Vidu Q4 Preview 参考生视频：короткие ролики с озвучкой и брендингом

Большинство туториалов по «ИИ-видео» для коротких роликов учат делать один красивый отдельный фрагмент, а брендовому короткому ролику нужно ровно обратное: во всех трёх-четырёх фрагментах подряд один и тот же маскот, один и тот же продукт и один и тот же голос рассказчика должны присутствовать в каждом кадре. Именно для такой согласованности и существует vidu-q4-preview/reference-to-video — вы передаёте ему небольшой набор референсных изображений (и, опционально, образец голоса), и каждый последующий рендер переиспользует этот набор, а не бросает заново кости за внешний вид.

Это практический разбор рабочего процесса, а не список промптов. Я сделал от начала до конца вертикальный ролик длиной около 14 секунд — хук, основную часть с озвучкой и призыв к действию — используя только брендовый набор из двух изображений и один образец голоса, затем сгенерировал фрагменты пакетно, склеил их и экспортировал в готовый продукт для ленты 9:16. Каждый фрагмент, каждая стоимость и каждое поле ниже взяты из этого реального прогона на hiapi модели Vidu Q4 Preview 参考生视频.

Кратко

• Брендовый набор фиксируется один раз. reference_image_urls (1–15 изображений) сохраняет единообразие персонажа и продукта; reference_audio_urls (до 3) сохраняет единообразие голоса рассказчика. Каждый фрагмент короткого ролика переиспользует один и тот же набор.
• Нативная вертикальная съёмка. aspect_ratio: "9:16" рендерит настоящий кадр 1080×1920 (2160×3840 при 4K) — без обрезки на постпродакшене.
• 4K для мастера, 1080p для сдачи. 4K-вывод — это 2160×3840 HEVC/H.265; перекодируйте его в H.264 и уменьшите до 1080×1920 для публикации в ленте. Я оставил хук в 4K, а основную часть/CTA — в 1080p.
• Отправляйте пакетно, не ждите впустую. Это асинхронный API заданий — сначала отправьте все три фрагмента, затем опрашивайте. Фактическое время зависит от самого медленного фрагмента, а не от их суммы.
• Считайте бюджет по секундам. 1080p — $0.1375/сек, 4K — $0.446/сек, оплата по duration. Видео-стоимость моего ролика из трёх фрагментов составила $3.16.

Почему 参考生视频 подходит для коротких роликов с озвучкой (а image-to-video — нет)

Короткие ролики с продажей товара имеют фиксированную структуру — хук, который останавливает пролистывание, основная часть с объяснением, CTA, который подталкивает к конверсии. Если каждый фрагмент рендерится отдельно, главный риск — не качество движения, а дрейф: пропорции маскота изменились, текстура продукта изменилась, голос звучит как у другого бренда. 参考生视频 решает эту проблему напрямую:

• reference_image_urls — это ваш визуальный замок. Один портрет персонажа плюс один стоп-кадр продукта становятся фиксированным набором для трёх фрагментов. В промпте вы ссылаетесь на них по порядковому номеру («робот с референсного изображения 1», «устройство с референсного изображения 2»), так что модель знает, какой материал какой.
• reference_audio_urls — это ваш голосовой замок. Передайте короткий образец речи и переиспользуйте его в каждом фрагменте с озвучкой, и голосовая дорожка сохранит тот же тембр. (Vidu Q3 тоже принимает это поле, так что голосовая референция — не уникальное преимущество Q4 — преимущество Q4 над Q3 — это 4K-вывод и до 15 референсных изображений.)
• 4K + нативный 9:16 даёт вам чистый вертикальный мастер, который потом можно перекадрировать или использовать иначе.

Здесь и проходит граница с image-to-video. Модель Vidu Q4 Preview 图生视频 оживляет один первый кадр — подходит для одного плана, но не может удержать одновременно персонажа, продукт и голос в последовательности из нескольких фрагментов. 参考生视频 нужен вам, когда продукт — это весь ролик целиком, а не один такт.

Шаг 1 — один раз соберите брендовый набор

Весь ролик работает всего на двух референсных стоп-кадрах и одном голосовом фрагменте. Я сгенерировал два стоп-кадра на hiapi (подойдёт любой чистый, хорошо освещённый студийный кадр — модель считывает форму, материал и цвет, поэтому однотонный фон помогает ей отделить объект):

Что касается голоса, я сделал примерно 10-секундный образец озвучки с помощью модели текст-в-речь, загрузил его на публичный URL, и этот файл стал голосовой референцией для фрагментов с озвучкой. Смысл набора в переиспользовании: эти три URL материалов вставляются в каждый соответствующий запрос ниже — именно поэтому ролик остаётся цельным, рендерите вы три фрагмента или тридцать.

Несколько важных правил подготовки:

• Для референсных стоп-кадров используйте чистый, равномерный фон, чтобы объект был чётко различим.
• Перед отправкой разместите каждый референсный материал (изображения и аудио) на доступном публичном URL — API заданий загружает их на стороне сервера.
• Заранее определите канонический формат бренда; для роликов в ленте используйте 9:16 в каждом фрагменте.

Шаг 2 — хук (рендер в 4K, экспорт в 1080×1920)

У открывающего фрагмента одна задача: дать движение уже с первого кадра. Я намеренно рендерил в 4K — не потому, что ленте нужен 4K (не нужен), а потому, что мастер 2160×3840 даёт вам пространство для наезда, перекадрирования в 1:1 или 16:9 для других площадок и качественного архива. Затем вы экспортируете копию 1080×1920 для платформы.

Промпт, который я запускал (одно референсное изображение, без аудио):

The rounded white robot mascot from reference image 1 bounces up into the
centre of a bright minimalist desk scene, its teal eyes brightening as it
gives a cheerful two-arm wave toward the camera. Soft studio light, shallow
depth of field, gentle bokeh, clean pastel background, playful energetic
motion, subtle teal rim light. Vertical social-video framing.

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

Фактически возвращённый и проверенный результат: 4-секундный файл 2160×3840 — это подтверждает, что resolution задаёт короткую сторону кадра 9:16, а не фиксированный ярлык. 4K-вывод поставляется в HEVC/H.265 (10-bit), который большинство браузеров и часть монтажных программ не воспроизводят встроенно, поэтому единственный необязательный шаг здесь — перекодирование:

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

Так вы получаете фрагмент H.264 1080×1920, который играет везде, и при этом сохраняете 4K-оригинал как мастер. (Если 4K-мастер не нужен, можно сразу рендерить хук в 1080p и пропустить уменьшение — это ещё и примерно в 3 раза дешевле за секунду.)

Шаг 3 — основная часть с озвучкой (голосовая референция)

Это фрагмент, использующий весь набор: два референсных изображения и образец голоса. Модель ставит маскота рядом с продуктом, заставляет его говорить и заимствует тембр из референсного аудио.

The white robot mascot from reference image 1 stands beside the matte-white
pebble focus device from reference image 2 on a tidy wooden desk, turns to the
camera and speaks warmly, gesturing toward the glowing teal device as if
introducing it; it speaks in the voice of reference audio 1. Soft daylight,
cosy home-office background, gentle handheld sway, friendly inviting mood.
Vertical framing.

{
  "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"
  }
}

Две вещи, которые нужно знать из этого прогона:

1. Имя поля — reference_audio_urls. Я попробовал voice_reference_urls, API отклонил его (additional properties 'voice_reference_urls' not allowed), поэтому используйте точное имя. Оно принимает до трёх аудиофрагментов.
2. Каждый вывод в любом случае имеет дорожку AAC. Фрагмент без аудио-референции тоже возвращается со звуковой дорожкой. Разница проявляется в уровне: мой фрагмент основной части с озвучкой показал среднюю громкость около -20 dB — явно голосовой фрагмент — а почти беззвучный CTA — около -35 dB. Если вы хотите сохранить единообразие озвучки в серии роликов, переиспользуйте один и тот же аудио URL в каждом фрагменте с озвучкой; именно в этом и причина зафиксировать голос один раз.

Шаг 4 — CTA

Короткая энергичная концовка: маскот взаимодействует с продуктом, бирюзовый акцент бренда загорается, затем он поворачивается к камере. Используются оба референсных изображения, на этот раз без голоса.

Close vertical shot: the white robot mascot from reference image 1 reaches out
and taps the top button of the pebble device from reference image 2; the teal
LED ring pulses to life with a soft glow, and the mascot looks up at the camera
with bright teal eyes and a small confident nod. Clean minimalist desk, soft
light, crisp focus, upbeat finish. Vertical framing.

Рендер в 1080p на 4 секунды — бирюзовое кольцо продукта сохранило цвет с референсного стоп-кадра, и это награда за то, что устройство передано отдельным референсным изображением, а не описано словами.

Шаг 5 — отправляйте рендеры пакетно, не стойте над ними

参考生视频 — это асинхронный API заданий: вы делаете POST задания, получаете taskId, затем опрашиваете результат. Для ролика из трёх фрагментов отправьте все три, затем опрашивайте — ваше фактическое время станет временем самого медленного фрагмента, а не их суммой.

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)

Сохраняйте каждый taskId сразу при получении и скачивайте выходной URL сразу после успеха задания — это прямые ссылки с ограниченным сроком действия. Полный контракт интеграции — опрос, колбэки, идемпотентность и таблица ошибок валидации — см. в руководстве по API Vidu Q4 Preview 参考生视频 и справочнике по API tasks.

Шаг 6 — склейка и экспорт для ленты

После скачивания трёх фрагментов соберите ролик с помощью ffmpeg. Сначала приведите все фрагменты к одному кодеку, разрешению и частоте кадров (мои фрагменты вернулись с 24 fps; я перекодировал в 30), затем склейте:

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

Так получился 14-секундный ролик 1080×1920 вверху этой страницы. Замечания по экспорту, важные для коротких роликов:

• Держите вертикаль, держите краткость. duration — целое число от 3 до 16 секунд на фрагмент; последовательность из 3–4 фрагментов легко укладывается в окно внимания ленты.
• Уменьшайте 4K-мастер. В собранной версии использован экспорт хука 1080×1920, а не HEVC-оригинал.
• Следите за звуковой дорожкой. Поскольку каждый фрагмент несёт AAC, при склейке задавайте уровни осознанно, а не предполагайте тишину.

Стоимость

Цена рассчитывается по выходным секундам, фиксирована по разрешению и умножается на duration (сверено с актуальной страницей цен):

Разрешение	Цена / сек
540p	$0.0515
720p	$0.109
1080p	$0.1375
2K	$0.2175
4K	$0.446

Фактическая стоимость моего ролика:

Фрагмент	Разрешение	Длительность	Стоимость
Хук	4K	4 сек	$1.784
Основная часть (голос)	1080p	6 сек	$0.825
CTA	1080p	4 сек	$0.550
Итого видео		14 сек	$3.159

Подготовка брендового набора — два референсных стоп-кадра и короткий образец голоса TTS — добавила всего несколько центов. Главный рычаг стоимости — 4K для хука: снизьте его до 1080p, и весь ролик подешевеет примерно до $1.92. Рендерите хук в 4K только тогда, когда вам действительно нужен мастер для перекадрирования.

Справочник полей (шпаргалка для коротких роликов)

Поле	Описание
prompt	Обязательно. Ссылайтесь на референсные материалы по порядковому номеру («референсное изображение 1», «референсное аудио 1»).
reference_image_urls	Обязательно. Массив, 1–15 изображений. Ваш визуальный брендовый набор.
reference_audio_urls	Опционально. Массив, до 3. Голосовой замок. Точное имя поля — voice_reference_urls будет отклонено.
resolution	540p / 720p / 1080p / 2k / 4k. Задаёт короткую сторону. 4K возвращает HEVC.
duration	Целое число, 3–16 секунд. (Значения вроде 99 возвращают 400 … want 16.)
aspect_ratio	16:9 / 9:16 / 1:1 / 4:3 / 3:4. Для нативной вертикали в ленте используйте 9:16.

Частые вопросы

Чем это отличается от статьи с рецептами промптов? Отличается. Рецепты промптов для 参考生视频 — это готовые к копированию отдельные креативные кадры. Эта статья — производственный конвейер для готового короткого ролика: зафиксировать брендовый набор, сгенерировать фрагменты пакетно и экспортировать склеенный по последовательности продукт 9:16.

Обязательно ли использовать голосовую референцию? Нет — reference_audio_urls опционален. Без него фрагмент всё равно отрендерится (и всё равно с дорожкой AAC). Добавляйте его, когда хотите сохранить единообразие озвучки в серии роликов.

Можно ли рендерить весь ролик в 4K? Можно, но для ленты это редко оправдано: 4K — $0.446/сек против $0.1375/сек за 1080p, а лента всё равно показывает 1080×1920. Оставьте 4K для того кадра, который вы, возможно, перекадрируете или используете иначе.

Насколько длинным может быть один фрагмент? duration ограничен 16 секундами на фрагмент. Для коротких роликов оптимальный диапазон — 3–6 секунд на фрагмент и последовательность из 3–4 фрагментов.

Почему мой 4K-файл не воспроизводится? 4K возвращается как HEVC/H.265 (10-bit). Как показано в шаге 2, перекодируйте в H.264 yuv420p с +faststart для веба и большинства монтажных программ.

Создайте свой брендовый короткий ролик

Этот шаблон подходит для любого маскота, продукта или человека в кадре: зафиксируйте референсный набор, напишите три промпта со ссылками на него по порядковым номерам, отрендерите пакетно и склейте. Начните со страницы модели Vidu Q4 Preview 参考生视频, получите API-ключ из быстрого старта и опубликуйте свой первый вертикальный ролик уже сегодня днём.