Vidu Q4 anmeldelse: vi testede Vidu AI's nye model med 4 referencer, et stemmeklip og 2K

Vidu Q4 er den model, Vidu AI lancerede i oktober 2026, og den er stadig mærket som preview. Løftet består af to ting: at sætte mange referencemotiver ind i én indstilling og at låse en karakters stemme fast med et lydklip.

Det lyder godt på en slide. Men holder det? Efter at have tilføjet Vidu Q4 til ZOOOP byggede vi ét fast sæt input og kørte det igennem fire spørgsmål.

Den korte version

• Referencer med flere motiver virker faktisk. Vi gav den to personer, en scooter og en gade, og alle fire dukkede op i én indstilling, uden at de to personer blev byttet om, og uden at scooteren skiftede farve.
• Stemmereferencen gør sit arbejde. Talen i klippet lander på næsten samme tonehøjde som referencelyden.
• Over for Vidu Q3 Pro ser en simpel indstilling ud fra et startframe næsten identisk ud, mens Vidu Q4 koster mærkbart mindre.
• 2K er langt skarpere end 540p, men en højere opløsning giver dig et nyt klip, ikke en forstørret kopi.
• Ingen ren teksttilstand og intet slutframe. Du starter altid med mindst ét billede.

Hvad Vidu Q4 er

Vidu Q4 er den nyeste videomodel fra Vidu AI, og den fungerer på to måder. Startframe-tilstand animerer et enkelt billede, og outputtet beholder billedets billedformat. Referencetilstand tager op til 12 referencebilleder plus op til tre MP3-stemmeklip på 3 til 12 sekunder og bygger én scene op omkring de motiver og stemmer.

Begge tilstande laver klip på 3 til 16 sekunder, tilbyder fem opløsninger fra 540p til 4K og genererer native lyd, som du kan slå fra. På ZOOOP finder du startframe-tilstanden i første og sidste frame til video og referencetilstanden i AI-videogeneratoren; vælg Vidu Q4 i begge.

Test 1: fire referencemotiver i én indstilling

Vi lavede fire referencebilleder med AI-billedgeneratoren: en kvinde i rød frakke, en skægget mand med briller, en mintgrøn vintagescooter og en brostensgade i en europæisk gammel bydel.

Prompten: han kører scooteren med hende bagpå ned ad gaden i den gyldne time, og hun vinker til kameraet. 720p, 5 sekunder.

Sæt det sidste sekund på pause, og hver eneste reference stemmer. Den røde frakke og det rødbrune hår er hendes, brillerne og skægget hans, scooteren har præcis den mintgrønne farve, og gaden er den fra referencen, cafébordene til venstre inklusive.

Svagheden: i den første halvdel er de to langt væk, og deres ansigter er små. Skal ansigterne kunne ses tydeligt hele vejen igennem, så skriv "medium shot" eller "the riders fill half the frame" i prompten.

Test 2: en stemmereference til karakteren

Det er her, Vidu Q4 skiller sig mest ud, og det er den største nye evne i denne generation af Vidu AI. Vi brugte tekst til tale til at lave et klip på 5,7 sekunder, hvor en kvinde præsenterer sig selv. Det klip gav vi modellen sammen med fotoet af kvinden i den røde frakke og bad hende sige replikken til kameraet ude på gaden. 540p, lodret 9:16, 6 sekunder.

Mundbevægelser og tempo passer med talen. For at vurdere stemmen stolede vi ikke kun på ørerne, men målte tonehøjden: referenceklippet ligger omkring 219 Hz i median, den genererede tale omkring 225 Hz. Det er under 3 % fra hinanden, med næsten samme spredning. Med andre ord: Vidu Q4 følger faktisk referencestemmen.

Alle, der laver en serie, vil sætte pris på det her: den samme karakter kan lyde ens fra klip til klip.

Test 3: samme startframe, Vidu Q4 mod Vidu Q3 Pro

Et typisk spørgsmål er, hvad Vidu Q4 gør bedre end Vidu Q3. Vi tog ét foto af en kvinde med kaffe ved et cafévindue og én prompt (hun løfter koppen, tager en slurk, smiler og vender sig mod kameraet) og kørte det på begge i 720p i 5 sekunder.

Helt ærligt er forskellen lille. Bevægelsen er næsten den samme i begge: en slurk, koppen sænkes lidt, en drejning og et smil. Lys, hår og kop holder lige godt i begge.

Så hvis du bare skal animere ét billede, leverer både Vidu Q3 Pro og Vidu Q4, og her er Q4 klart den billigste af de to. Der, hvor Q4 trækker fra, er referencearbejdet med flere motiver og stemmestyring fra test 1 og 2, som Vidu Q3-serien ikke tilbyder.

Test 4: hvor meget 540p mod 2K betyder

Samme scooterbillede, samme prompt ("slow push-in as sunlight glints off the chrome mirrors"), 3 sekunder i 540p og i 2K. Her er det samme udsnit fra hver:

I 540p er spejlkanten og bremsehåndtaget bløde; i 2K står kromrefleksionerne og håndtagets metal skarpt. Startframe-tilstanden beholder også billedets form: dette produktbillede i 4:3 kom tilbage som 4:3-video.

Én hage ved det: forlygten er tændt i 2K-klippet og slukket i 540p-klippet. Ændrer du opløsningen, får du et andet klip, ikke 540p-optagelsen skaleret op. Brug 540p til at teste prompts, ikke til at vælge en optagelse og "opgradere" den.

Hvad der gik galt, og begrænsningerne

• Ingen generering ud fra tekst alene. Startframe-tilstand kræver et billede, og referencetilstand kræver mindst ét referencebillede. Til ren tekst-til-video skal du bruge en anden model.
• Intet slutframe. Overgange af typen "lav A om til B" ligger uden for rækkevidde.
• Referencetilstand er langsommere. Vores startframe-klip kom tilbage på et minut eller to; referenceklip tog flere minutter.
• Den er stadig en preview. Opførslen kan ændre sig mellem versioner, så test i det små før et stort projekt.
• Stemmereferencer skal være MP3, hver på 3 til 12 sekunder.

Sådan får du mest ud af Vidu Q4

Her er den rækkefølge, der virkede for os med Vidu AI's nye model:

1. Test prompts og kombinationer af referencer i 540p i 3 til 5 sekunder, og tjek, at hver person og hvert objekt bliver genkendt;
2. Når retningen er rigtig, så render den endelige version i 1080p, 2K eller 4K;
3. Til flere klip med den samme karakter genbruger du den samme stemmereference, så stemmen forbliver ens;
4. Saml stykkerne på det generative lærred.

Skal du bare puste liv i et foto og har ikke brug for flere motiver eller en stemme, ligger Q3 Pro og Q4 tæt, så begge kan bruges.

Konklusionen

Vidu Q4 er ikke bedre end den forrige generation til alt; i en simpel indstilling ud fra et startframe står den lige med Vidu Q3 Pro. Dens værdi ligger i at sætte flere faste personer og objekter ind i én indstilling og låse stemmen fast med et lydklip, to ting, der før var umulige eller krævede rettelser i efterbehandlingen. Til brandkarakterer, korte serier i afsnit og reklamer med flere personer er Vidu AI's nye model et forsøg værd.

Specifikationer og flere eksempler finder du på modelsiden for Vidu Q4.