Vidu Q4 Preview 参考生视频提示词配方：可直接复制的提示词与真实输出

TL;DR

• 五条可直接复制的 参考生视频 提示词配方，面向 vidu-q4-preview/reference-to-video，每条都配上了它在 hiapi 上实际生成的片段——不是库存素材，也不是效果图。
• 参考生视频就是「把多张静图融合成一个镜头」的模式：你给它 1–15 张参考图，还可选提供 最多 3 段参考音频，它会渲染成一段 3–16 秒 的单一镜头，最高可达 4K。
• 包含一段真实的 4K 电影感片段，以及一个可用的 声音参考（「开口说话的主持人」）示例，并展示了精确的 reference_audio_urls 请求。
• 真正改变了输出的提示词规则：用序号来指代每一份参考、把镜头写成 一个连续动作，以及附加声音时在提示词里保留台词。
• 复制 JSON，换成你自己的参考 URL，然后 POST 到 /v1/tasks。

vidu-q4-preview/reference-to-video 到底做什么

Vidu Q4 Preview（来自生数科技）在 hiapi 上有两条产品线，它们不能互换：

• reference-to-video（本页）：你提供一组参考图——一个角色、一个地点、一个产品、一件道具——模型把它们组合成一个运动镜头。字段是 reference_image_urls，接受 1–15 张图片。
• image-to-video（配方见此）：你提供 单张首帧（image_url），它把 那一帧 向前动画化。它完全拒绝 reference_image_urls。

所以，当你想把彼此独立的主体 组合 进一个场景时，选参考生视频；当你已经有确切的起始帧、只想要运动时，选图生视频。如果你用过 Vidu Q3 的参考系列页面，这里的跃升是具体的：Q4 Preview 增加了 4K 输出（Q3 最高 1080p），并把参考预算提高到 1–15 张图（Q3 Mix 允许 1–7 张）。两代都能接受音频参考；这些配方侧重利用 Q4 更大的图片预算和 4K。

已验证的输入 schema（2026 年 10 月对着 /v1/tasks 实测）：

字段	必填	取值
prompt	是	自由文本；用序号指代参考主体
reference_image_urls	是	数组，1–15 个公开图片 URL
reference_audio_urls	否	数组，最多 3 个音频 URL（声音/音效参考）
resolution	否	540p · 720p · 1080p · 2k · 4k
duration	否	整数，3–16 秒
aspect_ratio	否	16:9 · 9:16 · 1:1 · 4:3 · 3:4

定价是 按分辨率设定的固定每秒费率（所以 5 秒片段就是每秒单价 × 5）。截至 2026 年 10 月，hiapi 上：540p $0.0515/秒，720p $0.109/秒，1080p $0.1375/秒，2K $0.2175/秒，4K $0.446/秒。完整数字见 定价页。实用的结论是：在 720p 上迭代提示词，然后把满意的那条放到 4K 重跑——提示词本身什么都不变，只有倍数变。

我们是怎么跑出这些结果的（方便你复现）

下面每个片段都是在 hiapi 上通过异步任务 API 生成的。流程始终一样：

1. 参考图必须能通过公网访问。我们用 gpt-image-2/text-to-image 生成自己的图片，上传到静态存储桶，再传那些 URL——你可以用任何已托管的图片。
2. 用每条配方中给出的请求体 POST /v1/tasks。
3. 轮询 GET /v1/tasks/{taskId} 直到 status 为 success，然后下载 output[0].url（这是限时链接——立即保存）。

快速入门文档见 hiapi 文档。一个最小请求长这样：

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"
    }
  }'

下面是配方。

配方 1 —— 单参考快速上手

最适合：最简单的参考生视频——一个主体，一段干净的动画。在开始融合之前先从这里入手。

输入参考图：

真实输出（720p，3 秒）：

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "参考图 1 中的毛茸茸蓝色小熊在雪地里向前缓慢走两步，然后抬头看向镜头并挥动一只爪子。轻柔飘落的雪，电影感柔光。",
    "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"
  }
}

为什么有效：即使只有一张图，点名它（「来自参考图 1 的毛茸茸蓝色小熊」）也能锚定主体，让模型去动画化 那只 熊，而不是凭空造一只新的。一个简短、具体的动作（「走两步……挥动一只爪子」）在 3 秒内比含糊的「让它动起来」更容易干净地渲染。注意，尽管我们没附加任何参考音频，片段回来时也带有一条环境音轨。

配方 2 —— 电影感 4K，角色 + 场景融合

最适合：你的主视觉镜头。两张参考——一个主体和一个环境——融合成一段有氛围的镜头，以 4K 收尾。

输入参考（主体 + 地点）：

真实输出（4K，3 秒）：

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "参考图 1 中的黄铜发条猫头鹰飞入参考图 2 中烛光摇曳的工坊，翅膀嗡鸣、齿轮可见，然后轻轻落在木制工作台上。它慢慢把头转向镜头并眨了一下眼。温暖的琥珀色烛光闪烁，尘埃微粒飘浮，浅景深电影感。",
    "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"
  }
}

为什么有效：提示词给每份参考分配了一个 角色——图 1 是演员，图 2 是布景——这样模型就知道哪张静图是主体、哪张是背景。镜头方向是一个连续的构想（飞入 → 降落 → 转向镜头），参考生视频会把它渲染成一个不间断的镜头。按 $0.446/秒，这个 3 秒 4K 片段约花 $1.34；我们先在 720p 上验证了构图。

配方 3 —— 声音参考（开口说话的主持人）

最适合：一个用特定声音说话的角色。你把一段音频作为 reference_audio_urls 附加；音频设定 音色，提示词设定 台词 和口型同步。

输入参考图：

输入参考音频：presenter_voice.mp3（我们用 qwen-audio-3.0-tts-plus 生成了这句台词；任何已托管的音频 URL 都可用）。

真实输出（1080p，5 秒）：

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "参考图 1 中的主持人直视镜头，用参考音频 1 的声音说出这句台词，口型自然同步，头部小幅摆动，笑容温暖。稳定的演播室镜头，柔和布光，轻微呼吸感。",
    "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"
  }
}

为什么有效：关键短语是「用 参考音频 1 的声音 说出这句台词」。音频参考驱动声音；提示词仍然承载表演说明（「自然口型同步」「温暖笑容」）。让音频片段的长度接近你的 duration，这样语音才能放进镜头里。reference_audio_urls 是一个数组——最多可以传三段片段，来参考多个声音，或一个声音加一层环境声。

配方 4 —— 三参考产品融合

最适合：用彼此独立的产品静图做商业风格构图——瓶子、道具、台面——布置进一个场景。

输入参考（产品 + 道具 + 场景）：

真实输出（1080p，4 秒）：

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "组合一个场景：把参考图 1 中的磨砂精华瓶直立放在参考图 3 中的大理石梳妆台上，让参考图 2 中的尤加利枝条靠在它旁边。缓慢的电影感推镜，一滴水珠从瓶身滑落，柔和晨光，轻柔蒸汽。高端护肤品广告质感。",
    "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"
  }
}

为什么有效：三张干净、独立的静图（每个主体都在纯色背景上）给模型提供了无歧义的部件来组装。提示词明确说明了 空间布局（「在梳妆台上」「在它旁边」），并用精确序号指代每张图。当参考图本身很杂乱，或者你只说「把这些合起来」却不告诉模型每件东西该放哪时，融合就会跑偏。

配方 5 —— 竖屏社媒循环（9:16）

最适合：短视频平台。同样的模型，同样的提示词纪律，只是 aspect_ratio: "9:16"。

输入参考图：

真实输出（720p，5 秒，竖屏）：

{
  "model": "vidu-q4-preview/reference-to-video",
  "input": {
    "prompt": "参考图 1 中白青配色的机器人吉祥物挥动双臂，开心地小跳一下，最后对镜头竖起大拇指。彩色纸屑爆开，弹跳有力的动作，明亮欢快的灯光，竖屏社交媒体构图。",
    "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"
  }
}

为什么有效：aspect_ratio 控制的是 输出 画幅，所以竖屏片段只需设 9:16——参考图可以是任意形状。对社媒循环来说，给角色一个清晰的开始—中间—结尾节拍（挥手 → 跳一下 → 竖大拇指），这样 5 秒读起来才是一个完整的微瞬间，而不是一个碎片。

真正改变了输出的提示词写作规则

• 给你的参考编号。「参考图 1 中的猫头鹰」「参考图 2 中的场景」。模型把主体和序号绑定；「把这些图片合起来」正是融合出错的根源。
• 给每份参考一个角色。说明哪张静图是演员、哪张是布景、哪张是道具。含糊会让模型去猜。
• 把镜头写成一个动作。参考生视频是 3–16 秒的单一连续镜头。一个镜头构想（「推近」「飞入并降落」）胜过一串多镜头清单。
• 用声音时，点名音频并保留台词。「用参考音频 1 的声音说话」+ 提示词里的实际句子。让音频长度与 duration 匹配。
• 便宜的迭代，4K 定稿。分辨率是固定的每秒倍数，不碰你的提示词——先在 720p 验证镜头，再把赢家放到 4K 重跑。

FAQ

Vidu Q4 Preview 上参考生视频和图生视频有什么区别？ 参考生视频接受一 组 图片（reference_image_urls，1–15 张），并把它们组合成一个镜头。图生视频接受 单张 首帧（image_url）并把它动画化——它拒绝 reference_image_urls。想把彼此独立的主体融合，就用参考生视频；当你已经有确切的起始帧时，就用图生视频。

怎么加参考声音？ 传 reference_audio_urls——一个最多三段公开音频 URL 的数组——并告诉提示词「用参考音频 1 的声音说话」。音频设定音色；提示词设定台词和口型同步。

我可以用多少张参考图？ 1 到 15 张。简单的动画一张就够；要用更多张把角色、地点和道具融合到同一个场景里，就多给几张。

支持哪些分辨率和时长？ 分辨率 540p、720p、1080p、2k、4k；时长是 3 到 16 秒的整数；宽高比 16:9、9:16、1:1、4:3、3:4。

一段 4K 片段要多少钱？ 4K 是每秒 $0.446，所以 3 秒 4K 片段约 $1.34，5 秒约 $2.23。较低分辨率便宜得多（720p 是每秒 $0.109）。当前数字请查看 定价页。

参考图必须是公开 URL 吗？ 是的——模型会去抓取它们，所以必须能通过互联网访问。把它们托管在任何可公开访问的地方，然后传 URL。

关键要点

• 参考生视频是把 1–15 张静图 融合 成一段 3–16 秒的镜头；图生视频是把单张首帧动画化。
• 用序号指代每一份参考，并给它一个角色——这一个习惯就能修复大多数融合跑偏。
• 声音参考是 reference_audio_urls（最多 3 段）；音频设定声音，提示词设定台词。
• 4K（每秒 $0.446）是 Q4 Preview 相对 Q3 的招牌——用它做定稿，在 720p 上迭代。
• 复制上面任一配方，换成你的参考 URL，然后跑起来。

准备好试试了吗？打开 vidu-q4-preview/reference-to-video 模型页，从 文档 拿一个 API key，然后粘贴一条配方。如果你只有一张锚定帧而不是一组图，请从 图生视频产品线 开始，或者浏览 hiapi 博客里更多 参考生视频工作流 和 提示词配方。