Vidu Q4 参考生视频的工作原理
参考生视频没有起始画面。它不是让一张图动起来，而是把你上传的每张参考图都当作一种独立的「原料」——一张脸、一套服装、一件产品、一个房间——再生成一个包含它们的全新镜头。提示词就是剧本，告诉模型这些原料如何相遇。
参考素材按上传顺序编号。第一张上传的图是「参考图1」，第二张是「参考图2」，声音片段则是「参考音频1」到「参考音频3」。写「参考图1中的女子把参考图4中的瓶子递给参考图2中的男子」，就能把从没同框拍摄过的人物、物品和地点连接起来。
由于没有固定首帧，你还需要选择视频的画幅：16:9、9:16、1:1、4:3 或 3:4。也因为模型需要知道要生成什么，这个模式必须填写提示词。
如何挑选好的参考图
每张参考图都应该清楚地教会模型一件事。混杂、凌乱的图片会让模型猜测哪部分才是重点。
每张图只放一个主体
把每张参考图裁到只剩一个人物、物品或场景。合照会让模型分不清哪张脸属于哪个角色。
关键人脸多角度
同一角色的正面、四分之三侧面和侧面照，能帮助模型在镜头围绕角色移动时保持面孔可辨认。
完整服装与道具
一张服装全身照，再加上重要道具的单独干净图片，能让服装和物品在各个镜头中保持一致。
一张场景空镜
一张没有人物的场景照片，比如咖啡馆、街道或屋顶，能让场景固定下来，而不是每次生成都换一个新背景。
什么时候该用满 12 张参考图
一次生成最多可以放 12 张图，但不是越多越好。场景里有很多元素必须保持一致时才用满；不需要时就保持精简。
多余的图片反而可能起反作用：五张几乎一样的同一张脸照片不会带来新信息，一张模糊的参考图还会增加干扰。为每个角色建一个参考图文件夹，在每一集里复用——保持系列一致靠的是复用同一套素材，而不是数量。
| 场景 | 建议的参考图 | 原因 |
|---|---|---|
| 简单产品放入新场景 | 2–4 张：产品多角度、Logo 特写、场景 | 元素少，多放图帮助不大。 |
| 一个角色、一个场景 | 4–6 张：三个人脸角度、服装、场景 | 角度足够，镜头移动时才能稳住面孔。 |
| 两个角色对话 | 8–12 张：每张脸三个角度、两套服装、布景 | 每个角色都需要一组清晰的多角度照片。 |
| 连续剧集 | 最多 12 张：两位主角、服装、关键道具、两个场景 | 每个元素都要和之前的剧集一致。 |
配置 3 段声音参考
声音参考能让角色用一致的复刻声音说话，并实现口型同步。
- 格式： 最多 3 段 MP3 片段，每段 3–12 秒。
- 每段只录一个人。 每位说话者单独录制，不要有音乐、回声或背景人声。清晰、自然的语气是最好的起点。
- 在提示词里对应声音。 写明哪个角色用哪段声音，例如「参考图2中的男子用参考音频1说：『今晚不行。』」
- 保持原生音频开启。 人声会作为视频音频的一部分，与环境音一起生成。
- 声音参考是可选的。 不上传声音参考时，模型依然会生成场景，原生音频也仍可加入环境音和音效。
如何组织多镜头叙事
Vidu Q4 可以在一次生成中切换多个镜头。最清楚的写法是在提示词里列出编号的镜头清单，每个镜头先写景别和运镜，再写动作。
16 秒以内的视频建议安排 2–4 个镜头，再多每个镜头就太短、看不清了。先放交代环境的镜头，让地点一目了然；各个镜头始终使用同一组参考素材，避免角色走样；台词放在该角色出镜的镜头里。
- 镜头 1 — 远景： 交代地点和在场的人物。
- 镜头 2 — 中景： 主要动作或第一句台词。
- 镜头 3 — 特写： 人物反应、产品细节或情绪高点。
Vidu Q4 参考生视频输出选项
以上是Vidu Q4 Preview的使用限制。视频越长、分辨率越高，耗时和积分越多，建议先用 540p 和较短时长测试；费率见价格页。
| 选项 | 取值 |
|---|---|
| 参考图 | 1–12 张 |
| 声音参考 | 0–3 段 MP3，每段 3–12 秒 |
| 画幅比例 | 16:9、9:16、1:1、4:3、3:4 |
| 时长 | 3–16 秒 |
| 分辨率 | 540p、720p、1080p、2K、4K（2K 和 4K 为 10-bit） |
| 音频 | 原生音频可开可关 |
| 提示词 | 必填 |
参考生视频提示词示例
每个示例都按编号引用参考素材，请按同样的顺序上传图片。提示词用英文效果通常更稳定。
双人对话
On the rooftop from reference image 5, the woman from reference image 1 turns to the man from reference image 3 and says, "You kept it all this time?" using reference audio 1. He nods. Medium two-shot, city lights at dusk.
参考图 1–2：她的脸和服装 · 3–4：他的 · 5：屋顶。
生活场景中的产品
The chef from reference image 1 sets the knife from reference image 2 on the wooden board from reference image 3 and slices a tomato in one smooth stroke. Close-up, warm kitchen light.
给产品单独一张干净的参考图，形状才能保持准确。
角色进入新场景
The explorer from reference image 1, wearing the jacket from reference image 2, walks through the snowy forest from reference image 3 and stops to look up at the northern lights. Slow tracking shot.
场景空镜能让森林在多次重试中保持一致。
多镜头追逐
Shot 1: wide shot of the courier from reference image 1 sprinting down the market street from reference image 3. Shot 2: medium tracking shot as she jumps over a fruit cart. Shot 3: close-up of the package from reference image 2 in her hand. Fast, energetic.
三个镜头放在 10–16 秒的视频里比较合适。
吉祥物旁白
The robot mascot from reference image 1 waves at the camera in the store from reference image 2 and says, "Welcome back! Everything is 20% off today," using reference audio 1. Static camera, bright lighting.
单个旁白只需要一段声音片段。
选参考生视频还是图生视频？
参考生视频让你控制场景里有什么；图生视频让你精确控制第一帧长什么样。如果你已经有完美的画面，只需要让它动起来，Vidu Q4 图生视频更快，并且开场画面会和原图完全一致。如果这个镜头还不存在——新的组合、新的地点、对白、不同的画幅——就需要用这个模式来搭建。
想先了解模型本身，可以从Vidu Q4介绍开始。准备好后，打开Vidu Q4 生成器，切换到参考生视频标签，按提示词中的编号顺序上传图片。Vidu Q4 分步指南介绍了两种模式的所有设置。
Vidu Q4 参考生视频常见问题
Vidu Q4 参考生视频最多支持多少张参考图？
在本站每次生成支持 1 到 12 张（Vidu Q4 官方上限为 15 张）。多个角色、服装和场景都需要保持一致时多放一些，简单场景则少放。
Vidu Q4 参考生视频可以不加声音参考吗？
可以。声音参考是可选的，最多可以加 3 段。不加时，原生音频依然可以为场景加入环境音和音效。
Vidu Q4 参考生视频必须写提示词吗？
必须。因为没有固定首帧，提示词要告诉模型如何组合各个参考素材，所以这个模式不能留空。
Vidu Q4 参考生视频支持哪些画幅比例？
五种：16:9、9:16、1:1、4:3 和 3:4，生成前选择即可。
为什么角色在不同生成结果里看起来不一样？
通常是因为参考图太少、太相似或太杂乱。补充清晰的正面、四分之三侧面和侧面照，裁掉其他人物，并且每次都复用完全相同的一组参考图。
可以用真人照片作为参考图吗？
只有在获得本人许可的情况下才可以。我们的服务条款不允许未经同意使用真人的面孔或声音，也不允许制作意图误导他人的内容。