Vidu Q4 Preview

位置づけの概要

Vidu Q4 Preview の参照画像による動画生成ラインです。完成映像の中でキャラクター、シーン、音声の一貫性を保つ必要がある開発者向けに設計されています。1〜15 枚の参照画像（人物、シーン、小道具のいずれも可）と最大 3 本の音声参照をアップロードし、テキストプロンプトと組み合わせることで 3〜16 秒の動画を生成できます。解像度は 540p から 4K まで選択可能で、デフォルトで映像に同期したネイティブ音声を出力します。シリーズ化したショートコンテンツ、キャラクター同士のセリフシーン、複数案の比較検討が必要なカメラプレビューに適しています。

主なハイライト

• 複数の参照画像でキャラクターとシーンの一貫性を維持——1 回の生成で最大 15 枚の参照画像を使って人物、シーン、小道具を拘束し、プロンプト内で順番に参照することで、カットをまたいだ姿のぶれを抑えます。
• 音声参照による声の生成——最大 3 本の 3〜12 秒の MP3 音声サンプルを音色参照として添付でき、生成されるセリフを指定した声質に近づけます。
• ネイティブ音声をデフォルトで同時出力——デフォルトで映像と同期したセリフや効果音を生成し、オフにすれば無音素材も得られるため、音声トラックを分離する二次処理が不要です。
• 長さ、アスペクト比、解像度を調整可能——長さ 3〜16 秒、5 種類のアスペクト比、540p から 4K までの 5 段階の解像度に対応し、同一ラインで横画面・縦画面や異なる解像度のニーズをカバーします。

機能説明

参照画像による拘束生成:1〜15 枚の JPG、PNG、WEBP 画像を入力し、プロンプト内で順番に指定することで、キャラクターの外見、シーン、重要な小道具を固定します。同じ姿を引き継ぐ複数の動画に適しています。

音色参照による声の生成:最大 3 本の 3〜12 秒の MP3 音声参照を添付し、プロンプトで話者を指定することで、キャラクターのセリフに目標とする音色の特徴を持たせます。

同期音声のオン/オフ:audio パラメータはデフォルトで有効になり、セリフと効果音付きの完成映像を生成します。オフにすると映像のみの動画が得られ、後から自分で声や音楽を付けるのに便利です。

出力仕様のカスタマイズ:16:9、9:16、1:1、4:3、3:4 の 5 種類のアスペクト比と 540p から 4K までの解像度に対応し、さまざまな掲載枠に適合する完成映像を直接生成できます。

長いプロンプト記述:prompt は最大 20000 文字まで対応し、複数キャラクターの役割分担、カメラワーク、セリフなどを構造化して記述できます。

適用シーン

• シリーズ化したショートコンテンツの制作者——同じキャラクターとシーンの参照画像セットで複数の短編をまとめて生成し、人物の外見を統一したまま、SNS の更新やドラマの一場面として直接活用できます。
• セリフ付きのドラマシーン制作——キャラクター参照画像と音色サンプルを提供し、セリフを明記することで、同期したセリフ付きの短編を生成し、絵コンテプレビューや完成素材として使用できます。
• 広告・ブランド短編の複数案比較——参照画像とプロンプトを変えて、異なるカメラアングルや冒頭の構成のバージョンを素早く試し、本番撮影前にチームで方向性を絞り込めます。
• マルチプラットフォーム配信向けの素材調整——異なるアスペクト比と解像度パラメータでそれぞれ 1 版ずつ生成し、横画面、縦画面、高精細納品の素材ニーズをカバーします。

制限と選定のアドバイス

1 回の生成時間は最大 16 秒で、より長い物語は分割して生成した後に結合する必要があります。参照素材には数量制限があり、画像は最大 15 枚、音声は最大 3 本で、音声参照は MP3 のみ、各 3〜12 秒に対応します。プレビュー版のため、機能とパラメータは今後変更される可能性があり、出力の安定性が非常に重視される量産フローには適していません。1 枚の最初のフレームだけで映像を駆動したい場合は、同シリーズの最初のフレーム駆動ラインを選べます。より長い連続カットが必要な場合は、分割結合のポストプロダクションコストを見積もるべきです。