Receitas de prompts de referência para vídeo do Vidu Q4 Preview: prompts prontos para copiar e resultados reais

TL;DR

• Cinco receitas de prompts de referência para vídeo prontas para copiar, voltadas para vidu-q4-preview/reference-to-video, cada uma acompanhada do clipe que ela realmente gerou no hiapi — não é material de banco de imagens nem mockup.
• Referência para vídeo é o modo de «fundir várias imagens estáticas em um único plano»: você entrega 1–15 imagens de referência e, opcionalmente, até 3 trechos de áudio de referência, e ele renderiza um único plano de 3–16 segundos, com até 4K.
• Inclui um trecho cinematográfico 4K real e um exemplo funcional de referência de áudio («apresentador falando»), além de mostrar a requisição exata com reference_audio_urls.
• As regras de prompt que realmente mudaram o resultado: referir-se a cada referência por número, escrever o plano como uma única ação contínua e, ao anexar áudio, manter a fala no prompt.
• Copie o JSON, troque as URLs de referência pelas suas e faça POST em /v1/tasks.

O que vidu-q4-preview/reference-to-video faz exatamente

O Vidu Q4 Preview (da Shengshu Technology) tem duas linhas de produto no hiapi, que não são intercambiáveis:

• reference-to-video (esta página): você fornece um conjunto de imagens de referência — um personagem, um local, um produto, um objeto — e o modelo as combina em um plano em movimento. O campo é reference_image_urls e aceita 1–15 imagens.
• image-to-video (receitas aqui): você fornece um único quadro inicial (image_url) e ele anima aquele quadro para frente. Ele rejeita completamente reference_image_urls.

Portanto, escolha referência para vídeo quando quiser combinar sujeitos independentes em uma cena; escolha imagem para vídeo quando já tiver o quadro inicial exato e quiser apenas movimento. Se você usou a página da série de referência do Vidu Q3, o salto aqui é concreto: o Q4 Preview adiciona saída 4K (o Q3 vai até 1080p) e eleva o orçamento de referências para 1–15 imagens (o Q3 Mix permite 1–7). As duas gerações aceitam referência de áudio; estas receitas focam em aproveitar o orçamento maior de imagens e o 4K do Q4.

Schema de entrada verificado (testado contra /v1/tasks em outubro de 2026):

Campo	Obrigatório	Valores
prompt	Sim	texto livre; refira-se aos sujeitos de referência por número
reference_image_urls	Sim	array, 1–15 URLs públicas de imagem
reference_audio_urls	Não	array, até 3 URLs de áudio (referência de voz/efeito sonoro)
resolution	Não	540p · 720p · 1080p · 2k · 4k
duration	Não	inteiro, 3–16 segundos
aspect_ratio	Não	16:9 · 9:16 · 1:1 · 4:3 · 3:4

A precificação é uma tarifa fixa por segundo definida pela resolução (então um clipe de 5 segundos é o preço por segundo × 5). Em outubro de 2026, no hiapi: 540p $0.0515/seg, 720p $0.109/seg, 1080p $0.1375/seg, 2K $0.2175/seg, 4K $0.446/seg. Veja os números completos na página de preços. A conclusão prática: itere o prompt em 720p e depois rode de novo em 4K o que você aprovou — o prompt em si não muda nada, só o multiplicador.

Como produzimos estes resultados (para você reproduzir)

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

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

A documentação de início rápido está em documentação do hiapi. Uma requisição mínima é assim:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vidu-q4-preview/reference-to-video",
    "input": {
      "prompt": "...",
      "reference_image_urls": ["https://.../subject.jpg"],
      "resolution": "1080p",
      "duration": 5,
      "aspect_ratio": "16:9"
    }
  }'

A seguir, as receitas.

Receita 1 — Início rápido com uma referência

Ideal para: o referência para vídeo mais simples — um sujeito, uma animação limpa. Comece por aqui antes de partir para a fusão.

Imagem de referência de entrada:

Saída real (720p, 3 segundos):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "O ursinho de pelúcia azul da imagem de referência 1 dá dois passos lentos para frente na neve, depois levanta a cabeça para olhar para a câmera e acena com uma pata. Neve caindo suavemente, iluminação suave cinematográfica.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/smoke_bear.jpg"],
    "resolution": "720p",
    "duration": 3,
    "aspect_ratio": "16:9"
  }
}

Por que funciona: mesmo com apenas uma imagem, nomeá-la («o ursinho de pelúcia azul da imagem de referência 1») ancora o sujeito e faz o modelo animar aquele ursinho em vez de inventar um novo. Uma ação curta e específica («dar dois passos… acenar com uma pata») renderiza mais limpo em 3 segundos do que um vago «faça ele se mover». Note que, embora não tenhamos anexado nenhum áudio de referência, o clipe veio com uma trilha sonora ambiente.

Receita 2 — Cinematográfico em 4K, fusão de personagem + cenário

Ideal para: seu plano principal. Duas referências — um sujeito e um ambiente — fundidas em um plano atmosférico, finalizado em 4K.

Referências de entrada (sujeito + local):

Saída real (4K, 3 segundos):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "A coruja mecânica de latão da imagem de referência 1 voa para dentro da oficina iluminada por velas da imagem de referência 2, asas zumbindo e engrenagens visíveis, depois pousa suavemente sobre a bancada de madeira. Ela vira a cabeça lentamente para a câmera e pisca uma vez. Luz de vela âmbar quente tremulando, partículas de poeira flutuando, profundidade de campo rasa cinematográfica.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/owl_char.jpg", "https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/clock_workshop.jpg"],
    "resolution": "4k",
    "duration": 3,
    "aspect_ratio": "16:9"
  }
}

Por que funciona: o prompt atribui um papel a cada referência — a imagem 1 é o ator, a imagem 2 é o cenário — assim o modelo sabe qual imagem estática é o sujeito e qual é o fundo. A direção de câmera é uma ideia contínua (voar para dentro → pousar → virar para a câmera) e o referência para vídeo a renderiza como um plano ininterrupto. A $0.446/seg, este clipe 4K de 3 segundos custa cerca de $1.34; validamos a composição primeiro em 720p.

Receita 3 — Referência de áudio (apresentador falando)

Ideal para: um personagem falando com uma voz específica. Você anexa um trecho de áudio como reference_audio_urls; o áudio define o timbre e o prompt define a fala e a sincronia labial.

Imagem de referência de entrada:

Áudio de referência de entrada: presenter_voice.mp3 (geramos esta fala com qwen-audio-3.0-tts-plus; qualquer URL de áudio já hospedada ajuda).

Saída real (1080p, 5 segundos):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "O apresentador da imagem de referência 1 olha diretamente para a câmera e diz esta fala com a voz do áudio de referência 1, sincronia labial natural, pequeno balanço de cabeça, sorriso caloroso. Plano de estúdio estável, iluminação suave, leve respiração.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/presenter.jpg"],
    "reference_audio_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/audio/presenter_voice.mp3"],
    "resolution": "1080p",
    "duration": 5,
    "aspect_ratio": "16:9"
  }
}

Por que funciona: a frase-chave é «dizer esta fala com a voz do áudio de referência 1». A referência de áudio comanda a voz; o prompt continua carregando as instruções de atuação («sincronia labial natural», «sorriso caloroso»). Faça a duração do trecho de áudio se aproximar do seu duration para que a fala caiba no plano. reference_audio_urls é um array — você pode enviar até três trechos para referenciar várias vozes, ou uma voz mais uma camada de som ambiente.

Receita 4 — Fusão de produto com três referências

Ideal para: composições de estilo comercial com imagens estáticas de produtos independentes — frasco, objeto, bancada — montadas em uma cena.

Referências de entrada (produto + objeto + cenário):

Saída real (1080p, 4 segundos):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "Componha uma cena: coloque o frasco de sérum fosco da imagem de referência 1 em pé sobre a penteadeira de mármore da imagem de referência 3, com os ramos de eucalipto da imagem de referência 2 encostados ao lado dele. Dolly-in cinematográfico lento, uma gota d'água escorrendo pelo frasco, luz da manhã suave, vapor sutil. Textura de anúncio de skincare de alto padrão.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/serum_bottle.jpg", "https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/eucalyptus.jpg", "https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/marble_vanity.jpg"],
    "resolution": "1080p",
    "duration": 4,
    "aspect_ratio": "16:9"
  }
}

Por que funciona: três imagens estáticas limpas e independentes (cada sujeito sobre um fundo liso) dão ao modelo peças sem ambiguidade para montar. O prompt especifica explicitamente o layout espacial («sobre a penteadeira», «ao lado dele») e refere-se a cada imagem pelo número exato. A fusão desanda quando as imagens de referência já são confusas, ou quando você só diz «junte estas coisas» sem dizer ao modelo onde cada item deve ficar.

Receita 5 — Loop vertical para redes sociais (9:16)

Ideal para: plataformas de vídeo curto. Mesmo modelo, mesma disciplina de prompt, apenas aspect_ratio: "9:16".

Imagem de referência de entrada:

Saída real (720p, 5 segundos, vertical):

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "O mascote robô branco e azul-petróleo da imagem de referência 1 agita os dois braços, dá um pulinho alegre e por fim faz um joinha para a câmera. Confete colorido explodindo, movimento elástico energético, iluminação clara e alegre, composição vertical para redes sociais.",
    "reference_image_urls": ["https://static.hiapi.ai/blog/vidu-q4-preview-reference-to-video-prompt-recipes/refs/robot_mascot.jpg"],
    "resolution": "720p",
    "duration": 5,
    "aspect_ratio": "9:16"
  }
}

Por que funciona: aspect_ratio controla o enquadramento da saída, então um clipe vertical só precisa de 9:16 — a imagem de referência pode ter qualquer formato. Para um loop de redes sociais, dê ao personagem uma batida clara de começo—meio—fim (acenar → pular → joinha) para que os 5 segundos sejam lidos como um micro-momento completo, não como um fragmento.

Regras de escrita de prompt que realmente mudaram o resultado

• Numere suas referências. «A coruja da imagem de referência 1», «a cena da imagem de referência 2». O modelo vincula o sujeito ao número; «junte estas imagens» é justamente a raiz da fusão errada.
• Dê um papel a cada referência. Diga qual imagem estática é o ator, qual é o cenário e qual é o objeto. A ambiguidade faz o modelo adivinhar.
• Escreva o plano como uma ação. Referência para vídeo é um único plano contínuo de 3–16 segundos. Uma ideia de câmera («dolly-in», «voar para dentro e pousar») supera uma lista de vários planos.
• Ao usar voz, nomeie o áudio e mantenha a fala. «Fale com a voz do áudio de referência 1» + a frase real no prompt. Faça a duração do áudio corresponder ao duration.
• Itere barato, finalize em 4K. A resolução é um multiplicador fixo por segundo que não mexe no seu prompt — valide o plano em 720p e depois rode o vencedor em 4K.

FAQ

Qual é a diferença entre referência para vídeo e imagem para vídeo no Vidu Q4 Preview? Referência para vídeo aceita um conjunto de imagens (reference_image_urls, 1–15) e as combina em um único plano. Imagem para vídeo aceita um único quadro inicial (image_url) e o anima — ele rejeita reference_image_urls. Para fundir sujeitos independentes, use referência para vídeo; quando você já tem o quadro inicial exato, use imagem para vídeo.

Como adiciono uma voz de referência? Envie reference_audio_urls — um array com até três URLs públicas de áudio — e diga ao prompt «fale com a voz do áudio de referência 1». O áudio define o timbre; o prompt define a fala e a sincronia labial.

Quantas imagens de referência posso usar? De 1 a 15. Uma basta para animações simples; forneça mais para fundir personagem, local e objetos na mesma cena.

Quais resoluções e durações são suportadas? Resoluções 540p, 720p, 1080p, 2k, 4k; a duração é um inteiro de 3 a 16 segundos; proporções 16:9, 9:16, 1:1, 4:3, 3:4.

Quanto custa um clipe 4K? 4K custa $0.446 por segundo, então um clipe 4K de 3 segundos custa cerca de $1.34 e um de 5 segundos cerca de $2.23. Resoluções menores são bem mais baratas (720p custa $0.109 por segundo). Consulte os números atuais na página de preços.

As imagens de referência precisam ser URLs públicas? Sim — o modelo vai buscá-las, então elas precisam ser acessíveis pela internet. Hospede-as em qualquer lugar publicamente acessível e passe a URL.

Principais conclusões

• Referência para vídeo funde 1–15 imagens estáticas em um plano de 3–16 segundos; imagem para vídeo anima um único quadro inicial.
• Refira-se a cada referência por número e dê a ela um papel — esse único hábito corrige a maioria das fusões erradas.
• A referência de voz é reference_audio_urls (até 3 trechos); o áudio define a voz e o prompt define a fala.
• O 4K ($0.446 por segundo) é o destaque do Q4 Preview em relação ao Q3 — use-o para finalizar e itere em 720p.
• Copie qualquer receita acima, troque pelas suas URLs de referência e execute.

Pronto para experimentar? Abra a página do modelo vidu-q4-preview/reference-to-video, pegue uma API key na documentação e cole uma receita. Se você tem apenas um quadro de ancoragem em vez de um conjunto de imagens, comece pela linha de imagem para vídeo, ou explore mais fluxos de referência para vídeo e receitas de prompt no blog do hiapi.