Vidu Q4 Preview referência para vídeo: vídeos curtos com narração e identidade de marca

A maioria dos tutoriais de «vídeo com IA» para redes sociais ensina apenas a criar um clipe avulso bonito, mas um vídeo curto de marca exige exatamente o contrário: em três ou quatro clipes consecutivos, o mesmo mascote, o mesmo produto e a mesma voz de narração precisam atravessar cada plano. Essa consistência é justamente o território de vidu-q4-preview/reference-to-video — você entrega um pequeno conjunto de imagens de referência (e, opcionalmente, uma amostra de voz), e cada renderização reutiliza esse kit em vez de sortear a aparência do zero.

Este é um relato prático de fluxo de trabalho, não uma lista de prompts. Produzi um vídeo curto vertical de cerca de 14 segundos de ponta a ponta — gancho, corpo com narração, chamada para ação — usando apenas um kit de marca formado por duas imagens e uma amostra de voz; depois gerei em lote, montei e exportei para o formato ideal do feed 9:16. Cada clipe, cada custo e cada campo abaixo vêm desta execução real no modelo Vidu Q4 Preview referência para vídeo da hiapi.

Resumo rápido

• O kit de ativos de marca é fixado uma única vez. reference_image_urls (1–15 imagens) mantém o personagem e o produto consistentes; reference_audio_urls (até 3) mantém a voz da narração consistente. Todos os clipes do vídeo curto reutilizam o mesmo kit.
• Filmagem vertical nativa. aspect_ratio: "9:16" renderiza verdadeiros 1080×1920 (2160×3840 em 4K) — sem recorte posterior.
• 4K para o master, 1080p para entrega. A saída 4K é 2160×3840 HEVC/H.265; recodifique para H.264 e reduza para 1080×1920 para publicar no feed. Mantive o gancho em 4K e o corpo/CTA em 1080p.
• Envie em lote, não fique esperando. Esta é uma API assíncrona de tarefas — envie os três clipes primeiro e depois faça o polling. O tempo real depende do clipe mais lento, não da soma dos três.
• Orçamento por segundo. 1080p custa $0.1375/s e 4K custa $0.446/s, cobrados com base em duration. O custo de vídeo deste short de três clipes ficou em $3.16.

Por que referência para vídeo serve para shorts com narração (e imagem para vídeo não)

Vídeos curtos de venda têm estrutura fixa — um gancho que impede o deslize, um corpo que explica e um CTA que converte. Se cada trecho for renderizado separadamente, o maior risco não é a qualidade do movimento, mas a deriva: as proporções do mascote mudam, a textura do produto muda, a voz soa como outra marca. Referência para vídeo ataca esse problema de frente:

• reference_image_urls é sua trava visual. Um retrato do personagem mais uma imagem estática do produto formam o kit fixo dos três clipes. No prompt você se refere a elas por número («o robô da imagem de referência 1», «o dispositivo da imagem de referência 2»), para que o modelo saiba qual ativo é qual.
• reference_audio_urls é sua trava de voz. Passe uma amostra curta de fala e reutilize-a em todos os clipes com narração; a faixa de voz mantém o mesmo timbre. (O Vidu Q3 também aceita esse campo, então referência de voz não é vantagem exclusiva do Q4 — o diferencial do Q4 sobre o Q3 é a saída 4K e até 15 imagens de referência.)
• 4K + 9:16 nativo entregam um master vertical limpo, que depois pode ser reenquadrado ou reaproveitado.

É aqui que ele se separa do imagem para vídeo. O modelo Vidu Q4 Preview imagem para vídeo anima um único quadro inicial — ótimo para um plano isolado, mas incapaz de manter personagem, produto e voz consistentes ao longo de uma sequência com vários clipes. Quando a entrega é um short inteiro, e não um único beat, é a referência para vídeo que você precisa.

Passo 1 — Montar o kit de ativos de marca uma única vez

O short inteiro roda com apenas duas imagens de referência estáticas e um trecho de voz. Gerei as duas imagens na hiapi (qualquer imagem limpa e bem iluminada de estúdio serve — o modelo lê forma, material e cor, então um fundo liso ajuda a isolar o sujeito):

Para a voz, usei um modelo de texto para fala para criar uma amostra de narração de cerca de 10 segundos, carreguei em uma URL pública, e esse arquivo virou a referência de voz dos clipes com narração. O sentido do kit é a reutilização: essas três URLs de ativos são coladas em cada requisição relevante abaixo — é exatamente isso que mantém o short coerente, quer você renderize três ou trinta clipes.

Algumas regras importantes de preparação:

• Use fundos limpos e uniformes nas imagens de referência, para que o sujeito fique claramente identificável.
• Antes de enviar, hospede cada ativo de referência (imagem e áudio) em uma URL pública acessível — a API de tarefas os busca no servidor.
• Defina antecipadamente o formato canônico da marca; para shorts de feed, use 9:16 em todos os clipes.

Passo 2 — O gancho (renderizado em 4K, exportado em 1080×1920)

O clipe de abertura tem uma única missão: fazer o primeiro quadro já ter movimento. Renderizei de propósito em 4K — não porque o feed precise de 4K (não precisa), mas porque um master 2160×3840 dá espaço para dar zoom, reenquadrar em 1:1 ou 16:9 para outros posicionamentos e manter um arquivo de alta qualidade. Depois você exporta uma cópia 1080×1920 para a plataforma.

O prompt que usei (uma imagem de referência, sem áudio):

O mascote robô branco e arredondado da imagem de referência 1 salta para o
centro de uma cena de mesa minimalista e iluminada, com os olhos ciano
brilhando enquanto dá uma alegre saudação com os dois braços para a câmera.
Luz suave de estúdio, profundidade de campo rasa, bokeh delicado, fundo pastel
limpo, movimento divertido e energético, leve luz de contorno ciano.
Enquadramento vertical para vídeo social.

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "...",
    "reference_image_urls": ["https://.../paxel-mascot.jpg"],
    "resolution": "4k",
    "duration": 4,
    "aspect_ratio": "9:16"
  }
}

Resultado real retornado e verificado: um arquivo de 4 segundos em 2160×3840 — o que confirma que resolution define o lado menor do quadro 9:16, não um rótulo fixo. A saída 4K vem em HEVC/H.265 (10-bit), que a maioria dos navegadores e alguns editores de vídeo não reproduzem inline, então o único passo que não pode ser pulado aqui é a recodificação:

ffmpeg -i hook_4k.mp4 -vf "scale=1080:1920" \
  -c:v libx264 -profile:v high -pix_fmt yuv420p -crf 20 \
  -c:a aac -movflags +faststart hook_1080.mp4

Assim você obtém um clipe H.264 1080×1920 que toca em qualquer lugar, mantendo o original 4K como master. (Se você não precisa de master 4K, pode renderizar o gancho direto em 1080p e pular a redução — e ainda economiza cerca de 3 vezes por segundo.)

Passo 3 — O corpo com narração (referência de voz)

Este é o clipe que usa o kit completo: as duas imagens de referência e a amostra de voz. O modelo coloca o mascote ao lado do produto, faz ele falar e empresta o timbre do áudio de referência.

O mascote robô branco da imagem de referência 1 está ao lado do dispositivo de
foco em forma de seixo branco fosco da imagem de referência 2, sobre uma mesa de
madeira arrumada; vira-se para a câmera e fala com calor, gesticulando em
direção ao dispositivo ciano brilhante como se o estivesse apresentando;
fala com a voz do áudio de referência 1. Luz suave do dia, fundo aconchegante
de home office, leve balanço de câmera na mão, clima amigável e convidativo.
Enquadramento vertical.

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "...",
    "reference_image_urls": ["https://.../paxel-mascot.jpg",
                             "https://.../paxel-device.jpg"],
    "reference_audio_urls": ["https://.../paxel-narrator.mp3"],
    "resolution": "1080p",
    "duration": 6,
    "aspect_ratio": "9:16"
  }
}

Duas coisas a saber desta execução:

1. O nome do campo é reference_audio_urls. Tentei voice_reference_urls e a API rejeitou (additional properties 'voice_reference_urls' not allowed), então use o nome exato. Ele aceita no máximo três trechos de áudio.
2. Toda saída vem com faixa AAC de qualquer forma. Clipes sem referência de áudio também voltam com faixa de som. A diferença aparece no nível: meu clipe de corpo com narração mediu em torno de -20 dB de volume médio — claramente um trecho de voz — enquanto o CTA quase silencioso ficou em cerca de -35 dB. Se você quer narração consistente em uma série de vídeos, reutilize a mesma URL de áudio em todos os clipes com narração; é exatamente por isso que se fixa a voz de uma vez.

Passo 4 — O CTA

Um fechamento curto e forte: o mascote interage com o produto, o detalhe ciano da marca acende, e então ele olha de volta para a câmera. Usa as duas imagens de referência, desta vez sem voz.

Plano vertical fechado: o mascote robô branco da imagem de referência 1 estende
a mão e toca o botão superior do dispositivo em forma de seixo da imagem de
referência 2; o anel de LED ciano pulsa e ganha vida com um brilho suave, e o
mascote olha para a câmera com olhos ciano brilhantes e um pequeno aceno
confiante. Mesa minimalista e limpa, luz suave, foco nítido, final animado.
Enquadramento vertical.

Renderizado em 1080p por 4 segundos — o anel ciano do produto preserva a cor da imagem de referência estática, e essa é a recompensa por fornecer o dispositivo como imagem de referência dedicada em vez de descrevê-lo em texto.

Passo 5 — Envie as renderizações em lote, não fique vigiando

Referência para vídeo é uma API assíncrona de tarefas: você faz POST de uma tarefa, recebe um taskId e depois faz polling do resultado. Para um short de três clipes, envie os três primeiro e depois faça o polling — seu tempo real passa a ser o do clipe mais lento, não a soma dos três.

import requests, time

BASE = "https://api.hiapi.ai/v1/tasks"
H = {"Authorization": "Bearer YOUR_KEY", "Content-Type": "application/json"}

clips = [hook_input, body_input, cta_input]   # the three input dicts above
ids = []
for c in clips:
    r = requests.post(BASE, headers=H, json={
        "model": "vidu-q4-preview/reference-to-video", "input": c})
    ids.append(r.json()["data"]["taskId"])     # save IDs immediately

results = {}
while len(results) < len(ids):
    for tid in ids:
        if tid in results:
            continue
        data = requests.get(f"{BASE}/{tid}", headers=H).json()["data"]
        if data["status"] == "success":
            results[tid] = data["output"][0]["url"]   # download now — URLs expire
        elif data["status"] == "fail":
            results[tid] = None                        # handle/retry
    time.sleep(6)

Salve cada taskId assim que recebê-lo e baixe a URL de saída assim que a tarefa concluir — são links diretos com prazo de validade. Para o contrato completo de integração — polling, callbacks, idempotência e a tabela de erros de validação — consulte o guia da API do Vidu Q4 Preview referência para vídeo e a referência da API de tarefas.

Passo 6 — Montar e exportar para o feed

Com os três clipes baixados, monte o short com ffmpeg. Primeiro unifique todos os clipes no mesmo codec, resolução e taxa de quadros (meus clipes voltaram a 24 fps; recodifiquei para 30) e depois concatene:

ffmpeg -i hook_1080.mp4 -i body.mp4 -i cta.mp4 \
  -filter_complex "[0:v][0:a][1:v][1:a][2:v][2:a]concat=n=3:v=1:a=1[v][a]" \
  -map "[v]" -map "[a]" -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart short_full.mp4

Isso gera o short de 14 segundos em 1080×1920 que aparece no topo desta página. Notas de exportação importantes para shorts:

• Mantenha vertical, mantenha curto. duration é um inteiro de 3 a 16 segundos por clipe; uma sequência de 3–4 clipes cabe tranquilamente na janela de atenção do feed.
• Reduza o master 4K. A versão montada usa a exportação 1080×1920 do gancho, não o original HEVC.
• Atenção à trilha de áudio. Como cada clipe traz AAC, defina os níveis de propósito na montagem em vez de assumir que é silêncio.

Custos

O preço é calculado por segundos de saída, fixo por resolução, multiplicado por duration (confirmado na página de preços ao vivo):

Resolução	Preço / segundo
540p	$0.0515
720p	$0.109
1080p	$0.1375
2K	$0.2175
4K	$0.446

O custo real deste short:

Clipe	Resolução	Duração	Custo
Gancho	4K	4 s	$1.784
Corpo (voz)	1080p	6 s	$0.825
CTA	1080p	4 s	$0.550
Total do vídeo		14 s	$3.159

A preparação do kit de marca — duas imagens de referência e uma amostra curta de voz TTS — acrescenta apenas alguns centavos. A maior alavanca de custo é o 4K do gancho: baixando para 1080p, o short inteiro cai para cerca de $1.92. Só renderize o gancho em 4K se você realmente quiser um master reenquadrável.

Referência de campos (cheat sheet para shorts)

Campo	Descrição
prompt	Obrigatório. Refira-se aos ativos de referência por número («imagem de referência 1», «áudio de referência 1»).
reference_image_urls	Obrigatório. Array de 1–15 imagens. Seu kit visual de marca.
reference_audio_urls	Opcional. Array de até 3. A trava de voz. Nome exato do campo — voice_reference_urls é rejeitado.
resolution	540p / 720p / 1080p / 2k / 4k. Define o lado menor. 4K retorna HEVC.
duration	Inteiro, 3–16 segundos. (Valores como 99 retornam 400 … want 16.)
aspect_ratio	16:9 / 9:16 / 1:1 / 4:3 / 3:4. Use 9:16 para vertical nativo no feed.

Perguntas frequentes

Qual é a diferença em relação ao artigo de receitas de prompt? Diferente. As receitas de prompt para referência para vídeo são planos criativos avulsos prontos para copiar e colar. Este artigo é a linha de produção para fazer um short acabado — fixar um kit de marca, gerar clipes em lote e exportar uma entrega 9:16 montada em sequência.

É obrigatório usar referência de voz? Não — reference_audio_urls é opcional. Sem ele, o clipe ainda é renderizado (e ainda traz faixa AAC). Adicione-o quando quiser uma narração consistente em uma série de vídeos.

Dá para renderizar o short inteiro em 4K? Dá, mas raramente vale a pena para o feed: 4K custa $0.446/s contra $0.1375/s em 1080p, e o feed exibe em 1080×1920 de qualquer forma. Reserve o 4K para o plano que você talvez vá reenquadrar ou reaproveitar.

Qual é a duração máxima de um clipe? duration tem limite de 16 segundos por clipe. Para shorts, o ponto ideal é uma sequência de 3–4 clipes de 3–6 segundos cada.

Por que meu arquivo 4K não reproduz? 4K retorna em HEVC/H.265 (10-bit). Recodifique para H.264 yuv420p com +faststart, como mostrado no Passo 2, para compatibilidade com a web e a maioria dos editores de vídeo.

Crie seu próprio short de marca

Esse padrão serve para qualquer mascote, produto ou pessoa em cena: fixe o kit de referência, escreva três prompts que o referenciem por número, renderize em lote e monte. Comece na página do modelo Vidu Q4 Preview referência para vídeo, obtenha uma chave de API no quickstart e publique seu primeiro short vertical hoje à tarde.