Vidu Q4 Preview
Vidu Q4：1枚の画像を動かす、参照素材から場面を組み立てる
Vidu Q4は、ShengShu Technologyが2026年10月7日にパブリックプレビューとして公開した最新の動画モデルです。Kucaでの使い方は2通り。手元の1枚をそのまま動かすか、人物や小道具の参照画像と声のサンプルをまとめて渡し、同じキャラクターが登場する新しい場面を演出してもらうかです。クリップの長さは3〜16秒、解像度は540pから4Kまで選べます。
KucaでのVidu Q4の仕様
- モード
- 画像から動画 · 参照から動画
- クリップの長さ
- 3〜16秒
- 解像度
- 540p · 720p · 1080p · 2K · 4K
- 参照素材
- 画像は最大12枚、音声クリップは最大3つ
- アスペクト比（マルチモーダル参照）
- 16:9 · 9:16 · 4:3 · 3:4 · 1:1
Vidu Q4で何が変わったのか
Vidu Q4の進化をひと言でまとめるなら「演技」です。ShengShuによると、表情と体の動き、そして声の結びつきがこれまでのViduよりずっと強くなりました。ちらりと視線を送る、言葉に詰まる、思わず声を荒げる。そうした瞬間が、動く体に顔を貼り付けたようには見えず、ひとつの芝居として伝わります。動きに合わせたカメラワークやカット割りもより的確になり、火花や煙、花火、爆発のような派手なエフェクトも、重みと説得力のある光をまとって画面になじみます。
出力は最大4K、10bitカラーに対応しているので、夕焼け空のグラデーションや肌のトーン、夜の街並みでも階調が途切れにくくなっています。ただし今回のリリースにはPreviewの名が付いており、新しいフラッグシップシリーズの最初の公開版という位置づけです。現時点では画像と参照素材からしか生成できず、テキストだけで動画を作るモードはまだありません。KucaでVidu Q4の動画を作るときは、必ず1枚以上の画像を用意するところから始まります。
動画づくりの2つの始め方
画像1枚
画像から動画：1枚のフレームから1つのショットへ
画像から動画のモードでは、アップロードした画像がそのまま最初のフレームになります。Vidu Q4は構図やライティング、被写体をそのまま引き継ぎ、プロンプトに書いた内容に沿って続きを動かします。絵コンテのキービジュアル、商品写真、ポートレート、あるいは前に作ったクリップの最後のフレームなど、「まさにこの画から始めたい」という1枚が決まっているときに向いています。上の生成画面では「フレームから生成」タブがこのモードです。
クリップの画角は画像の形で決まるため、縦長にするか横長にするかはアップロード前のトリミングで調整しておきましょう。プロンプトには画像の中身を改めて説明するのではなく、このあと何が起きるのかを書きます。人物の動作、カメラの動き、場の空気といったことです。写っているものは、モデルがもう見ています。
参照ボード
参照から動画：素材をそろえて新しい場面を作る
参照から動画のモードでは、最初のフレームは固定されません。人物、衣装、小道具、商品、ロケーションなど、場面を構成する材料をVidu Q4に渡すと、それらを使った新しいショットを組み立ててくれます。ショートドラマや毎回登場するマスコット、商品のストーリー動画のように、同じ人や物が別々のクリップをまたいでも同じ姿で映っていなければならない場面のためのモードです。生成画面では「マルチモーダル参照」タブにあります。
こちらのモードではアスペクト比を自分で選べます。「音声を生成」をオンにすれば、映像にセリフや効果音も付きます。音声クリップを添えると、キャラクターそれぞれの声の感じを指定することもできます（任意）。アップロードした素材はすべて最初のフレームではなく参照として扱われるので、アングルやカメラとの距離、人物の立ち位置はモデルが自由に決めます。
崩れにくい参照ボードの作り方
Kucaでは、Vidu Q4の1回の生成につき参照画像を最大12枚まで使えます（Vidu自身のプラットフォームでは最大15枚とされています）。とはいえ、枚数を増やせば仕上がりが良くなるわけではありません。大切なのは、1枚ごとにモデルが推測できない情報を担わせることです。正面から見た顔と斜め前から見た顔、全身のコーディネート、正しい持ち方をした小道具、物語の舞台になる部屋や通りなどがそれにあたります。
画像は明るさにムラがなく、主役がひとりだけはっきり写っているものを選びましょう。大勢が写った集合写真では、誰が重要なのかをモデルが推測しなければなりません。後のクリップでも同じ見た目を保ちたいキャラクターがいるなら、同じ画像を同じ順番で使い回し、プロンプトでも「赤いコートの女性」「銀色の水筒」のように飾らない言葉で呼びましょう。テキストと画像が同じものを指していれば、モデルも迷いません。
- 顔（正面）
- 顔（斜め前）
- 全身の衣装
- 小道具
- ロケーション
- 2人目の人物
最大12枚
音声クリップ
- 主役
- 相手役
- ナレーター
音声クリップとサウンド
参照モードでは、MP3形式の音声クリップを最大3つまで追加できます。長さは1つにつき3〜12秒です。キャラクターの声質や話し方をショットが変わっても保ってくれるので、別々に生成したクリップをつないでシリーズにするときに真価を発揮します。BGMの入っていないクリアな話し声が理想で、1つのファイルに話者を1人だけにしておけば、声どうしが混ざることもありません。
音声クリップが決めるのは、声がどう聞こえるかという部分だけです。実際にセリフを話させるには「音声を生成」をオンにして、プロンプトにセリフそのものと、誰がどんな調子で言うのかを書きます。ささやくように、息を切らして、半分笑いながら、といった具合です。音声をオンにすると、Vidu Q4は映像に合った環境音や効果音も加えます。あとで自分で音楽を付けたり、吹き替えやミックスをしたりするつもりなら、オフのままにしておきましょう。
長さ・解像度・クレジット
Vidu Q4のクリップは、3秒から16秒のあいだで自由に長さを決められます。短いクリップほど演出はしやすく、1つの動作、1つのカメラワーク、1つの感情の山に集中できます。長めの尺は、前振りとオチが必要な場面や、クリップの途中でカットを切り替えたいプロンプトのために取っておきましょう。尺が長くなれば、そのぶん生成を待つ時間も長くなります。
料金にいちばん大きく響くのは解像度です。タイミングや構図、参照素材が正しく読み取られているかを確かめるだけなら540pで十分です。SNSに投稿するなら720pか1080pに上げ、2Kと4Kは納品やカラーグレーディングに回す本番用に取っておきましょう。クレジットは秒単位で計算され、「動画を生成」ボタンには、選んだ長さと解像度での正確な消費クレジットが生成前に表示されます。音声をオンにしても金額は変わりません。
演技を引き出すプロンプトの書き方
プロンプトは、短いショットの説明書きのつもりで書きます。画面に誰がいて、何をして、どんな気持ちで、カメラがどう動くのか。たとえば「スマホの通知を見た彼女が手を止め、ゆっくりと玄関のほうへ顔を上げる。カメラはゆっくり寄っていき、部屋は暖色のスタンドライトの明かり」と書けば、モデルには演じるべき間が伝わります。反対に「シネマティック」「エモーショナル」「美しい」と形容詞を並べても、演技の手がかりにはなりません。
1つのクリップには1つのアイデアが基本です。表情のアップと引きの画が両方ほしいなら、同じ参照素材で別々に生成して、あとから編集でつなぎます。うまくいかないときは、動作の書き方、参照画像のうち1枚、クリップの長さなど、一度に変えるのは1か所だけにしましょう。そうすれば、どの変更が効いたのかがはっきりわかります。
The detective from the first two images sits across the table from the woman in the red coat. He slides a photo toward her. She glances at it, looks away and says quietly, "I've never seen him before." Slow push-in on her face, rain running down the window behind them.Vidu Q4のよくある質問
KucaでVidu Q4の動画を作るにはどうすればいいですか？
このページ上部の生成画面でモードを選びます。「フレームから生成」なら画像を1枚アップロードし、動きを説明します。「マルチモーダル参照」なら参照画像を1〜12枚、必要に応じてMP3の音声クリップを最大3つ追加し、場面を説明します。長さと解像度を選び、ボタンの消費クレジットを確認して生成します。完成したクリップは生成履歴に表示されます。
画像から動画と参照から動画、どちらを使えばいいですか？
最初のフレームにしたい画がすでにあって、それを動かしたいだけなら画像から動画を選びます。同じ人物や衣装、商品を、自分で説明した新しいショットに登場させたいときや、一貫した声でセリフを話させたいときは参照から動画が向いています。
Vidu Q4はテキストのプロンプトだけで動画を作れますか？
現在のプレビュー版ではできません。どちらのモードにも1枚以上の画像が必要です。アイデアしかない場合は、まず画像生成モデルでキーフレームを作り、それをVidu Q4で動かすか、参照素材として使ってください。
複数のクリップで同じキャラクターを保つにはどうすればいいですか？
どのクリップも参照モードで生成し、同じ画像セットを同じ順番で使います。キャラクターは毎回同じ言葉で説明し、音声クリップも同じものを使い回しましょう。モデルは見たものに従うので、照明や衣装も参照画像の段階でそろえておくことが大切です。
どんな音声クリップが向いていますか？
長さ3〜12秒のMP3で、1人がはっきり話していて、BGMがなく、部屋の反響も少ないものが理想です。落ち着いた声のクリップからは落ち着いた声が生まれるので、ほしいトーンで録音しましょう。そのうえで「音声を生成」をオンにし、実際のセリフを引用符で囲んでプロンプトに書きます。
クリップの長さはどこまで選べて、料金はいくらですか？
長さは3〜16秒、解像度は540p・720p・1080p・2K・4Kから選べます。料金は秒単位で計算され、解像度が高いほど上がります。「動画を生成」ボタンに、その設定での正確なクレジット数が生成前に表示されます。音声をオンにしても料金は加算されません。