Receitas de prompts de referência para vídeo do Vidu Q3 Ad: prompts publicitários prontos para copiar e clipes reais

TL;DR

• Quatro receitas de prompt de referência para vídeo prontas para copiar, para vidu-q3-ad/reference-to-video, cada uma com um clipe real gerado no hiapi — imagens de produto reais na entrada, clipes publicitários reais na saída, sem material de banco de imagens.
• O Q3 Ad é o nível de referência otimizado para publicidade do Vidu: você fornece 1–7 imagens de produto/sujeito mais um prompt, e ele renderiza uma tomada em estilo publicitário de 3–15 segundos, com resolução de 720p ou 1080p (sem suporte a 4K). É mais barato e mais rápido que o Q4 Preview — a escolha padrão adequada para anúncios de produto e de redes sociais.
• As receitas são organizadas por intenção publicitária: giro de produto hero único, mascote de marca com visual travado, UGC de duas referências com “produto na mão” e cena de varejo com três referências.
• Uma armadilha confirmada na prática: apesar de o modelo ostentar a etiqueta “Native Audio”, todo mp4 que obtivemos de /v1/tasks era vídeo puro (sem áudio) — os clipes de exemplo da própria plataforma também são mudos. É preciso adicionar música/dublagem na pós-produção.
• O schema de entrada do q3-ad usa a enumeração size (e não aspect_ratio + resolution), e rejeita reference_audio_urls — diferente do Q4. Copie o bloco JSON, substitua suas URLs de referência e faça POST em /v1/tasks.

O que vidu-q3-ad/reference-to-video realmente faz

O Vidu Q3 Ad (da Shengshu Technology) é o nível publicitário da linha de produtos de referência para vídeo do Vidu. “Referência para vídeo” significa que você fornece um conjunto de imagens estáticas — um produto, um personagem, um objeto de cena, uma superfície — e o modelo as compõe e as anima em uma tomada em movimento. O campo correspondente é reference_image_urls, que aceita 1–7 imagens.

O posicionamento “Ad” é justamente o ponto-chave: ele é otimizado para giros de produto, mascotes com consistência de sujeito e cenas de estilo de vida, e não para narrativa cinematográfica genérica. Se você leu nossas receitas de referência para vídeo do Vidu Q4 Preview, aqui estão as diferenças concretas obtidas na prática:

	q3-ad (esta página)	q4-preview
Imagens de referência	1–7	1–15
Referência de voz/áudio	Não suportado (reference_audio_urls é rejeitado)	Até 3 trechos de áudio
Resolução máxima	1080p	4K
Campo de dimensão	enumeração size	resolution + aspect_ratio
Duração do clipe	3–15 segundos	3–16 segundos
Mais indicado para	Anúncios de produto e de redes sociais, com orçamento limitado	Tomadas hero em 4K de alto padrão, apresentadores falando para a câmera

Portanto, escolha o q3-ad quando quiser clipes publicitários limpos, consistentes, baratos e em lote; só faça upgrade para o Q4 quando você realmente precisar de 4K ou de referência de voz. Se você precisar de até 16 segundos ou de uma mistura mais pesada de múltiplos sujeitos, há um modelo da mesma família, vidu-q3-mix/reference-to-video, que também aceita o orçamento de 1–7 imagens.

Schema de entrada confirmado na prática (sondagem ao vivo de /v1/tasks em outubro de 2026):

Campo	Obrigatório	Valores
prompt	Sim	Texto livre; referencie cada sujeito por índice
reference_image_urls	Sim	Array, 1–7 URLs públicas de imagem
duration	Não	Inteiro de 3–15 segundos (o padrão varia conforme o size)
size	Não	1280*720 · 1280*960 · 1280*1280 · 960*1280 · 720*1280 (faixa 720) · 1920*1080 · 1920*1440 · 1808*1808 · 1440*1920 · 1080*1920 (faixa 1080)

duration deve ser um inteiro (4.5 é rejeitado, com a mensagem “want integer”). O modelo não tem os campos aspect_ratio, resolution ou reference_audio_urls — passar qualquer um deles retorna 400 “additional properties not allowed”, que é o erro mais comum ao migrar requisições do Q4.

A precificação é uma tarifa fixa por segundo determinada pela faixa de size (portanto, um clipe de 5 segundos é o preço por segundo multiplicado por 5). Em outubro de 2026, no hiapi, as cinco dimensões da faixa 720 são cobradas a $0.149/s e as cinco dimensões da faixa 1080, a $0.18/s; consulte os números em tempo real na página de preços. Fluxo de trabalho prático: primeiro trave o prompt nas dimensões da faixa 720, depois rode novamente em 1080p para guardar a versão final — o prompt não muda, só muda o multiplicador.

Como executamos estes exemplos (para você reproduzir)

Cada clipe abaixo foi gerado no hiapi por meio da API de tarefas assíncronas. O fluxo é sempre o mesmo:

1. As imagens de referência precisam ser acessíveis publicamente. Geramos as imagens com gpt-image-2/text-to-image, enviamos para um bucket de armazenamento estático e depois passamos essas URLs — qualquer imagem hospedada serve.
2. Faça POST /v1/tasks com o corpo da requisição mostrado em cada receita.
3. Faça polling em GET /v1/tasks/{taskId} até que status seja success e então baixe output[0].url (é um link temporário — salve imediatamente).

A configuração completa está no início rápido do hiapi. Uma requisição mínima é assim — note que é size, e não aspect_ratio/resolution:

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"
    }
  }'

Agora, as receitas.

Receita 1 — Giro de produto hero único

Mais indicado para: o anúncio de produto básico mais comum — transformar uma imagem estática limpa de produto em uma tomada hero em rotação com varredura de luz. Comece por aqui.

Entrada de imagem de referência:

Saída real (720p, 4 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "Um anúncio de produto premium do copo térmico fosco verde-azulado da imagem de referência 1. Ele gira lentamente sobre um pedestal escuro e reflexivo enquanto uma faixa dura de luz varre o corpo fosco da esquerda para a direita, a tampa de metal escovado captura um brilho intenso, partículas suaves de luz flutuam ao fundo escuro, a câmera mantém um ângulo hero baixo e se aproxima levemente. Iluminação de estúdio comercial, alto contraste, detalhe macro.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/tumbler.jpg"],
    "duration": 4,
    "size": "1280*720"
  }
}

Por que funciona: nomear o sujeito — “o copo térmico fosco verde-azulado da imagem de referência 1” — ancora o produto exato, fazendo o modelo animar aquela garrafa, incluindo a superfície fosca e a tampa escovada, em vez de inventar algo parecido. A frase da varredura de luz (“uma faixa dura de luz … varre da esquerda para a direita”) transforma o giro comum em algo com cara de anúncio. Uma intenção de câmera contínua (girar + leve aproximação) renderiza de forma limpa em 4 segundos. A $0.149/s, este clipe custa cerca de $0.60.

Receita 2 — Mascote de marca com visual travado

Mais indicado para: material de marketing reutilizável em que o personagem precisa manter o visual exatamente consistente em todos os clipes — algo que animação desenhada à mão e texto-para-vídeo comum têm dificuldade de fazer.

Entrada de imagem de referência:

Saída real (quadrado, 4 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "O mascote robô redondo verde-menta da imagem de referência 1 fica centralizado, acena com a mão esquerda para a câmera, dá um pequeno pulo alegre e um aceno animado, depois levanta o polegar. Fundo de estúdio branco suave e limpo, iluminação clara e uniforme, animação elástica e saltitante, sua forma, cores e rosto permanecem exatamente fiéis ao modelo o tempo todo. Anúncio de mascote de marca alegre e amigável.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q3-ad-reference-to-video-prompt-recipes/refs/mascot.jpg"],
    "duration": 4,
    "size": "1280*1280"
  }
}

Por que funciona: a frase “sua forma, cores e rosto permanecem exatamente fiéis ao modelo o tempo todo” diz ao modelo que a tarefa é consistência, e não reinterpretação — o q3-ad mantém as proporções, a antena e o rosto do mascote durante todo o movimento. Encadeie alguns movimentos simples e nomeáveis (“acenar… pular… assentir… polegar para cima”) em vez de um vago “seja mais animado”; o modelo tem algo concreto para mapear cada batida. Usamos o formato quadrado 1280*1280 (ainda na faixa 720, cerca de $0.60 por 4 segundos), para que o material sirva diretamente em postagens de feed ou em telas de abertura de apps.

Receita 3 — UGC “produto na mão” (duas referências)

Mais indicado para: anúncios sociais que fazem parar o dedo — uma mão real erguendo o produto para dentro do quadro em um cenário real. É exatamente aqui que referência para vídeo supera imagem para vídeo: você funde duas imagens estáticas independentes em uma única tomada.

Entradas de imagem de referência (produto + cenário):

Saída real (vertical 9:16, 5 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "Clipe de anúncio social na vertical: sobre a mesa de café de madeira da imagem de referência 2, a lata de água com gás rosa-coral da imagem de referência 1 está com gotas frescas de condensação. Uma mão entra pela parte inferior do quadro, pega a lata e a ergue em direção à câmera, com gotas de água brilhando. Movimento natural de câmera na mão, bokeh quente de café ao fundo, luz suave de janela, sensação autêntica e viva de comercial UGC.",
    "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"
  }
}

Por que funciona: cada imagem de referência tem um papel — a imagem 1 é o produto, a imagem 2 é o ambiente —, de modo que o modelo sabe qual estática é a protagonista e qual é o fundo. Descrever explicitamente a ação e a câmera (“uma mão entra pela parte inferior … a ergue em direção à câmera … movimento natural de câmera na mão”) é o que produz a sensação de UGC; caso contrário, você obtém uma imagem estática do produto sobre a mesa. A dimensão vertical 720*1280 por 5 segundos (cerca de $0.75) entrega um enquadramento pronto para publicar em Reels/TikTok/Shorts.

Receita 4 — Cena de varejo com múltiplas referências (três referências)

Mais indicado para: composições de catálogo e de estilo de vida montadas a partir de imagens estáticas independentes de produto e de objetos de cena — aquele tipo de arrangement flat lay que é trabalhoso de montar fisicamente.

Entradas de imagem de referência (produto + objetos de cena + superfície):

Saída real (1080p, 4 segundos):

{
  "model": "vidu-q3-ad/reference-to-video",
  "input": {
    "prompt": "Componha uma cena publicitária de varejo de verão bem iluminada: coloque os óculos de sol de casco de tartaruga da imagem de referência 1 abertos sobre a superfície quente de pedra travertino da imagem de referência 3, com as conchas e o coral seco da imagem de referência 2 organizados cuidadosamente ao lado deles. Aproximação cinematográfica lenta, luz natural forte criando sombras suaves em movimento, uma brisa leve, visual premium de comercial de ótica, profundidade de campo rasa.",
    "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"
  }
}

Por que funciona: três estáticas limpas e isoladas — cada sujeito sobre um fundo de cor sólida — entregam ao modelo peças claras e sem ambiguidade para montar. O prompt especifica explicitamente a disposição espacial (“sobre o travertino … ao lado deles”) e nomeia cada imagem pelo índice exato; quando as referências estão poluídas ou você apenas diz “combine estas”, a fusão deriva. É também aqui que você usa a faixa 1080 — a $0.18/s, uma tomada de 4 segundos custa cerca de $0.72, e, como você já validou que a composição funciona, o valor extra serve apenas pela resolução. O q3-ad aceita até 7 imagens de referência, então há espaço para adicionar um segundo objeto de cena ou um cartão de logo à mesma cena.

A verdade sobre o “Native Audio” (leitura obrigatória antes de publicar)

A página do modelo q3-ad traz a etiqueta “Native Audio” e anuncia que os vídeos publicitários “têm edição inteligente, movimento de câmera e som”. Na prática, todos os clipes que geramos para esta página vieram como mp4 de vídeo puro, sem faixa de áudio — confirmamos com ffprobe, e os clipes de exemplo da própria plataforma para esse modelo também são mudos.

Portanto, por enquanto trate o q3-ad como um gerador de vídeo publicitário mudo: os quatro clipes acima precisam de música de fundo ou dublagem adicionadas na pós-produção. Para a maioria dos anúncios de produto e de redes sociais isso não é obstáculo (provavelmente você já ia adicionar música licenciada de qualquer forma), mas significa que você não deve contar com o modelo para gerar uma mixagem finalizada, e também não há campo reference_audio_urls para fornecer voz. Se você precisa de um apresentador falando para a câmera com sincronia labial, esse é o trabalho do Q4 Preview — veja as receitas de referência de voz de lá.

Regras de prompt que realmente afetam a saída

• Numere as imagens de referência. “A lata da imagem de referência 1 … sobre a mesa da imagem de referência 2” vincula o sujeito ao índice de forma mais confiável do que “a lata e a mesa”.
• Atribua um papel a cada estática em tomadas com múltiplas referências — protagonista vs. fundo vs. superfície — e descreva a disposição espacial (“sobre”, “ao lado de”, “atrás de”).
• Descreva a câmera como um único movimento contínuo (girar + aproximar, entrar + erguer). O q3-ad renderiza uma única tomada; empilhar cortes em um mesmo prompt confunde o resultado.
• Diga “exatamente fiéis ao modelo” para mascotes e personagens, para empurrar o modelo na direção da consistência em vez da reinvenção.
• Mantenha as estáticas de referência limpas — um sujeito, fundo de cor sólida. Referências poluídas são a principal causa de deriva.
• Itere nas size da faixa 720 e finalize em 1080p. O prompt é idêntico; só a tarifa por segundo muda.

Perguntas frequentes

Posso usar fotos do meu produto real? Sim — qualquer URL de imagem publicamente acessível serve como referência. Geramos imagens com gpt-image-2/text-to-image apenas para tornar os exemplos reproduzíveis; fotos de produto hospedadas são na verdade mais ideais, porque o sujeito já é exatamente o que você vende.

Quantas imagens de referência posso enviar? De 1 a 7. Nove falham com erro de maxItems; para o giro hero, uma já basta.

Por que minha requisição retorna 400 “additional properties not allowed”? Você quase certamente enviou aspect_ratio, resolution ou reference_audio_urls. O q3-ad usa uma única enumeração size e não tem entrada de áudio — remova esses campos.

Ele gera em 4K? Não. O q3-ad vai até 1080p. Se você precisa de 4K, use o Vidu Q4 Preview.

Qual é a duração máxima do clipe? De 3 a 15 segundos, em inteiros. Edições narrativas mais longas ficam melhores montadas a partir de vários planos curtos.

Comece a gerar

Obtenha sua chave, copie qualquer receita acima, substitua pelas URLs do seu próprio produto e faça POST em /v1/tasks. Os detalhes do modelo e os limites em tempo real estão na página vidu-q3-ad/reference-to-video, o fluxo de chamada passo a passo está no início rápido, e você pode navegar pelo restante da linha de produtos de vídeo no catálogo de modelos. Valide o prompt em 720p e depois rode novamente em 1080p o que você mais gostou — esse é o fluxo de trabalho inteiro.