Vidu Q4 Preview 图生视频提示词配方：可复制粘贴的提示词与真实 4K 输出

Vidu Q4 Preview（vidu-q4-preview/image-to-video）只做一件事：它取单张静态图像作为首帧，将其动画化为 3–16 秒的片段，最高支持真正的 4K，并内置声音。本文是一本可用的 vidu-q4-preview 图生视频提示词食谱——三条可复制粘贴的配方，覆盖你实际会用到的手法：缓慢的电影感推镜、产品环绕，以及竖屏短视频动作镜头。

下面的每个片段都是紧挨其旁边的确切提示词一次生成的真实输出——没有跨多次运行挑选——并且每个价格在发布前都对照实时的定价页面核对过。如果你需要多张参考图像，或需要特定声音在多个镜头间保持一致，那是另一个端点——参考生视频——不是这个。

30 秒 schema 回顾

Vidu i2v 运行在 hiapi 的异步任务端点上（POST /v1/tasks），输入 schema 刻意保持小而严格：

字段	必填	说明
prompt	是	描述运动和镜头，而非场景——图像已经是场景
image_url	是	一个可公开获取的 URL（单数——不是 image_urls）；作为首帧
resolution	否	540p、720p、1080p、2k、4k 之一
duration	否	整数秒，3–16（整数，不是字符串）

有两个行为值得牢记，因为两者都很容易搞错：

• 没有 aspect_ratio 字段。传入该字段会返回 400 additional properties 'aspect_ratio' not allowed。片段继承首帧的形状，因此 16:9 静帧得到 16:9 片段，9:16 静帧得到竖屏片段。你通过选择（或裁剪）图像来控制宽高比，而不是通过提示词。
• reference_image_urls 也会被拒绝。该字段属于参考生视频。图生视频严格只接受一个首帧。

定价是按秒、按分辨率计费——时长是乘数：

分辨率	价格 / 秒	5 秒片段
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

由于成本随秒数增长，分辨率实际上是一个预算旋钮。草稿保持在 540p/720p，然后把满意的版本以 1080p 或 4K 重新渲染。（完整、最新的数字始终位于定价页面。）

i2v 提示词公式

图生视频颠覆了通常的思维模型：图像是场景，因此提示词只是运动和镜头。不要重新描述画面中已有的内容——你会和模型对抗。可靠的结构：

[按顺序描述什么在动] → [一条镜头指令] → [你想要的環境音] → [一句“无剪辑 / 不间断镜头”条款]

最后两点在多数 i2v 模型上更重要。Vidu 原生渲染音频——下面的每个片段都返回了匹配的音轨，尽管我完全没有传入音频参考——因此如果你提到风、滋滋声或脚步声，你往往会得到它们。而指定一个单一、清晰的镜头运动（“缓慢推近”“半圈环绕”）能保持镜头连贯；堆叠三个相互竞争的运动，你就会得到一团糊。

配方 1 — 4K 电影感推镜，配原生音频

旗舰手法：从一个安静的定场帧开始，让摄像机缓缓推进，同时小物件在动。这就是配得上 4K 档位的配方。

首帧（单独生成的一张静帧，然后作为 image_url 传入）：

运动提示词：

The camera slowly pushes in toward the glowing cabin window as snowflakes drift
down and the warm lamplight gently flickers; the thin chimney smoke curls and
rises into the dusk air. Soft ambient wind with a faint, cozy crackle of a fire
inside. Calm, unbroken cinematic shot, no cuts.

真实输出（resolution: "4k"，duration: 4）：

返回结果：一个真正的 3840×2160 片段，4 秒，带有低风和柔和噼啪声的 AAC 音轨——仅由提示词中的声音描述生成。成本：4 秒 × $0.446 = $1.78。

拆解：

• 一个镜头动词。“缓慢推近”就是全部的镜头方向。推镜让静态小屋产生一种“抵达感”，而无需任何剪辑。
• 次要运动让它活起来。飘落的雪、闪烁的灯光和缭绕的烟雾都是小而符合物理的运动——这正是 i2v 擅长的。它们读起来像“照片活了过来”，这就是你想要的效果。
• 声音是描述的，不是上传的。“柔和的环境风……微弱、温馨的噼啪声”就足够了；原生音轨与之匹配。对于无对白的氛围片段，你需要的就是这些。
• 把 4K 留给满意的成品。以 $0.446/秒计算，它是最贵的档位，远超其他。先在 720p（同样 4 秒 $0.44）上原型测试这个确切提示词，只在运动看起来正确后才花费 4K 渲染。

配方 2 — 1080p 的平滑产品环绕

环绕是电商和美食领域的 i2v 拿手好戏：围绕主角物体一条干净的弧线，让表面材质发挥作用。1080p 是甜点区——足够清晰以支撑销售，成本只是 4K 的零头。

首帧：

运动提示词：

The camera smoothly orbits a slow half-circle around the burger while thin steam
keeps rising and the melted cheddar glistens as the warm light sweeps across it;
subtle reflections travel over the dark slate. Ambient kitchen room tone with a
faint sizzle. Locked focus on the burger, no cuts.

真实输出（resolution: "1080p"，duration: 5）：

返回结果：一个 1920×1080 片段，5 秒，带有安静的厨房环境声。成本：5 秒 × $0.1375 = $0.69。

拆解：

• “半圈”，不是“旋转”。限定环绕范围（“缓慢的半圈”）能让主体保持居中，运动可读。“绕圈旋转”没有限制往往会过度移动并丢失产品。
• 让光也移动，而不只是镜头。“暖光扫过……反光在石板上移动”给环绕提供了可揭示的东西，因此片段感觉是三维的，而不是像转台。
• 点名你想动画化的材质。“薄薄的蒸汽”“融化的切达奶酪闪闪发光”——点出物理特性才能得到升腾的蒸汽和镜面高光。未点名的表面往往保持扁平。
• “焦点锁定在汉堡上”是阻止模型把注意力飘向背景的廉价方法。

配方 3 — 720p 的竖屏短视频动作

对于 Reels/TikTok/Shorts，你需要 9:16、一个节拍的人体运动，以及足够低以便迭代的成本。因为 i2v 没有宽高比字段，竖屏形状完全来自竖屏首帧——这是该规则最清晰的展示。

首帧（一张 9:16 静帧）：

运动提示词：

The dancer breaks from the frozen pose into one smooth spin and settles back into
a confident stance on the beat; a light handheld camera sway follows the motion as
dust motes swirl through the golden backlight. Ambient city-street tone with soft
footsteps and distant traffic.

真实输出（resolution: "720p"，duration: 6）：

返回结果：一个 720×1280 竖屏片段，6 秒，带有街道氛围音轨。注意 720p 在这里的作用——它把短边设为 720，并保持首帧的 9:16 形状。成本：6 秒 × $0.109 = $0.65。

拆解：

• 一个节拍的运动。“从姿势中爆发，完成一个流畅旋转，然后落定”是一个完整、有边界的动作。模糊的“跳舞”提示词会漂移；起-动-止的弧线会成功。
• 手持晃动卖出“手机拍摄”感。轻微的跟随增加生命感，而没有大镜头运动的眩晕感——非常适合短视频。
• 宽高比是帧的职责。这里没有字段可设；竖屏结果直接来自输入竖屏静帧。想要方形？输入 1:1 图像。想要宽屏？输入 16:9。

用 /v1/tasks 复现任意配方

三次调用相同——只有 image_url、resolution 和 duration 变化。提交，然后轮询返回的 taskId 直到 status 为 success，读取 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": "The camera slowly pushes in toward the glowing cabin window as snowflakes drift down...",
      "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": "The camera smoothly orbits a slow half-circle around the burger...",
        "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)

调用前有两个值得知道的坑：

• duration 是整数，不是字符串——4，不是 "4"。（如果你在这个平台上用过其他接受 "6" 的视频模型，这个正好相反。）高于 16 的值会返回 400 duration: maximum: got N, want 16。
• 输出 URL 会过期。output[0].url 是一个限时链接；立即下载字节并移到自己的存储，而不是热链接它。

调节分辨率、时长和宽高比

几个经核实的行为可以省钱并避免意外：

• 分辨率设定短边，宽高比跟随帧。上面 9:16 静帧上的 720p 给出 720×1280。数字是质量，不是形状。
• 4K 以 HEVC (H.265) 交付。4K 渲染返回为 HEVC .mp4；质量更高但更大，且某些浏览器无法内联播放 HEVC。对于网页嵌入，我们把上面的片段重新编码为 H.264——像素是模型的，只是更友好的容器。如果你要交付到开放网络，请为 4K 规划转码步骤。
• 音频是免费且自动的。每个片段都带有音轨，无需任何音频参考，由提示词中的词语驱动。如果你想要静音，不要描述声音。
• 时长是线性成本。4 秒 4K 片段（$1.78）比 16 秒 540p 片段（$0.82）更贵。让档位匹配交付物，而不是反过来。

更深入地了解这个模型依赖的两个杠杆，hiapi 有专门的文章：AI 视频提示词中的电影感镜头运动和首帧和尾帧控制——两者都直接适用于上面的配方。

常见问题

vidu-q4-preview 图生视频真的支持 4K 吗？ 是的。上面的推镜配方以 resolution: "4k" 渲染，文件是真正的 3840×2160 片段。它是最贵的档位，$0.446/秒，所以用于最终版，而非草稿。

如何设置宽高比？ 你不需要——没有 aspect_ratio 字段，传入会返回 400。片段采用首帧的形状：16:9 进，16:9 出；9:16 进，竖屏出。将静帧裁剪到你想要的宽高比。

它会自己添加声音吗？ 会。每个输出都带有音轨，即使你不传音频参考。提示词中的声音描述（风、滋滋声、脚步声）塑造你得到的结果。对于无声片段，干脆不要提声音。

图生视频和参考生视频有什么区别？ 图生视频动画化一个首帧——它关注的是运动。参考生视频接受1–15 张参考图像（以及可选的声音参考）以在镜头间保持角色、场景和声音一致。如果你从单张图片开始，你需要本页的端点；对于一致性工作，参见参考生视频。

一个片段多少钱？ 秒数 × 你分辨率的每秒费率。这里的三个片段分别花费 $1.78（4K，4 秒）、$0.69（1080p，5 秒）和 $0.65（720p，6 秒）。当前费率在定价页面。

什么构成一个好的首帧？ 一个干净、构图良好、有明显“势能”的静帧——某种明显想要动的东西（烟、水、蓄势待发的人物、光源）。帧越清晰、越不杂乱，运动就越干净。

开始动画化你的静帧

选一张有东西想动的静帧，按顺序写出运动，指定一个镜头运动和你想要的声音，然后从 720p 开始调整。当运动看起来正确时，把满意的版本以 1080p 或 4K 重新渲染。

在vidu-q4-preview 图生视频模型页面获取你的密钥和完整输入 schema，或从任务 API 快速入门开始，粘贴上面的任意配方。