Vidu Q4 im Test: Wir haben das neue Modell von Vidu AI mit 4 Referenzen, einem Sprachclip und 2K ausprobiert

Vidu Q4 ist das Modell, das Vidu AI im Oktober 2026 veröffentlicht hat, noch als Preview gekennzeichnet. Das Versprechen besteht aus zwei Dingen: viele Referenzmotive in eine einzige Einstellung bringen und die Stimme einer Figur mit einem Audioclip festlegen.

Auf einer Folie klingt das gut. Hält es auch in der Praxis? Nachdem wir Vidu Q4 zu ZOOOP hinzugefügt hatten, haben wir einen festen Satz an Eingaben gebaut und damit vier Fragen durchgespielt.

Die Kurzfassung

• Referenzen mit mehreren Motiven funktionieren wirklich. Wir haben zwei Personen, einen Roller und eine Straße vorgegeben, und alle vier tauchten in einer Einstellung auf, ohne dass die Personen vertauscht wurden oder der Roller die Farbe wechselte.
• Die Stimmreferenz erfüllt ihren Zweck. Die Sprache im Clip liegt fast auf derselben Tonhöhe wie das Referenzaudio.
• Gegen Vidu Q3 Pro sieht eine einfache Einstellung aus einem Startbild nahezu identisch aus, während Vidu Q4 spürbar weniger kostet.
• 2K ist deutlich schärfer als 540p, aber eine höhere Auflösung liefert einen neuen Clip, keine vergrößerte Kopie.
• Kein reiner Textmodus und kein Endbild. Sie starten immer mit mindestens einem Bild.

Was Vidu Q4 ist

Vidu Q4 ist das neueste Videomodell von Vidu AI und arbeitet auf zwei Arten. Der Startbild-Modus animiert ein einzelnes Bild, und das Ergebnis behält das Seitenverhältnis dieses Bildes. Der Referenzmodus nimmt bis zu 12 Referenzbilder und dazu bis zu drei MP3-Sprachclips von 3 bis 12 Sekunden entgegen und baut um diese Motive und Stimmen eine Szene.

Beide Modi liefern 3 bis 16 Sekunden, bieten fünf Auflösungen von 540p bis 4K und erzeugen nativen Ton, den Sie abschalten können. Auf ZOOOP finden Sie den Startbild-Modus unter Start- / Endbild und den Referenzmodus in der KI-Videogenerierung; wählen Sie dort jeweils Vidu Q4.

Test 1: vier Referenzmotive in einer Einstellung

Mit dem KI-Bildgenerator haben wir vier Referenzbilder erstellt: eine Frau im roten Mantel, einen bärtigen Mann mit Brille, einen mintgrünen Vintage-Roller und eine Kopfsteinpflasterstraße in einer europäischen Altstadt.

Der Prompt: Er fährt den Roller, sie sitzt hinten drauf, zur goldenen Stunde die Straße entlang, und sie winkt in die Kamera. 720p, 5 Sekunden.

Halten Sie in der letzten Sekunde an, und jede Referenz stimmt. Roter Mantel und kastanienrotes Haar gehören zu ihr, Brille und Bart zu ihm, der Roller hat genau dieses Mintgrün, und die Straße ist die aus der Referenz, samt Cafétischen links.

Die Schwachstelle: In der ersten Hälfte sind die beiden weit weg und ihre Gesichter klein. Wenn die Gesichter durchgehend erkennbar sein sollen, schreiben Sie „medium shot“ oder „the riders fill half the frame“ in den Prompt.

Test 2: eine Stimmreferenz für die Figur

Hier ist Vidu Q4 am eigenständigsten, und es ist die wichtigste neue Fähigkeit dieser Generation von Vidu AI. Mit Text zu Sprache haben wir einen 5,7 Sekunden langen Clip erstellt, in dem sich eine Frau vorstellt. Diesen Clip haben wir dem Modell zusammen mit dem Foto im roten Mantel gegeben und sie den Satz auf der Straße in die Kamera sprechen lassen. 540p, Hochformat 9:16, 6 Sekunden.

Mundbewegung und Sprechtempo passen zum Gesagten. Um die Stimme zu beurteilen, haben wir uns nicht nur auf unsere Ohren verlassen, sondern die Tonhöhe gemessen: Der Referenzclip liegt im Median bei etwa 219 Hz, die erzeugte Sprache bei etwa 225 Hz, weniger als 3 % auseinander und mit fast derselben Streuung. Mit anderen Worten: Vidu Q4 folgt der Referenzstimme wirklich.

Wer eine Serie produziert, wird das mögen: Dieselbe Figur kann von Clip zu Clip gleich klingen.

Test 3: dasselbe Startbild, Vidu Q4 gegen Vidu Q3 Pro

Eine häufige Frage ist, was Vidu Q4 besser macht als Vidu Q3. Wir haben ein Foto einer Frau mit Kaffee an einem Café-Fenster und einen einzigen Prompt genommen (sie hebt die Tasse, nimmt einen Schluck, lächelt und dreht sich zur Kamera) und damit beide Modelle in 720p für 5 Sekunden laufen lassen.

Ehrlich gesagt ist der Unterschied winzig. Die Bewegung ist in beiden fast gleich: ein Schluck, die Tasse sinkt ein wenig, eine Drehung und ein Lächeln. Licht, Haare und Tasse halten in beiden Fällen gleich gut.

Wenn Sie also nur ein Bild animieren wollen, liefern Vidu Q3 Pro und Vidu Q4 beide ab, und Q4 ist hier klar das günstigere der beiden. Absetzen kann sich Q4 bei der Referenzarbeit mit mehreren Motiven und Stimmsteuerung aus Test 1 und 2, die es in der Reihe Vidu Q3 nicht gibt.

Test 4: Wie viel 540p gegenüber 2K ausmacht

Dasselbe Rollerbild, derselbe Prompt („slow push-in as sunlight glints off the chrome mirrors“), 3 Sekunden in 540p und in 2K. Hier derselbe Ausschnitt aus beiden:

In 540p sind Spiegelrand und Bremshebel weich; in 2K sind die Chromglanzlichter und das Metall des Hebels klar zu erkennen. Der Startbild-Modus behält außerdem die Form des Bildes: Diese Produktaufnahme in 4:3 kam als 4:3-Video zurück.

Ein Haken: Im 2K-Clip ist der Scheinwerfer an, im 540p-Clip aus. Eine andere Auflösung liefert Ihnen einen anderen Clip, nicht den 540p-Take hochskaliert. Nutzen Sie 540p, um Prompts zu testen, und nicht, um einen Take auszuwählen und ihn dann „hochzustufen“.

Was nicht geklappt hat, und die Grenzen

• Keine Generierung nur aus Text. Der Startbild-Modus braucht ein Bild, der Referenzmodus mindestens ein Referenzbild. Für reines Text-zu-Video nehmen Sie ein anderes Modell.
• Kein Endbild. Übergänge nach dem Muster „mach aus A ein B“ sind nicht möglich.
• Der Referenzmodus ist langsamer. Unsere Clips im Startbild-Modus kamen nach ein bis zwei Minuten zurück; Clips im Referenzmodus brauchten mehrere Minuten.
• Es ist noch eine Preview. Das Verhalten kann sich zwischen Versionen ändern, testen Sie also im Kleinen, bevor Sie ein großes Projekt angehen.
• Stimmreferenzen müssen MP3 sein, jeweils 3 bis 12 Sekunden lang.

So holen Sie das Beste aus Vidu Q4 heraus

Diese Reihenfolge hat bei uns mit dem neuen Modell von Vidu AI funktioniert:

1. Testen Sie Prompts und Referenzkombinationen in 540p mit 3 bis 5 Sekunden und prüfen Sie, ob jede Person und jedes Objekt erkannt wird;
2. Wenn die Richtung stimmt, rendern Sie die finale Fassung in 1080p, 2K oder 4K;
3. Für mehrere Clips mit derselben Figur verwenden Sie dieselbe Stimmreferenz erneut, damit die Stimme konsistent bleibt;
4. Setzen Sie die Teile auf der generativen Leinwand zusammen.

Wenn Sie nur ein Foto zum Leben erwecken wollen und weder mehrere Motive noch eine Stimme brauchen, liegen Q3 Pro und Q4 nah beieinander, Sie können also beide nehmen.

Unser Fazit

Vidu Q4 ist nicht in allem besser als die Vorgängergeneration; bei einer einfachen Einstellung aus einem Startbild liegt es gleichauf mit Vidu Q3 Pro. Sein Wert liegt darin, mehrere feste Personen und Objekte in eine Einstellung zu bringen und die Stimme mit einem Audioclip festzulegen, zwei Dinge, die bisher unmöglich waren oder in der Nachbearbeitung korrigiert werden mussten. Für Markenfiguren, Kurzserien und Werbespots mit mehreren Personen lohnt sich ein Blick auf das neue Modell von Vidu AI.

Technische Daten und weitere Beispiele finden Sie auf der Modellseite von Vidu Q4.