Vidu Q3 Ad 参照動画生成プロンプトレシピ：そのままコピーできる広告プロンプトと実生成クリップ

TL;DR

• そのままコピーできる参照動画生成プロンプトレシピ4種。vidu-q3-ad/reference-to-video 用で、いずれも hiapi 上で生成した実クリップ付き——実際の商品画像を入力し、実際の広告クリップを出力。ストック素材は不使用。
• Q3 Ad は Vidu の広告向けチューニング済み参照ティア。商品/被写体の画像を1〜7枚とプロンプトを渡すと、3〜15秒の広告風ショットを720p または 1080pでレンダリングする（4K非対応）。Q4 Preview より安価で高速——商品広告やSNS広告の適切なデフォルト選択肢だ。
• レシピは広告の意図ごとに整理：単一商品のヒーロー回転、フォルムを固定したブランドマスコット、2参照のUGC「手に持つ商品」、3参照の小売シーン。
• 実測で確認した落とし穴：モデルには「Native Audio」のラベルがあるものの、/v1/tasks から取得した mp4 はすべて映像のみ（無音）——プラットフォーム同梱のサンプルクリップも無音だ。音楽/ナレーションはポストプロダクションで追加する必要がある。
• q3-ad の入力スキーマはsize 列挙（aspect_ratio + resolution ではない）を使い、reference_audio_urls を拒否する——Q4 とは異なる。JSONブロックをコピーし、参照URLを差し替えて /v1/tasks に POST すればよい。

vidu-q3-ad/reference-to-video が実際に何をするか

Vidu Q3 Ad（生数科技製）は、Vidu 参照動画生成製品ラインにおける広告ティア。「参照動画生成」とは、静帧（商品、キャラクター、小道具、表面など）を提供すると、モデルがそれらを合成して動きのある1ショットにアニメーション化することを意味する。対応フィールドは reference_image_urls で、1〜7枚の画像を受け付ける。

「Ad」という位置づけがまさに要点だ：汎用的な映画的ナラティブではなく、商品回転、被写体一貫性のあるマスコット、ライフスタイルシーンに最適化されている。以前公開したVidu Q4 Preview 参照動画生成レシピを読んだことがあれば、以下が実測で得られた具体的な差異だ：

	q3-ad（本ページ）	q4-preview
参照画像	1〜7	1〜15
音声/オーディオ参照	非対応（reference_audio_urls は拒否される）	最大3音声クリップ
最大解像度	1080p	4K
サイズフィールド	size 列挙	resolution + aspect_ratio
クリップ長	3〜15秒	3〜16秒
最適な用途	商品・SNS広告、予算重視	ハイエンド4Kヒーローショット、口播プレゼンター

つまり、クリーンで一貫性があり安価な広告クリップを大量に欲しいならq3-adを選び、4Kや音声参照が本当に必要なときだけ Q4 にアップグレードすればよい。最大16秒やより重いマルチ被写体の混合が必要なら、同じく1〜7枚の画像予算に対応する同系統モデル vidu-q3-mix/reference-to-video がある。

実測で確認した入力スキーマ（2026年10月に /v1/tasks をライブプローブ）：

フィールド	必須	値
prompt	はい	自由テキスト；各被写体をインデックスで参照する
reference_image_urls	はい	配列、1〜7個の公開画像URL
duration	いいえ	整数 3〜15秒（デフォルト値は size により異なる）
size	いいえ	1280*720 · 1280*960 · 1280*1280 · 960*1280 · 720*1280（720帯） · 1920*1080 · 1920*1440 · 1808*1808 · 1440*1920 · 1080*1920（1080帯）

duration は整数でなければならない（4.5 は「want integer」と表示されて拒否される）。このモデルには aspect_ratio、resolution、reference_audio_urls フィールドは存在しない——いずれかを渡すと400「additional properties not allowed」が返る。Q4 のリクエストから移行する際の最もよくあるミスだ。

価格はsize 帯で決まる秒あたりの固定レート（つまり5秒クリップは秒単価×5）。2026年10月時点で、hiapi 上では720帯の5サイズが$0.149/秒、1080帯の5サイズが$0.18/秒で課金される；最新の数字は料金ページを参照。実用的なワークフロー：まず720帯サイズでプロンプトを固め、その後1080pで再実行して本番版を残す——プロンプトは同じで、変わるのは掛け率だけだ。

これらのサンプルの実行方法（再現できるように）

以下の各クリップは、非同期タスクAPI経由で hiapi 上で生成したものだ。手順は常に同じ：

1. 参照画像は公網からアクセス可能でなければならない。私たちは gpt-image-2/text-to-image で画像を生成し、静的ストレージバケットにアップロードして、そのURLを渡した——ホストされた画像なら何でもよい。
2. 各レシピに示すリクエストボディで POST /v1/tasks する。
3. GET /v1/tasks/{taskId} をポーリングし、status が success になるまで待ち、output[0].url をダウンロードする（これは期限付きリンク——すぐ保存すること）。

完全なセットアップはhiapi クイックスタートを参照。最小リクエストは以下の通り——aspect_ratio/resolution ではなく size である点に注意：

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vidu-q3-ad/reference-to-video",
    "input": {
      "prompt": "...",
      "reference_image_urls": ["https://.../product.jpg"],
      "duration": 4,
      "size": "1280*720"
    }
  }'

ではレシピに入ろう。

レシピ1 — 単一商品のヒーロー回転

最適な用途： 最も基本的な商品広告——クリーンな商品静帧を、光のスイープを伴う回転ヒーローショットに変える。まずはここから始めよう。

参照画像の入力：

実際の出力（720p、4秒）：

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "参照画像1のティールカラーのマットな断熱タンブラーのプレミアム商品広告。暗い反射する台座の上でゆっくりと回転し、硬い帯状の光がマットなボディを左から右へと掃く。ヘアライン仕上げの金属製フタに明るい光沢が走り、暗い背景には柔らかな光の粒子が漂う。カメラは低いヒーローアングルを保ちながらわずかにプッシュインする。コマーシャルスタジオ照明、高コントラスト、マクロディテール。",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/tumbler.jpg"],
    "duration": 4,
    "size": "1280*720"
  }
}

なぜ効くのか： 被写体を名指しすること——「参照画像1のティールカラーのマットな断熱タンブラー」——が正確な商品をアンカーし、モデルはそのボトル（マットな表面、ヘアラインのフタなど）をアニメーション化するのであって、似たものを発明したりはしない。光のスイープの一文（「硬い光が……左から右へと掃く」）が、ありきたりな回転をまるで広告のように見せる。単一の連続したカメラ意図（回転＋わずかなプッシュイン）は4秒でクリーンにレンダリングされる。$0.149/秒で計算すると、このクリップのコストは約$0.60。

レシピ2 — フォルムを固定したブランドマスコット

最適な用途： キャラクターがクリップごとに完全に同一のフォルムを保たなければならない、再利用可能なマーケティング素材——手描きアニメーションや一般的なテキストからの動画生成が苦手とするものだ。

参照画像の入力：

実際の出力（スクエア、4秒）：

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "参照画像1のミントグリーンの丸いロボットマスコットが中央に立ち、カメラに向かって左手を振り、嬉しそうに小さく弾み、陽気にうなずいてからサムズアップする。清潔で柔らかな白のスタジオ背景、明るく均一な照明、弾むようなスプリング感のあるアニメーション、その形状、色、顔は全編を通して完全にオンモデルのまま。明るく親しみやすいブランドマスコット広告。",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/mascot.jpg"],
    "duration": 4,
    "size": "1280*1280"
  }
}

なぜ効くのか： 「その形状、色、顔は全編を通して完全にオンモデルのまま」という一文が、モデルに再解釈ではなく一貫性が任務だと伝える——q3-ad は動き全体を通してマスコットのプロポーション、アンテナ、顔を維持する。漠然とした「元気に」ではなく、シンプルで名指しできる動作（「手を振る……弾む……うなずく……サムズアップ」）を連結しよう；モデルは各ビートに対応する具体物を持つ。スクエアの 1280*1280 を使用（これも720帯で、4秒で約$0.60）、素材はフィード投稿やアプリのスプラッシュ画面にそのまま使える。

レシピ3 — UGC「手に持つ商品」（2参照）

最適な用途： スクロールを止めるSNS広告——本物の手が本物の空間で商品をフレーム内に持ち上げる。まさに参照動画生成が画像からの動画生成より優れる点：2枚の独立した静帧を1ショットに合成するのだ。

参照画像の入力（商品＋シーン）：

実際の出力（縦9:16、5秒）：

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "縦型SNS広告クリップ：参照画像2の木製カフェテーブルの上に、参照画像1のコーラルピンクのスパークリングウォーター缶が、新鮮で冷たい結露とともに置かれている。フレームの下から手が入り、缶をつかんでカメラに向かって持ち上げ、水滴がきらめく。自然な手持ちの動き、背後には温かいカフェのボケ、柔らかな窓光、生き生きとした本物らしいUGCコマーシャルの雰囲気。",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/can.jpg", "https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/hand_cafe.jpg"],
    "duration": 5,
    "size": "720*1280"
  }
}

なぜ効くのか： 各参照画像に役割がある——画像1は商品、画像2は環境——ので、モデルはどの静帧が主役でどれが背景かを知る。動作とカメラを明示的に書く（「手が下から入り……カメラに向かって持ち上げ……自然な手持ちの動き」）ことでUGC感が生まれる；そうでなければ静的なテーブル上の商品写真になる。縦の 720*1280 サイズ5秒（約$0.75）で、そのまま投稿できる Reels/TikTok/Shorts の画角が得られる。

レシピ4 — マルチ参照の小売シーン（3参照）

最適な用途： 独立した商品と小道具の静帧から組み立てるカタログやライフスタイル風の構図——物理的に配置するのが面倒なフラットレイ撮影に。

参照画像の入力（商品＋小道具＋表面）：

実際の出力（1080p、4秒）：

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "明るい夏の小売広告シーンを構成する：参照画像1のべっ甲のサングラスを開いた状態で参照画像3の温かなトラバーチン石の表面に置き、そのそばに参照画像2の貝殻と乾いた珊瑚を整然と並べる。ゆっくりとしたシネマティックなプッシュイン、明るい自然光が柔らかな動く影を落とし、そよ風、プレミアムなアイウェアコマーシャルのルック、浅い被写界深度。",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/sunglasses.jpg", "https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/seashells.jpg", "https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/travertine.jpg"],
    "duration": 4,
    "size": "1920*1080"
  }
}

なぜ効くのか： クリーンで切り抜かれた3枚の静帧——各被写体が無地の背景上にある——が、モデルに明確で曖昧さのない部品を提供する。プロンプトは空間レイアウト（「トラバーチンの上に……そのそばに」）を明示し、各画像を正確なインデックスで名指しする；参照画像が雑然としている場合や「これらを組み合わせて」とだけ言う場合、融合は漂う。ここが1080帯を使う場面でもある——$0.18/秒で4秒ショットは約$0.72、構図が妥当だと既に検証済みなので、追加コストは解像度のためだけに払うことになる。q3-ad は参照画像を最大7枚受け付けるので、同じシーンに2つ目の小道具やロゴカードを追加する余地がある。

「Native Audio」の真相（公開前に必読）

q3-ad のモデルページには「Native Audio」の表記があり、広告動画が「スマート編集、カメラモーション、音声を備える」と宣伝されている。実際には、本ページ用に生成したすべてのクリップは音声トラックのない映像のみの mp4 で返ってきた——ffprobe で確認済みで、プラットフォーム同梱のこのモデルのサンプルクリップも無音だ。

したがって当面は q3-ad を無音の広告動画生成器として扱うべきだ：上記4つのクリップはいずれもポストプロダクションでBGMやナレーションを追加する必要がある。これはほとんどの商品広告やSNS広告では障害にならない（そもそもライセンス済み音楽を足すだろう）が、モデルが完成したミックスを生成することに頼るべきではないし、音声を提供する reference_audio_urls フィールドも存在しない。口播でリップシンクするプレゼンターが必要なら、それは Q4 Preview の仕事だ——そちらの音声参照レシピを参照。

出力に本当に影響するプロンプトのルール

• 参照画像に番号を振る。 「参照画像1の缶……参照画像2のテーブルの上に」の方が「缶とテーブル」より確実に被写体をインデックスに結びつける。
• マルチ参照ショットでは各静帧に役割を割り当てる——主役 vs 背景 vs 表面——そして空間レイアウト（「〜の上に」「〜のそばに」「〜の後ろに」）を明示する。
• カメラは1つの連続した動きとして書く（回転＋プッシュイン、進入＋持ち上げ）。q3-ad は単一ショットをレンダリングする；1つのプロンプトにカットを積み重ねると混乱する。
• マスコットやキャラクターには「完全にオンモデルのまま」と言うことで、モデルを再発明ではなく一貫性へと導く。
• 参照静帧はクリーンに保つ——被写体は1つ、無地の背景。雑然とした参照画像は漂いの最大の原因だ。
• 720帯の size で反復し、1080p で仕上げる。 プロンプトは完全に同じで、変わるのは秒単価だけ。

よくある質問

自分の実商品の写真を使えますか？ はい——公網からアクセス可能な画像URLなら何でも参照として使える。私たちが gpt-image-2/text-to-image で画像を生成したのはサンプルを再現可能にするためだけで、ホストされた商品写真の方が実際には理想的だ——被写体がまさにあなたが売っているものだから。

参照画像は何枚まで渡せますか？ 1〜7枚。9枚は maxItems エラーで失敗する；ヒーロー回転なら1枚で十分。

なぜリクエストが400「additional properties not allowed」を返すのですか？ ほぼ確実に aspect_ratio、resolution、または reference_audio_urls を送っている。q3-ad は単一の size 列挙を使い、音声入力はない——それらのフィールドを削除すること。

4Kを出力しますか？ いいえ。q3-ad は最大1080p。4Kが必要ならVidu Q4 Previewを使ってほしい。

クリップはどれくらいの長さにできますか？ 3〜15秒、整数。より長いナラティブ編集は複数の短いショットを組み立てるのが最善。

生成を始める

キーを取得し、上記の任意のレシピをコピーし、自分の商品URLに差し替えて /v1/tasks に POST する。モデルの詳細と最新の制限はvidu-q3-ad/reference-to-video ページ、ステップごとの呼び出し手順はクイックスタート、残りの動画製品ラインはモデルカタログで閲覧できる。まず720pでプロンプトを検証し、その後お気に入りを1080pで再実行する——それがワークフローのすべてだ。