Vidu Q4 Preview

位置づけの概要

vidu-q4-preview/image-to-video は Vidu Q4 シリーズの初回プレビュー版であり、最初のフレーム画像を起点としてネイティブ音声付きの動画を生成します。モデルは 3～16 秒の長さ、540p～4K の解像度出力に対応し、画面比率は最初のフレーム画像を踏襲します。プロンプトを通じて動き、カメラワーク、音声を記述できます。キャラクターの演技、カメラ言語、同期した効果音を必要とする開発者に適しており、物語性のある短編、広告のプリビズ、複数案のコンペなどに用いられます。

主なハイライト

• 最初のフレーム画像による駆動とネイティブ同期音声——最初のフレーム画像で画面の構図と比率を固定し、生成時にはデフォルトでセリフと効果音を同時に出力します。音声出力をオフにして無音動画にすることも可能です。
• 1 回の生成で 3～16 秒と 4K 出力をカバー——長さと解像度のパラメータは同一の処理経路内で調整可能で、540p から 4K まで必要に応じて選択でき、長回しの分割・結合を減らせます。
• Q4 プレビュー版は表現力豊かな演技に注力——公式にはキャラクターの演技、カメラ言語、視覚効果の面で総合的なアップグレードを行うと位置づけられており、動きと感情の連続性が求められるショットに適しています。

機能説明

最初のフレームから音声付き動画へ：最初のフレーム画像を 1 枚渡すだけで動画を生成でき、画面比率は画像に従います。ネイティブ音声はデフォルトで有効になっており、セリフと効果音を同時に得られます。オフにすると無音動画が出力されます。

長さと解像度を調整可能：1 回の生成の長さは 3～16 秒の間で整数秒単位で設定でき、解像度は 540p、720p、1080p、2K、4K の 5 段階に対応しています。出力仕様に応じて利用量を見積もってください。

プロンプトで動きと音声を制御：プロンプトは最大 20000 文字までで、動き、カメラワーク、音声を記述でき、画面の動的な表現や音声コンテンツを誘導するために用います。

画像入力の制限は明確：最初のフレーム画像は JPG、JPEG、PNG、WEBP に対応し、最大 50MB、アスペクト比は 1:4～4:1 の範囲である必要があり、接続前に素材を検証しやすくなっています。

想定される利用シーン

• 独立系クリエイターや小規模スタジオの物語性のある短編——キーとなる画面を最初のフレームとし、プロンプトを組み合わせて、セリフと効果音付きの短編クリップを生成し、そのまま編集工程へ進められます。
• 広告やブランド短編のショットプリビズ——製品画像や絵コンテのフレームを駆動元として複数段階の解像度の動画を生成し、クライアントがカメラ位置、テンポ、音声の方向性を確認したうえで本制作に進めます。
• ストーリー性のあるショットの複数案コンペ——同一の最初のフレームに対してプロンプトと長さのパラメータを調整し、異なる演技やカメラワークの案を一括出力して、社内での選定に用います。

制限と選定のアドバイス

本モデルは Preview プレビュー版であり、公式に能力や機能は今後も反復的に変化すると明言されているため、長期的に安定した制作パイプラインの唯一の依存先として推奨されるものではありません。1 回の生成の長さの上限は 16 秒であり、より長いショットは分割生成してから結合する必要があります。入力は 1 枚の最初のフレーム画像を起点とするため、1 つの処理経路内で複数の参照素材を混在させることはできません。参照画像や音声参照によってキャラクターと音声の一貫性を保つ必要がある場合は、同シリーズの reference-to-video 経路に切り替えるべきです。複数ショットの一貫した物語や超長時間の動画が必須要件である場合は、より長い長さやより強力な一貫性制御に対応する他のモデルを評価する必要があります。