Vidu Q4 রিভিউ: Vidu AI-এর নতুন মডেলকে আমরা 4টি রেফারেন্স, একটি ভয়েস ক্লিপ আর 2K-তে যাচাই করেছি

Vidu Q4 হলো অক্টোবর 2026-এ Vidu AI-এর প্রকাশ করা মডেল, যার গায়ে এখনও প্রিভিউ লেবেল লাগানো। এর মূল দাবি দুটি: একটি শটে অনেকগুলো রেফারেন্স সাবজেক্ট রাখা, আর একটি অডিও ক্লিপ দিয়ে চরিত্রের কণ্ঠ পাকা করে দেওয়া।

স্লাইডে শুনতে ভালোই লাগে। কাজের বেলায় টেকে কি? Vidu Q4-কে ZOOOP-এ যুক্ত করার পর আমরা একটি নির্দিষ্ট ইনপুট সেট বানিয়ে সেটিকে চারটি প্রশ্নের মধ্য দিয়ে চালিয়েছি।

সংক্ষেপে

• মাল্টি-সাবজেক্ট রেফারেন্স সত্যিই কাজ করে। আমরা দিয়েছিলাম দুজন মানুষ, একটি স্কুটার আর একটি রাস্তা, আর চারটিই একটি শটে হাজির হয়েছে; মানুষ দুজন অদলবদল হয়নি, স্কুটারের রংও বদলায়নি।
• ভয়েস রেফারেন্স তার কাজ করে। ক্লিপের কথাগুলো রেফারেন্স অডিওর প্রায় একই পিচে আসে।
• Vidu Q3 Pro-এর তুলনায় শুরুর ফ্রেম থেকে বানানো সাধারণ একটি শট প্রায় একই রকম দেখায়, আর খরচে Vidu Q4 চোখে পড়ার মতো সস্তা।
• 540p-এর চেয়ে 2K অনেক বেশি ঝকঝকে, তবে বেশি রেজোলিউশনে আপনি নতুন একটি ক্লিপ পাবেন, বড় করা কপি নয়।
• শুধু টেক্সটের কোনো মোড নেই, শেষ ফ্রেমও নেই। সবসময় অন্তত একটি ছবি দিয়ে শুরু করতে হয়।

Vidu Q4 কী

Vidu Q4 হলো Vidu AI-এর সবচেয়ে নতুন ভিডিও মডেল, আর এটি দুইভাবে কাজ করে। শুরুর ফ্রেম মোড একটি ছবিকে অ্যানিমেট করে, আর আউটপুট ছবিটির অনুপাত ধরে রাখে। রেফারেন্স মোড সর্বোচ্চ 12টি রেফারেন্স ছবি আর 3 থেকে 12 সেকেন্ডের সর্বোচ্চ তিনটি MP3 ভয়েস ক্লিপ নেয়, তারপর সেই সাবজেক্ট আর কণ্ঠগুলো ঘিরে একটি দৃশ্য তৈরি করে।

দুটি মোডই 3 থেকে 16 সেকেন্ড চলে, 540p থেকে 4K পর্যন্ত পাঁচটি রেজোলিউশন দেয়, আর নিজস্ব অডিও তৈরি করে, যা আপনি বন্ধ করে দিতে পারেন। ZOOOP-এ শুরুর ফ্রেম মোড আছে শুরু ও শেষ ফ্রেম থেকে ভিডিও-তে, আর রেফারেন্স মোড এআই ভিডিও জেনারেটর-এ; যেকোনোটিতে Vidu Q4 বেছে নিলেই হলো।

পরীক্ষা 1: একটি শটে চারটি রেফারেন্স সাবজেক্ট

আমরা এআই ছবি জেনারেটর দিয়ে চারটি রেফারেন্স ছবি বানিয়েছিলাম: লাল কোট পরা এক নারী, চশমা পরা দাড়িওয়ালা এক পুরুষ, একটি মিন্ট-সবুজ ভিনটেজ স্কুটার, আর ইউরোপের এক পুরোনো শহরের পাথর-বাঁধানো রাস্তা।

প্রম্পট: বিকেলের সোনালি আলোয় পুরুষটি স্কুটার চালিয়ে রাস্তা ধরে যাচ্ছে, পেছনে বসে আছে নারীটি, আর সে ক্যামেরার দিকে হাত নাড়ে। 720p, 5 সেকেন্ড।

শেষ সেকেন্ডে থামিয়ে দেখুন, প্রতিটি রেফারেন্স মিলে যায়। লাল কোট আর লালচে-বাদামি চুল তারই, চশমা আর দাড়ি পুরুষটির, স্কুটারটি সেই মিন্ট-সবুজ, আর রাস্তাটিও রেফারেন্সের সেই রাস্তা, বাঁ দিকের ক্যাফের টেবিলগুলো পর্যন্ত।

দুর্বল দিক: প্রথম অর্ধেকে আরোহীরা অনেক দূরে, তাই মুখগুলো ছোট দেখায়। পুরো সময় মুখ স্পষ্ট চাইলে প্রম্পটে "medium shot" বা "the riders fill half the frame" লিখে দিন।

পরীক্ষা 2: চরিত্রের জন্য ভয়েস রেফারেন্স

এখানেই Vidu Q4 সবচেয়ে আলাদা, আর Vidu AI-এর এই প্রজন্মের প্রধান নতুন ক্ষমতাও এটাই। আমরা টেক্সট থেকে স্পিচ দিয়ে এক নারীর আত্মপরিচয়ের 5.7 সেকেন্ডের একটি ক্লিপ বানিয়েছিলাম, তারপর লাল কোটের ছবির সঙ্গে সেই ক্লিপটি মডেলকে দিয়ে বলেছিলাম, সে রাস্তায় দাঁড়িয়ে ক্যামেরার দিকে তাকিয়ে লাইনটি বলুক। 540p, উল্লম্ব 9:16, 6 সেকেন্ড।

ঠোঁটের নড়াচড়া আর কথার গতি কণ্ঠের সঙ্গে মিলে যায়। কণ্ঠ কতটা মিলল, তা বিচারে আমরা শুধু কানের ওপর ভরসা করিনি, পিচ মেপে দেখেছি: রেফারেন্স ক্লিপের মিডিয়ান প্রায় 219 Hz, তৈরি হওয়া কণ্ঠ প্রায় 225 Hz, পার্থক্য 3%-এর কম, আর বিস্তারও প্রায় একই। অর্থাৎ, Vidu Q4 সত্যিই রেফারেন্স কণ্ঠ অনুসরণ করে।

যারা সিরিজ বানান, তাদের এটা ভালো লাগবে: একই চরিত্র ক্লিপের পর ক্লিপে একই রকম শোনাতে পারে।

পরীক্ষা 3: একই শুরুর ফ্রেম, Vidu Q4 বনাম Vidu Q3 Pro

একটি প্রচলিত প্রশ্ন হলো, Vidu Q3-এর চেয়ে Vidu Q4 কোথায় ভালো। আমরা ক্যাফের জানালার পাশে কফি হাতে এক নারীর একটি ছবি আর একটি প্রম্পট নিয়েছিলাম (সে কাপ তোলে, এক চুমুক দেয়, হাসে আর ক্যামেরার দিকে ঘোরে), তারপর দুটিতেই 720p-তে 5 সেকেন্ড চালিয়েছি।

সত্যি বলতে, পার্থক্য খুবই সামান্য। দুটিতেই নড়াচড়া প্রায় একই: এক চুমুক, কাপটা একটু নামে, ঘুরে তাকিয়ে হাসি। আলো, চুল আর কাপ দুটিতেই সমান ভালোভাবে ঠিক থাকে।

তাই শুধু একটি ছবিকে অ্যানিমেট করাই যদি আপনার দরকার হয়, Vidu Q3 Pro আর Vidu Q4 দুটিই কাজ চালিয়ে দেয়, আর এখানে Q4 স্পষ্টতই সস্তা। Q4 এগিয়ে যায় পরীক্ষা 1 আর 2-এর মতো মাল্টি-সাবজেক্ট, কণ্ঠচালিত রেফারেন্সের কাজে, যা Vidu Q3 লাইনে নেই।

পরীক্ষা 4: 540p আর 2K-এর পার্থক্য কতটা

একই স্কুটারের ছবি, একই প্রম্পট ("slow push-in as sunlight glints off the chrome mirrors"), 540p আর 2K-তে 3 সেকেন্ড করে। প্রতিটি থেকে একই অংশ কেটে নিচে দেওয়া হলো:

540p-তে আয়নার কিনারা আর ব্রেক লিভার ঝাপসা; 2K-তে ক্রোমের ঝিলিক আর লিভারের ধাতব ভাব স্পষ্ট বোঝা যায়। শুরুর ফ্রেম মোড ছবির আকারও ধরে রাখে: এই 4:3 প্রোডাক্ট শটটি 4:3 ভিডিও হয়েই ফিরেছে।

একটা ব্যাপার খেয়াল রাখুন: 2K ক্লিপে হেডলাইট জ্বলছে, 540p-তে নিভে আছে। রেজোলিউশন বদলালে আপনি পাবেন একটি আলাদা ক্লিপ, 540p টেকটির বড় করা সংস্করণ নয়। 540p ব্যবহার করুন প্রম্পট পরীক্ষার জন্য, কোনো টেক বেছে সেটাকে "আপগ্রেড" করার জন্য নয়।

কী ভেঙেছে, আর সীমাবদ্ধতা

• শুধু টেক্সট দিয়ে তৈরি করা যায় না। শুরুর ফ্রেম মোডে একটি ছবি লাগে, আর রেফারেন্স মোডে অন্তত একটি রেফারেন্স ছবি। নিখাদ টেক্সট থেকে ভিডিওর জন্য অন্য মডেল ব্যবহার করুন।
• শেষ ফ্রেম নেই। "A-কে B-তে বদলে দাও" ধরনের ট্রানজিশন এর আওতার বাইরে।
• রেফারেন্স মোড ধীর। আমাদের শুরুর ফ্রেমের ক্লিপগুলো এক-দুই মিনিটে চলে এসেছিল; রেফারেন্স ক্লিপে লেগেছে কয়েক মিনিট।
• এটি এখনও প্রিভিউ। সংস্করণ বদলের সঙ্গে আচরণ বদলাতে পারে, তাই বড় প্রজেক্টের আগে ছোট করে পরীক্ষা করুন।
• ভয়েস রেফারেন্স হতে হবে MP3, প্রতিটি 3 থেকে 12 সেকেন্ড।

Vidu Q4 থেকে সবচেয়ে বেশি কাজ আদায় করা

Vidu AI-এর নতুন মডেলে আমাদের জন্য যে ক্রমটি কাজ করেছে:

1. 540p-তে 3 থেকে 5 সেকেন্ডে প্রম্পট আর রেফারেন্সের কম্বিনেশন পরীক্ষা করুন, আর দেখে নিন প্রতিটি মানুষ ও বস্তু ঠিকঠাক চেনা গেছে কি না;
2. দিক ঠিক হলে চূড়ান্ত ক্লিপটি 1080p, 2K বা 4K-তে রেন্ডার করুন;
3. একই চরিত্রের কয়েকটি ক্লিপের জন্য একই ভয়েস রেফারেন্স বারবার ব্যবহার করুন, যাতে কণ্ঠ একই থাকে;
4. টুকরোগুলো জেনারেটিভ ক্যানভাস-এ জুড়ে নিন।

শুধু একটি ছবিকে জীবন্ত করা দরকার হলে, আর একাধিক সাবজেক্ট বা কণ্ঠের দরকার না থাকলে, Q3 Pro আর Q4 কাছাকাছি ফল দেয়, তাই যেকোনোটাই চলবে।

শেষ কথা

Vidu Q4 সবকিছুতে আগের প্রজন্মের চেয়ে ভালো নয়; শুরুর ফ্রেমের সাধারণ শটে এটি Vidu Q3 Pro-এর সঙ্গে সমানে সমান। এর মূল্য হলো একটি শটে কয়েকজন নির্দিষ্ট মানুষ আর বস্তু রাখা, আর একটি অডিও ক্লিপ দিয়ে কণ্ঠ বেঁধে দেওয়া, এমন দুটি কাজ যা আগে হয় অসম্ভব ছিল, নয়তো পোস্ট-প্রোডাকশনে ঠিক করতে হতো। ব্র্যান্ড চরিত্র, পর্বভিত্তিক শর্ট আর একাধিক মানুষের বিজ্ঞাপনের জন্য Vidu AI-এর নতুন মডেলটি একবার চেষ্টা করে দেখার মতো।

স্পেসিফিকেশন আর আরও উদাহরণ পাবেন Vidu Q4 মডেল পেজ-এ।