Vidu Q3 Mix 参考生视频提示词配方：将多张图片融合为单个镜头

摘要

• 四个可直接复制粘贴的 参考生视频 提示词，用于 vidu-q3-mix/reference-to-video，每个都附上它在 hiapi 上真实生成的片段——没有库存素材，也没有用单张静止画面代替视频。
• Q3 Mix 是 多图混合 层级：给它 1–7 张参考图片（角色、物体、场景），它就会把它们组合成一个动态镜头。以下配方每次混合 两张和三张静止图。
• 决定混合是否成立的一条规则：给参考图编号，并给每张图分配明确任务——“来自参考图 1 的滤杯放在来自参考图 2 的玻璃壶上”，绝不能模糊地说“把这些组合起来”。
• 本次运行验证：三图混合（主体 + 效果 + 背景）能够干净地合成，输出像素略低于标称 size，片段为 H.264（可直接在浏览器播放，无需转码），并且——尽管带有“原生音频”标签——每个片段返回时都是静音的。
• 复制一个提示词，替换成你自己的参考 URL，然后 POST 到 /v1/tasks。

为什么“混合”是一种不同的提示词工作

Vidu Q3 Mix（来自 ShengShu）是参考生视频层级，专门用于同时混合多张图片——最多七张，将角色、物体和场景混合成一个片段。如果提示词没有告诉模型哪张图片提供什么内容，这种能力就会被浪费。

区分干净混合与浑浊混合的一个习惯：给参考图编号，并给每张图分配明确任务。写“来自参考图 1 的滤杯放在来自参考图 2 的玻璃壶上”，而不是“把这两张组合成一个咖啡场景”。模型会将每个主体绑定到其索引；“组合这些”正是混合发生偏移的地方——它会丢失一张参考图、将两个主体平均成一个，或以错误比例粘贴某物。图 1 是 reference_image_urls 中的第一个 URL，图 2 是第二个，依此类推。

以下所有内容都使用这种模式。每个配方都列出我生成的确切参考静止图、我提交的完整提示词，以及它在 hiapi 上生成的片段。

配方 1 — 两个产品，一个主视觉场景（双图混合）

经典的“混合”任务：两个独立的产品镜头需要共享一个画面。我给 Q3 Mix 一个哑光黑色手冲滤杯和一个空玻璃壶——两张图片，两个物体——并要求它们叠放并冲泡。

参考图 1（滤杯）和 参考图 2（玻璃壶）：

来自参考图 1 的哑光黑色陶瓷手冲滤杯平稳地放在来自参考图 2 的透明玻璃咖啡壶顶部，两者一起置于浅色混凝土咖啡馆台面上。缓慢推近镜头，一股细流的新鲜咖啡开始从滤杯滴入壶中，蒸汽向上卷曲，温暖的晨光从左侧窗户斜射进来。高端产品广告质感，浅景深，轻柔的咖啡馆环境声。

哪些内容被混合了，模型又发明了什么。两个物体都正确落位：来自图 1 的滤杯坐在来自图 2 的玻璃壶上，相对比例正确，形状与静止图高度吻合。两个产品之间的一切——混凝土台面、后方失焦的咖啡馆、窗户光线、注入壶中的咖啡、蒸汽——都由模型发明；两张参考图都不包含这些内容。这就是 Q3 Mix 有用的心理模型：你锚定物体，它填充周围的世界。摄像机完成了我要求的单次推近。以 1920*1080 渲染 5 秒；交付文件为 1914×1084（见下文“低于标称尺寸”），这次生成花费约 $0.93。

配方 2 — 将角色放入全新房间（主体 + 场景）

第二种常用混合是主体加环境：一张图片负责谁，另一张负责哪里。我渲染了一个纯白背景上的毛绒机器人玩具，以及一个没有角色的阳光儿童卧室，然后要求模型将前者放入后者。

来自参考图 1 的淡蓝色毛绒机器人玩具坐在来自参考图 2 的阳光儿童卧室的木地板上。它缓慢歪头，抬起一只短手臂朝镜头挥手，尘埃微粒在温暖的窗光中飘动，轻柔的手持推近镜头。柔和、欢快、电影感，轻微的房间环境声。

哪些内容被混合了，模型又发明了什么。来自图 2 的卧室几乎原样保留——书架、条纹床、窗户及其光线、地毯上的积木都在合成中保留下来。来自图 1 的机器人被放入那个地板，并匹配暖色光线，因此它看起来是在房间里，而不是被贴上去。它执行了我指定的动作（歪头和抬臂挥手），摄像机完成了手持推近。这是“角色置于场景”的模式：让一张参考图承载整个环境，模型会为匹配环境而重新打光主体。1280*720，5 秒，约 $0.78。

配方 3 — 三张图片，一个镜头：主体 + 效果 + 背景

这个配方证明了“混合”之名。三张独立静止图——一只运动鞋、一次彩色粉末爆发和一个渐变背景——每张都有明显不同的任务，混合成一个充满活力的产品镜头。

来自参考图 1 的白色高帮运动鞋漂浮在中央，背景是来自参考图 3 的靛蓝到珊瑚色渐变背景，同时来自参考图 2 的青绿色和洋红色粉末以慢动作向外爆开。摄像机围绕鞋子弧形移动四十五度，粉末尾迹旋转并落下。充满活力的运动鞋广告，戏剧性影棚灯光，有力的呼啸声。

哪些内容被混合了，模型又发明了什么。三张参考图都出现并保持各自角色：运动鞋是主体，青绿色和洋红色粉末是包裹它的效果，靛蓝到珊瑚色渐变毫无疑问是背景。我要求的摄像机弧线可见——鞋子在五秒内相对画面旋转。三张图片能在这里保持在一起、而更模糊的提示词会把它们弄浑的原因是：每张参考图在句子中承担不重叠的任务（主体 / 效果 / 背景），并且我按索引引用它们，包括为背景乱序引用的“图 3”。超过三四张参考图后，这种纪律就不再可选——给每张图片明确任务，否则模型会悄悄丢弃最弱的那张。1280*720，5 秒，约 $0.78。（这一帧是文章封面。）

配方 4 — 竖版社交：吉祥物展示产品

最后一个是为社交准备的 9:16 混合：一张图片是品牌吉祥物，另一张是它要销售的产品。任务是让角色拿着产品，竖版，可直接用于信息流。

竖版镜头。来自参考图 1 的橙色卡通狐狸吉祥物举起来自参考图 2 的薄荷绿气泡水罐，带着欢快的小弹跳把它展示给镜头，明亮的波普色影棚背景，五彩纸屑飘落。俏皮的社交广告，有力欢快的灯光，活泼的气泡声。

哪些内容被混合了，模型又发明了什么。狐狸保持了图 1 的设计（橙色毛发、绿色围巾、大眼睛），罐子保持了图 2 的哑光薄荷绿表面，角色的爪子环绕着它——“举起……展示给镜头”这个动词将两张参考图绑定成一个动作，而不是两个物体共享画面。波普色背景和五彩纸屑是发明的。选择竖版 size（720*1280）才能让它成为竖版；没有 aspect_ratio 字段（详见下文）。4 秒，约 $0.62。

运行这些配方后我学到的内容

在花费积分之前值得了解的五件事，全部来自这批测试：

• 索引绑定是关键。这里的每个片段都遵守了“来自参考图 N 的 X”。当你想要两个主体互动时，给动作一个连接它们的动词（“举起”“放在……上面”），而不是把它们并排列出。
• 你锚定物体；模型发明连接组织。台面、整间房的光线、五彩纸屑、旋转粉末——这些都不在参考图中。对于“主体进入场景”来说这是特性，但这也意味着任何你需要保留的东西必须来自参考图片。
• 交付像素略低于标称 size。1920*1080 返回为 1914×1084，1280*720 为 1276×722，720*1280 为 722×1276。对网页来说足够接近，但不要在下游硬编码精确尺寸。
• 输出为 H.264，可直接嵌入。不同于交付 HEVC 的 4K 层级，这些片段可直接内联播放，无需重新编码——本页每个视频都是 API 直接返回的文件。
• “原生音频”并未产生音频。四个片段每一个返回时都是静音、仅视频的 MP4——尽管模型带有“原生音频”标签，且我的提示词包含声音线索（“轻柔的咖啡馆环境声”“有力的呼啸声”）。平台自己的 Q3 Mix 示例片段也是静音的。计划在后期添加声音，或者如果语音轨道不可妥协，就使用带明确音频输入的层级——Vidu Q4 Preview 配方 涵盖了语音参考工作流。

用 /v1/tasks 复现任何配方

参考生视频运行在异步任务 API 上：提交任务，轮询直到状态为 success，然后从 output[0].url 下载片段（该 URL 有效期短——立即保存文件）。

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "vidu-q3-mix/reference-to-video",
    "input": {
      "prompt": "来自参考图 1 的滤杯放在来自参考图 2 的玻璃壶上……",
      "reference_image_urls": [
        "https://your-host/dripper.png",
        "https://your-host/carafe.png"
      ],
      "duration": 5,
      "size": "1920*1080"
    }
  }'
# -> {"data":{"taskId":"tk-..."}}   然后 GET /v1/tasks/tk-... 直到 status == "success"

import requests, time

H = {"Authorization": f"Bearer {TOKEN}"}
job = requests.post("https://api.hiapi.ai/v1/tasks", headers=H, json={
    "model": "vidu-q3-mix/reference-to-video",
    "input": {"prompt": PROMPT, "reference_image_urls": REFS,
              "duration": 5, "size": "1920*1080"},
}).json()["data"]["taskId"]

while True:
    t = requests.get(f"https://api.hiapi.ai/v1/tasks/{job}", headers=H).json()["data"]
    if t["status"] in ("success", "fail"):
        break
    time.sleep(5)

open("clip.mp4", "wb").write(requests.get(t["output"][0]["url"]).content)

复制配方前值得了解的字段规则：

• reference_image_urls 接受 1–7 张图片。第八张会返回 400 maxItems: want 7。
• duration 是 整数，从 1 到 16 秒。像 4.5 或 99 这样的浮点数会在提交时被拒绝。
• 形状由 size 设置，而不是 aspect_ratio——传入 aspect_ratio（或 resolution）会返回 400 additional properties not allowed。十个 size 值是在 720 级和 1080 级两个层级上的五种宽高比；竖版选择竖版值，16:9 选择横版值。
• 没有音频参考字段——reference_audio_urls 会被拒绝。如果你需要用音频样本驱动语音，那是 Q4 Preview 层级，不是 Q3 Mix。
• 按秒计费（720 级 vs 1080 级）在 定价页面 上；这里的四个片段每个约花费 $0.62–$0.93。先在 720 级 size 上迭代构图，然后在 1080 上重新运行最终版本。

常见问题

Q3 Mix 可以混合多少张参考图片？ 一到七张。两张是常见情况（主体 + 场景）；三张仍然可以干净合成，只要每张图片承担明显不同的角色，如上面的运动鞋配方。超过四张后，给每张参考图明确、不重叠的任务，否则模型会开始丢弃最弱的那张。

如何控制哪张图片是主体、哪张是背景？ 按索引引用它们，并在同一句话中分配角色：“来自参考图 1 的运动鞋……背景为来自参考图 3 的背景。”reference_image_urls 中 URL 的顺序就是索引顺序——图 1 是第一个 URL。

Q3 Mix 会自动添加声音吗？ 在我的测试中不会。尽管带有“原生音频”标签，所有四个片段——以及平台自己的 Q3 Mix 示例——返回时都是静音 MP4，即使提示词中包含声音词汇。将 Q3 Mix 视为仅画面生成器，在后期添加音频，或切换到带明确音频输入的层级。

可以获得 4K 或自定义宽高比吗？ 没有 4K——Q3 Mix 最高为 1080 级 size 值。宽高比就是你在 size 中选择的五种形状之一（横版、竖版、方形）。若需要 4K 或语音参考，请改用 Vidu Q4 Preview。

Q3 Mix 与 Q3 Ad——选哪个？ 调用接口几乎相同（1–7 张图片、同样的十个 size 值、无音频输入），因此提示词几乎可以原样移植。当需求是产品广告时选择 Q3 Ad——它针对智能剪辑和营销镜头运动进行了调优；选择 Q3 Mix 进行通用多主体混合。每秒费率接近但不完全相同；请查看定价页面。

为什么我的混合忽略了一张参考图？ 几乎总是提示词绑定问题，而不是模型限制。如果一张参考图在句子中没有明确角色，它就会与其他参考图竞争并失败。给它一个动词和位置（“举起来自参考图 2 的罐子”），并让冲突的参考图在比例上保持距离。

---

准备好尝试了吗？打开 vidu-q3-mix/reference-to-video 模型页面，从快速开始获取密钥，然后粘贴上面的配方并替换成你自己的参考 URL。想在混合中规划镜头运动？电影感镜头运动提示词 可以直接用于其中任何一个。