Receitas de prompts de imagem para vídeo do Vidu Q4 Preview: prompts prontos para copiar e colar e saídas reais em 4K

O Vidu Q4 Preview (vidu-q4-preview/image-to-video) faz uma coisa só: pega uma única imagem estática como primeiro quadro, anima-a em um clipe de 3–16 segundos, com suporte a 4K real e som integrado. Este artigo é um livro de receitas prático de prompts de imagem para vídeo do vidu-q4-preview — três receitas prontas para copiar e colar que cobrem as técnicas que você realmente vai usar: travelling cinematográfico lento, órbita de produto e tomada de ação vertical para vídeos curtos.

Cada clipe abaixo é uma saída real gerada com o prompt exato que está ao lado dele — sem escolher entre várias execuções — e cada preço foi conferido na página de preços ao vivo antes da publicação. Se você precisa de várias imagens de referência, ou de um som específico consistente entre várias tomadas, esse é outro endpoint — referência para vídeo — não este.

Revisão do schema em 30 segundos

O i2v do Vidu roda no endpoint de tarefas assíncronas da hiapi (POST /v1/tasks), e o schema de entrada é deliberadamente pequeno e restrito:

Campo	Obrigatório	Descrição
prompt	Sim	Descreve movimento e câmera, não a cena — a imagem já é a cena
image_url	Sim	Uma URL publicamente acessível (singular — não image_urls); usada como primeiro quadro
resolution	Não	Um de 540p, 720p, 1080p, 2k, 4k
duration	Não	Segundos inteiros, 3–16 (inteiro, não string)

Dois comportamentos vale a pena memorizar, porque ambos são fáceis de errar:

• Não há campo aspect_ratio. Passar esse campo retorna 400 additional properties 'aspect_ratio' not allowed. O clipe herda a forma do primeiro quadro, então um frame estático 16:9 gera um clipe 16:9, e um frame 9:16 gera um clipe vertical. Você controla a proporção escolhendo (ou cortando) a imagem, não pelo prompt.
• reference_image_urls também é rejeitado. Esse campo pertence ao referência para vídeo. O imagem para vídeo aceita estritamente apenas um primeiro quadro.

A cobrança é por segundo e por resolução — a duração é um multiplicador:

Resolução	Preço / segundo	Clipe de 5 segundos
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

Como o custo cresce com os segundos, a resolução funciona na prática como um botão de orçamento. Mantenha os rascunhos em 540p/720p e depois renderize a versão aprovada em 1080p ou 4K. (Os números completos e atualizados estão sempre na página de preços.)

A fórmula do prompt i2v

O imagem para vídeo inverte o modelo mental habitual: a imagem é a cena, então o prompt é só movimento e câmera. Não redescreva o que já está no quadro — você estará brigando com o modelo. A estrutura confiável:

[descreva o que se move, em ordem] → [uma instrução de câmera] → [o som ambiente que você quer] → [uma cláusula de "sem cortes / tomada ininterrupta"]

Os dois últimos pontos importam mais em muitos modelos i2v. O Vidu renderiza áudio nativamente — cada clipe abaixo retornou uma faixa sonora correspondente, mesmo eu não tendo passado nenhuma referência de áudio — então, se você mencionar vento, chiado ou passos, muitas vezes você os recebe. E especificar um movimento de câmera único e claro ("aproximação lenta", "meia órbita") mantém o plano coerente; empilhe três movimentos concorrentes e você terá uma bagunça.

Receita 1 — Travelling cinematográfico em 4K com áudio nativo

A técnica de destaque: comece com um frame de estabelecimento silencioso, faça a câmera avançar lentamente enquanto pequenos objetos se movem. Esta é a receita à altura da faixa 4K.

Primeiro quadro (uma imagem estática gerada separadamente e depois passada como image_url):

Prompt de movimento:

A câmera avança lentamente em direção à janela iluminada da cabana enquanto
flocos de neve caem e a luz quente do lampião tremula suavemente; a fumaça fina
da chaminé se enrola e sobe para o ar do crepúsculo. Vento ambiente suave com um
estalido fraco e aconchegante de fogo lá dentro. Plano cinematográfico calmo e
ininterrupto, sem cortes.

Saída real (resolution: "4k", duration: 4):

Resultado retornado: um clipe verdadeiro de 3840×2160, 4 segundos, com uma faixa de áudio AAC de vento baixo e estalidos suaves — gerada apenas pela descrição de som no prompt. Custo: 4 segundos × $0.446 = $1.78.

Detalhamento:

• Um verbo de câmera. "Avança lentamente" é toda a direção de câmera. O travelling confere à cabana estática uma sensação de "chegada", sem precisar de nenhum corte.
• Movimentos secundários dão vida. Neve caindo, luz tremulando e fumaça subindo são movimentos pequenos e fisicamente plausíveis — exatamente o que o i2v faz bem. Eles soam como "a foto ganhou vida", que é o efeito que você quer.
• O som é descrito, não enviado. "Vento ambiente suave… um estalido fraco e aconchegante" já basta; a faixa de áudio nativa corresponde. Para clipes de atmosfera sem diálogo, é só disso que você precisa.
• Reserve o 4K para o produto final. A $0.446/segundo, é a faixa mais cara, de longe. Prototipe este prompt exato em 720p (também 4 segundos por $0.44) e só gaste com uma renderização em 4K quando o movimento parecer certo.

Receita 2 — Órbita suave de produto em 1080p

A órbita é o truque de i2v para e-commerce e gastronomia: um arco limpo em torno do objeto principal, deixando os materiais da superfície fazerem seu trabalho. O 1080p é o ponto ideal — nítido o bastante para sustentar uma venda, a uma fração do custo do 4K.

Primeiro quadro:

Prompt de movimento:

A câmera orbita suavemente em uma meia-volta lenta ao redor do hambúrguer
enquanto um vapor fino continua subindo e o cheddar derretido brilha à medida
que a luz quente o percorre; reflexos sutis deslizam sobre a ardósia escura.
Som ambiente de cozinha com um chiado fraco. Foco travado no hambúrguer, sem
cortes.

Saída real (resolution: "1080p", duration: 5):

Resultado retornado: um clipe de 1920×1080, 5 segundos, com som ambiente de cozinha discreto. Custo: 5 segundos × $0.1375 = $0.69.

Detalhamento:

• "Meia-volta", não "girar". Limitar o alcance da órbita ("meia-volta lenta") mantém o sujeito centralizado e o movimento legível. "Girar em círculo" sem limite costuma se mover demais e perder o produto.
• Faça a luz também se mover, não só a câmera. "A luz quente percorre… reflexos deslizam sobre a ardósia" dá à órbita algo a revelar, então o clipe parece tridimensional em vez de uma plataforma giratória.
• Nomeie os materiais que você quer animar. "Vapor fino" "cheddar derretido brilhando" — apontar as propriedades físicas é o que gera o vapor que sobe e os brilhos especulares. Superfícies não nomeadas tendem a ficar chapadas.
• "Foco travado no hambúrguer" é uma forma barata de impedir que o modelo desvie a atenção para o fundo.

Receita 3 — Ação vertical para vídeos curtos em 720p

Para Reels/TikTok/Shorts, você quer 9:16, um movimento corporal no compasso e um custo baixo o suficiente para iterar. Como o i2v não tem campo de proporção, a forma vertical vem inteiramente do primeiro quadro vertical — a demonstração mais clara dessa regra.

Primeiro quadro (um frame estático 9:16):

Prompt de movimento:

O dançarino sai da pose congelada em um giro fluido e se firma novamente em uma
postura confiante no compasso; um leve balanço de câmera na mão acompanha o
movimento enquanto partículas de poeira giram na contraluz dourada. Som ambiente
de rua com passos suaves e trânsito distante.

Saída real (resolution: "720p", duration: 6):

Resultado retornado: um clipe vertical de 720×1280, 6 segundos, com uma faixa de áudio de ambiente de rua. Note o que 720p faz aqui — define o lado menor para 720 e preserva a forma 9:16 do primeiro quadro. Custo: 6 segundos × $0.109 = $0.65.

Detalhamento:

• Um movimento no compasso. "Sai da pose, faz um giro fluido e se firma" é uma ação completa e delimitada. Prompts vagos de "dançar" derivam; o arco de início-movimento-fim funciona.
• O balanço de câmera na mão vende a sensação de "filmado no celular". Um leve acompanhamento adiciona vida sem a vertigem de um grande movimento de câmera — perfeito para vídeos curtos.
• A proporção é responsabilidade do frame. Não há campo para definir aqui; o resultado vertical vem diretamente do frame estático vertical de entrada. Quer quadrado? Insira uma imagem 1:1. Quer widescreen? Insira 16:9.

Reproduza qualquer receita com /v1/tasks

As três chamadas são idênticas — só mudam image_url, resolution e duration. Envie e depois consulte o taskId retornado até que status seja success, e leia 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": "A câmera avança lentamente em direção à janela iluminada da cabana enquanto flocos de neve caem...",
      "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": "A câmera orbita suavemente em uma meia-volta lenta ao redor do hambúrguer...",
        "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"])   # expiring link — download it immediately
        break
    if task["status"] == "fail":
        raise RuntimeError(task.get("error"))
    time.sleep(8)

Duas armadilhas que vale a pena conhecer antes de chamar:

• duration é um inteiro, não uma string — 4, não "4". (Se você já usou outro modelo de vídeo nesta plataforma que aceita "6", este é o oposto.) Valores acima de 16 retornam 400 duration: maximum: got N, want 16.
• A URL de saída expira. output[0].url é um link com tempo limitado; baixe os bytes imediatamente e mova para seu próprio armazenamento, em vez de fazer hotlink.

Ajuste resolução, duração e proporção

Alguns comportamentos verificados economizam dinheiro e evitam surpresas:

• A resolução define o lado menor, a proporção segue o frame. O 720p no frame 9:16 acima gera 720×1280. O número é qualidade, não forma.
• O 4K é entregue em HEVC (H.265). As renderizações em 4K retornam como .mp4 HEVC; qualidade maior, mas arquivos maiores, e alguns navegadores não reproduzem HEVC inline. Para incorporação na web, recodificamos o clipe acima em H.264 — os pixels são do modelo, só o contêiner é mais amigável. Se você vai entregar na web aberta, planeje uma etapa de transcodificação para o 4K.
• O áudio é gratuito e automático. Cada clipe traz uma faixa de áudio, sem precisar de nenhuma referência de áudio, guiada pelas palavras do prompt. Se você quer silêncio, não descreva som.
• A duração é custo linear. Um clipe 4K de 4 segundos ($1.78) custa mais que um clipe 540p de 16 segundos ($0.82). Faça a faixa corresponder à entrega, não o contrário.

Para se aprofundar nas duas alavancas das quais este modelo depende, a hiapi tem artigos dedicados: movimentos cinematográficos de câmera em prompts de vídeo com IA e controle de primeiro e último quadro — ambos se aplicam diretamente às receitas acima.

Perguntas frequentes

O imagem para vídeo do vidu-q4-preview realmente suporta 4K? Sim. A receita de travelling acima renderizou com resolution: "4k", e o arquivo é um clipe verdadeiro de 3840×2160. É a faixa mais cara, $0.446/segundo, então use para a versão final, não para rascunhos.

Como defino a proporção? Você não define — não há campo aspect_ratio, e passá-lo retorna 400. O clipe adota a forma do primeiro quadro: entra 16:9, sai 16:9; entra 9:16, sai vertical. Corte a imagem estática na proporção que você quer.

Ele adiciona som sozinho? Sim. Cada saída traz uma faixa de áudio, mesmo que você não envie referência de áudio. As descrições de som no prompt (vento, chiado, passos) moldam o resultado. Para clipes silenciosos, simplesmente não mencione som.

Qual é a diferença entre imagem para vídeo e referência para vídeo? O imagem para vídeo anima um primeiro quadro — o foco é o movimento. O referência para vídeo aceita 1–15 imagens de referência (e opcionalmente uma referência de som) para manter personagem, cenário e som consistentes entre tomadas. Se você parte de uma única imagem, você quer o endpoint desta página; para trabalho de consistência, veja referência para vídeo.

Quanto custa um clipe? Segundos × a tarifa por segundo da sua resolução. Os três clipes aqui custaram $1.78 (4K, 4 segundos), $0.69 (1080p, 5 segundos) e $0.65 (720p, 6 segundos), respectivamente. As tarifas atuais estão na página de preços.

O que faz um bom primeiro quadro? Um frame estático limpo, bem composto e com "potencial" óbvio — algo que claramente quer se mover (fumaça, água, uma pessoa prestes a agir, uma fonte de luz). Quanto mais limpo e menos desordenado o frame, mais limpo o movimento.

Comece a animar suas imagens estáticas

Escolha um frame estático com algo que queira se mover, escreva o movimento em ordem, especifique um movimento de câmera e o som que você quer, e comece a ajustar em 720p. Quando o movimento parecer certo, renderize a versão aprovada em 1080p ou 4K.

Obtenha sua chave e o schema de entrada completo na página do modelo vidu-q4-preview imagem para vídeo, ou comece pelo guia rápido da API de tarefas e cole qualquer receita acima.