speculari. Le superfici non nominate tendono a restare piatte.
• "Fuoco bloccato sull'hamburger" è un modo economico per impedire al modello di far vagare l'attenzione verso lo sfondo.

Ricetta 3 — Azione verticale per short in 720p

Per Reels/TikTok/Shorts, ti servono 9:16, un movimento corporeo da un battito e un costo abbastanza basso da poter iterare. Poiché i2v non ha un campo rapporto d'aspetto, la forma verticale deriva interamente dal primo fotogramma verticale — è la dimostrazione più chiara di questa regola.

Primo fotogramma (un fermo immagine 9:16):

Prompt di movimento:

La ballerina si scioglie dalla posa congelata in un unico giro fluido e si assesta in
una posizione sicura a tempo; una leggera oscillazione di camera a mano segue il movimento mentre
le particelle di polvere turbinano nel controluce dorato. Tono ambientale di strada con
passi soffiati e traffico in lontananza.

Output reale (resolution: "720p", duration: 6):

Cosa è tornato: una clip verticale 720×1280, 6 secondi, con una traccia audio d'atmosfera stradale. Nota cosa fa qui 720p — imposta il lato corto a 720 e mantiene la forma 9:16 del primo fotogramma. Costo: 6 s × $0.109 = $0.65.

Scomposizione:

• Movimento da un battito. "Rompe dalla posa, completo un giro fluido, si assesta" è un'azione completa e delimitata. Prompt vaghi come "balla" derivano; un arco inizio-azione-fine funziona.
• L'oscillazione a mano vende la sensazione di "girato col telefono". Un leggero inseguimento aggiunge vita senza la nausea di un grande movimento di camera — perfetto per gli short.
• Il rapporto d'aspetto è compito del fotogramma. Non c'è alcun campo da impostare; il risultato verticale deriva direttamente dal fermo immagine verticale in input. Vuoi quadrato? Inserisci un'immagine 1:1. Vuoi widescreen? Inserisci 16:9.

Riproduci qualsiasi ricetta con /v1/tasks

Le tre chiamate sono identiche — cambiano solo image_url, resolution e duration. Invia, poi fai polling del taskId restituito finché lo status non è success, e leggi 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 camera avanza lentamente verso la finestra illuminata della baita mentre i fiocchi di neve fluttuano...",
      "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 camera orbita fluidamente in un lento mezzo cerchio attorno all'hamburger...",
        "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"])   # link temporaneo — scaricalo subito
        break
    if task["status"] == "fail":
        raise RuntimeError(task.get("error"))
    time.sleep(8)

Due insidie da conoscere prima di chiamare:

• duration è un intero, non una stringa — 4, non "4". (Se su questa piattaforma hai usato altri modelli video che accettano "6", qui è l'opposto.) Valori superiori a 16 restituiscono 400 duration: maximum: got N, want 16.
• Gli URL di output scadono. output[0].url è un link a tempo; scarica subito i byte e spostali nel tuo storage, invece di fare hotlink.

Regola risoluzione, durata e rapporto d'aspetto

Alcuni comportamenti verificati che fanno risparmiare denaro ed evitano sorprese:

• La risoluzione imposta il lato corto, il rapporto d'aspetto segue il fotogramma. 720p sul fermo immagine 9:16 qui sopra dà 720×1280. Il numero è qualità, non forma.
• Il 4K viene consegnato in HEVC (H.265). Il render 4K torna come .mp4 HEVC; qualità superiore ma più pesante, e alcuni browser non riproducono HEVC inline. Per l'incorporamento web, abbiamo ricodificato la clip qui sopra in H.264 — i pixel sono del modello, solo un contenitore più amichevole. Se devi consegnare sul web aperto, pianifica uno step di transcodifica per il 4K.
• L'audio è gratuito e automatico. Ogni clip porta una traccia audio senza alcun riferimento audio, guidata dalle parole nel prompt. Se vuoi il silenzio, non descrivere suoni.
• La durata è un costo lineare. Una clip 4K da 4 secondi ($1.78) costa più di una clip 540p da 16 secondi ($0.82). Fai corrispondere il livello al deliverable, non il contrario.

Per approfondire le due leve su cui si basa questo modello, hiapi ha articoli dedicati: movimenti di camera cinematografici nei prompt video AI e controllo del primo e ultimo fotogramma — entrambi si applicano direttamente alle ricette qui sopra.

Domande frequenti

vidu-q4-preview image-to-video supporta davvero il 4K? Sì. La ricetta della carrellata qui sopra è stata renderizzata con resolution: "4k" e il file è una vera clip 3840×2160. È il livello più costoso, $0.446/secondo, quindi usalo per la versione finale, non per le bozze.

Come si imposta il rapporto d'aspetto? Non si imposta — non c'è un campo aspect_ratio, e passarlo restituisce 400. La clip assume la forma del primo fotogramma: entra 16:9, esce 16:9; entra 9:16, esce verticale. Ritaglia il fermo immagine al rapporto d'aspetto che vuoi.

Aggiunge l'audio da solo? Sì. Ogni output porta una traccia audio anche senza riferimento audio. Le descrizioni sonore nel prompt (vento, sfrigolio, passi) modellano ciò che ottieni. Per una clip muta, non menzionare affatto i suoni.

Qual è la differenza tra image-to-video e reference-to-video? Image-to-video anima un primo fotogramma — si concentra sul movimento. Reference-to-video accetta da 1 a 15 immagini di riferimento (e opzionalmente un riferimento audio) per mantenere coerenti personaggi, scene e suoni tra le inquadrature. Se parti da una singola immagine, ti serve l'endpoint di questa pagina; per il lavoro sulla coerenza, vedi reference-to-video.

Quanto costa una clip? Secondi × tariffa al secondo della tua risoluzione. Le tre clip qui costano rispettivamente $1.78 (4K, 4 s), $0.69 (1080p, 5 s) e $0.65 (720p, 6 s). Le tariffe attuali sono sulla pagina dei prezzi.

Cosa rende buono un primo fotogramma? Un fermo immagine pulito, ben composto, con una chiara "energia potenziale" — qualcosa che vuole visibilmente muoversi (fumo, acqua, una figura in attesa, una sorgente luminosa). Più il fotogramma è chiaro e non caotico, più il movimento risulta pulito.

Inizia ad animare i tuoi fermi immagine

Scegli un fermo immagine in cui qualcosa ha voglia di muoversi, scrivi il movimento in ordine, specifica un movimento di camera e il suono che desideri, poi parti da 720p e itera. Quando il movimento è giusto, renderizza di nuovo a 1080p o 4K la versione che ti convince.

Ottieni la tua chiave e lo schema di input completo sulla pagina del modello vidu-q4-preview image-to-video, oppure parti dalla guida rapida alle Task API e incolla una qualsiasi delle ricette qui sopra.