Vidu Q4 预览版
Vidu Q4：让一帧画面动起来，或用参考素材搭一场新戏
Vidu Q4 是生数科技（ShengShu Technology）最新的视频模型，2026 年 10 月 7 日以公开预览版的形式上线。在 Kuca 上，它有两种用法：一种是让单张图片直接动起来；另一种是把一组参考图和语音片段交给它，让同一批角色在一场新戏里重新登场。每条片段时长 3 到 16 秒，分辨率从 540p 到 4K 都可以选。
Vidu Q4 在 Kuca 上的参数一览
- 模式
- 图生视频 · 参考生视频
- 片段时长
- 3–16 秒
- 分辨率
- 540p · 720p · 1080p · 2K · 4K
- 参考素材
- 最多 12 张图片 + 3 段语音
- 画面比例（全能参考）
- 16:9 · 9:16 · 4:3 · 3:4 · 1:1
Vidu Q4 这次升级了什么
Vidu Q4 的新东西，大多落在“演技”上。按生数的说法，这一代把面部表情、肢体动作和声音绑得比以往任何一个 Vidu 版本都紧：一个眼神、一次停顿、一声喊叫，看上去是同一个人在演，而不是一张脸硬贴在一段动作上。微表情更细腻，情绪更清楚，动作也更自然。它还更懂得配合人物的动作去安排运镜和切镜；火花、烟雾、烟花、爆炸、粒子这类特效放进画面里也更有分量，光影更可信，整体画面也更讲究。
输出最高可达 4K，并支持 10-bit 色彩，天空、肤色和夜景里的明暗过渡会更平滑。这个版本挂着 Preview 标签，是一条全新旗舰系列的第一个公开版本，目前只能从图片和参考素材出发，还没有纯文字生成的模式。所以你在 Kuca 上做的每一条 Vidu Q4 视频，都至少要从一张图片开始。
做视频的两种起步方式
单张图片
图生视频：一帧画面，一个镜头
图生视频把你上传的图片当作开场的第一帧。Vidu Q4 会保留原图的构图、光线和主体，再按照提示词往下演。如果你手上已经有那一帧确切想要的画面，比如分镜里的关键画面、一张产品图、一张人像，或者上一条片段的最后一帧、想接着往下拍，就选这个模式。在上方的生成器里，它对应的是“帧生成”标签页。
片段的画幅完全跟着图片走，没有单独的比例选项，所以上传之前先把图片裁成你需要的形状。写提示词时，重点交代接下来会发生什么：人物的动作、镜头怎么运动、整体是什么氛围。不用再把图片里的内容复述一遍，模型已经看得到了。
参考素材
参考生视频：一组参考素材，拍出一场新戏
参考生视频不会锁定开场画面。你把一场戏需要的元素交给 Vidu Q4，包括人物、服装、道具、产品和场景，它会用这些素材重新组织出新的镜头。拍短剧、做反复出镜的品牌吉祥物、讲一个产品故事时，同一个人或同一件东西要在好几条独立的片段里都对得上，这时就该用它。在生成器里，它放在“全能参考”标签页下。
在这个模式下，画面比例由你自己选，还可以打开音频，让模型在画面之外加上对白和音效。可选的语音片段用来告诉它每个角色应该是什么声音。你上传的所有东西都只是参考，而不是画面帧，所以机位、景别和人物走位都交给模型自己安排。
搭一组靠得住的参考素材
在 Kuca 上，每次 Vidu Q4 生成最多可以放 12 张参考图；Vidu 在自家平台上标的上限是 15 张。但图片多不等于效果好。每一张都应该提供模型自己猜不到的信息：正脸和四分之三侧脸、从头到脚的完整穿搭、道具的正确拿法，以及这场戏发生的房间或街道。
尽量用干净、光线均匀、每张只有一个明确主体的图片。挤满人的合照会逼着模型自己去猜谁才是重点。如果某个角色在后面的片段里还得长得一样，就按同样的顺序重复使用同一组图片，并在提示词里用最直白的说法点明，比如“穿红色风衣的女人”“那只银色保温杯”，让文字和图片指向同一样东西。
- 正脸
- ¾ 侧脸
- 全身穿搭
- 道具
- 场景
- 第二个角色
最多 12 张图片
语音片段
- 主角
- 搭档
- 旁白
语音片段与声音
参考模式最多可以上传 3 段 MP3 格式的语音片段，每段 3 到 12 秒。它们的作用是让角色的音色和说话方式在不同镜头之间保持稳定；一部短剧往往是由多次独立生成的片段剪在一起的，这一点就格外要紧。最好用清晰的人声，底下不要垫音乐，一个文件里只放一个人说话，几个角色的声音就不会串在一起。
语音片段只决定话怎么说，不决定说什么。想让角色开口，就要打开“生成音频”，把台词写进提示词，同时写清楚是谁说、用什么状态说：压低声音、上气不接下气、半笑着。打开音频后，Vidu Q4 还会配上和画面相符的环境声与音效。如果你打算之后自己配乐、配音或混音，就把它关掉。
时长、分辨率与积分
每条 Vidu Q4 片段的时长可以在 3 到 16 秒之间任选，默认是 720p、5 秒。短片段更好导：一个动作、一次运镜、一个情绪点。偏长的时长留给需要铺垫和收尾的戏，或者提示词里要求片中切镜头的场景；也别忘了，片段越长，等待的时间也越长。
对费用影响最大的是分辨率。540p 足够用来检查节奏、构图，以及参考图有没有被正确理解。发社交平台可以升到 720p 或 1080p，2K 和 4K 留给最终交付或者还要调色的版本。积分按秒计算，分辨率越高越贵；在你真正花出积分之前，“生成视频”按钮会显示当前时长和分辨率对应的准确积分，打开音频也不会改变价格。
用提示词指挥一场表演
提示词要写得像一句简短的镜头说明：画面里有谁、在做什么、是什么情绪、镜头怎么动。比如“她看完手机上的消息，整个人僵住，然后慢慢抬头看向门口；镜头缓缓推近，台灯是暖黄色的光”，这样模型就有了一个能演出来的节拍。反过来，堆一串“电影感、情绪饱满、唯美”之类的形容词，它根本没有东西可演。
一条片段只讲一件事。如果既要人物的反应镜头，又要一个全景，就用同一组参考分开生成，之后再剪到一起。效果不对的时候，一次只改一个地方，不管是动作的写法、某一张参考图还是时长，这样你才分得清到底是哪一处改动起了作用。
前两张图里的警探坐在桌子一侧，对面是穿红色风衣的女人。他把一张照片推到她面前。她扫了一眼，移开视线，低声说：“我从来没见过他。”镜头缓缓推近她的脸，两人身后的窗户上，雨水不停往下流。
Vidu Q4 常见问题
怎么在 Kuca 上用 Vidu Q4 生成视频？
打开本页顶部的生成器，先选模式。在“帧生成”下上传一张图片，描述你想要的动作；在“全能参考”下添加 1 到 12 张参考图，需要的话再加最多 3 段 MP3 语音，然后描述这场戏。选好时长和分辨率，看一眼按钮上显示的积分，再点“生成视频”。生成好的片段会出现在你的生成记录里。
该用图生视频还是参考生视频？
如果你已经有确定的第一帧，只想让它动起来，就用图生视频，它会保留原图的构图和光线。如果同一个角色、同一套服装或同一件产品要出现在你新描述的镜头里，或者你希望对白一直是同一个声音，就用参考生视频，机位和走位交给模型安排。
Vidu Q4 能只用文字提示词生成视频吗？
当前的预览版还不行，两种模式都至少需要一张图片，支持 JPG、PNG 和 WebP 格式。如果你手里只有一个想法，可以先用图片模型生成一张关键帧，再用 Vidu Q4 把它动起来，或者把它当作参考图放进全能参考里。这张关键帧最好主体清楚、光线均匀，不管走哪种模式都更容易出好结果。
怎样让同一个角色在多条片段里保持一致？
每条片段都用参考模式生成，按相同的顺序放入同一组图片，每次都用同样的词描述这个角色，并重复使用同一段语音。参考图本身的光线和服装也要保持一致，因为模型是照着它看到的东西来生成的。
什么样的语音片段效果最好？
一段 3 到 12 秒的 MP3，只有一个人清楚地说话，没有背景音乐，房间回声也尽量小；一个文件只录一个人，最多可以放 3 段。用你想要的语气去录，平静的样本会得到平静的声音。然后打开“生成音频”，把真正要说的台词用引号写进提示词里。
片段最长多久？要花多少积分？
时长 3 到 16 秒，分辨率可选 540p、720p、1080p、2K 或 4K。费用按秒计算，分辨率越高越贵；开始生成之前，“生成视频”按钮会显示当前设置下的准确积分。打开音频不会额外加价。想省积分的话，先用 540p 确认节奏和构图，再升到更高分辨率出成片。