Análisis de Vidu Q4: probamos el nuevo modelo de Vidu AI con 4 referencias, un clip de voz y 2K

Vidu Q4 es el modelo que Vidu AI lanzó en octubre de 2026, todavía marcado como versión preliminar. Su propuesta se resume en dos cosas: meter muchos sujetos de referencia en un mismo plano y fijar la voz de un personaje con un clip de audio.

En una diapositiva suena bien. ¿Aguanta en la práctica? Después de añadir Vidu Q4 a ZOOOP, preparamos un conjunto fijo de entradas y lo pasamos por cuatro preguntas.

La versión corta

• Las referencias con varios sujetos funcionan de verdad. Le dimos dos personas, un scooter y una calle, y los cuatro aparecieron en un mismo plano sin que las personas se intercambiaran ni el scooter cambiara de color.
• La referencia de voz cumple. La voz del clip queda casi en el mismo tono que el audio de referencia.
• Frente a Vidu Q3 Pro, un plano sencillo desde un fotograma inicial se ve casi idéntico, mientras que Vidu Q4 cuesta bastante menos.
• El 2K es mucho más nítido que el 540p, pero una resolución mayor te da un clip nuevo, no una copia ampliada.
• No hay modo solo texto ni fotograma final. Siempre partes de al menos una imagen.

Qué es Vidu Q4

Vidu Q4 es el modelo de vídeo más reciente de Vidu AI y funciona de dos maneras. El modo de fotograma inicial anima una sola imagen, y el resultado conserva la relación de aspecto de esa imagen. El modo de referencia admite hasta 12 imágenes de referencia y hasta tres clips de voz en MP3 de 3 a 12 segundos, y construye una escena alrededor de esos sujetos y esas voces.

Los dos modos generan de 3 a 16 segundos, ofrecen cinco resoluciones de 540p a 4K y crean audio nativo que puedes desactivar. En ZOOOP, el modo de fotograma inicial está en primer y último fotograma a vídeo y el modo de referencia en el generador de vídeo IA; elige Vidu Q4 en cualquiera de los dos.

Prueba 1: cuatro sujetos de referencia en un mismo plano

Creamos cuatro imágenes de referencia con el generador de imágenes IA: una mujer con abrigo rojo, un hombre con barba y gafas, un scooter vintage verde menta y una calle adoquinada de un casco antiguo europeo.

El prompt: él conduce el scooter con ella detrás, por la calle a la hora dorada, y ella saluda a la cámara con la mano. 720p, 5 segundos.

Si pausas en el último segundo, todas las referencias cuadran. El abrigo rojo y el pelo cobrizo son los de ella, las gafas y la barba son las de él, el scooter tiene justo ese verde menta y la calle es la de la referencia, mesas de café a la izquierda incluidas.

El punto débil: durante la primera mitad, los dos están lejos y sus caras se ven pequeñas. Si necesitas que las caras se distingan todo el rato, escribe "medium shot" o "the riders fill half the frame" en el prompt.

Prueba 2: una referencia de voz para el personaje

Aquí es donde Vidu Q4 más se diferencia, y es la gran novedad de esta generación de Vidu AI. Con texto a voz creamos un clip de 5,7 segundos de una mujer presentándose; luego le dimos al modelo ese clip junto con la foto del abrigo rojo y le pedimos que ella dijera la frase a cámara, en la calle. 540p, vertical 9:16, 6 segundos.

El movimiento de la boca y el ritmo encajan con lo que dice. Para juzgar la voz no nos fiamos solo del oído y medimos el tono: el clip de referencia ronda los 219 Hz de mediana y la voz generada los 225 Hz, menos de un 3 % de diferencia y con una dispersión casi igual. Dicho de otro modo, Vidu Q4 sigue de verdad la voz de referencia.

A quien haga una serie le va a gustar: el mismo personaje puede sonar igual de un clip a otro.

Prueba 3: mismo fotograma inicial, Vidu Q4 contra Vidu Q3 Pro

Una pregunta habitual es qué hace Vidu Q4 mejor que Vidu Q3. Tomamos una foto de una mujer con un café junto a la ventana de una cafetería y un solo prompt (levanta la taza, da un sorbo, sonríe y se gira hacia la cámara), y lo lanzamos en los dos a 720p durante 5 segundos.

Siendo sinceros, la diferencia es mínima. El movimiento es casi igual en los dos: un sorbo, la taza baja un poco, se gira y sonríe. La luz, el pelo y la taza aguantan igual de bien.

Así que, si solo necesitas animar una imagen, Vidu Q3 Pro y Vidu Q4 cumplen los dos, y aquí Q4 es claramente el más barato. Donde Q4 se despega es en el trabajo de las pruebas 1 y 2, con referencias de varios sujetos y guiado por voz, algo que la línea Vidu Q3 no ofrece.

Prueba 4: cuánto importa 540p frente a 2K

La misma imagen del scooter, el mismo prompt ("slow push-in as sunlight glints off the chrome mirrors"), 3 segundos a 540p y a 2K. Aquí tienes la misma zona recortada de cada uno:

A 540p, el borde del retrovisor y la maneta del freno se ven blandos; a 2K, los brillos del cromo y el metal de la maneta se leen con claridad. El modo de fotograma inicial también respeta la forma de la imagen: esta foto de producto en 4:3 volvió como vídeo en 4:3.

Una pega: el faro está encendido en el clip a 2K y apagado en el de 540p. Cambiar la resolución te da un clip distinto, no la toma de 540p ampliada. Usa 540p para probar prompts, no para elegir una toma y "mejorarla" después.

Qué falló, y los límites

• No hay generación solo con texto. El modo de fotograma inicial necesita una imagen y el modo de referencia, al menos una imagen de referencia. Para texto a vídeo puro, usa otro modelo.
• No hay fotograma final. Las transiciones del tipo "convertir A en B" quedan fuera.
• El modo de referencia es más lento. Nuestros clips con fotograma inicial llegaron en un minuto o dos; los de referencia tardaron varios minutos.
• Sigue siendo una versión preliminar. El comportamiento puede cambiar entre versiones, así que haz pruebas pequeñas antes de un proyecto grande.
• Las referencias de voz tienen que ser MP3, de 3 a 12 segundos cada una.

Cómo sacarle el máximo partido a Vidu Q4

Este es el orden que nos funcionó con el nuevo modelo de Vidu AI:

1. Prueba prompts y combinaciones de referencias a 540p, de 3 a 5 segundos, y comprueba que reconoce a cada persona y cada objeto;
2. Cuando la dirección sea la buena, renderiza la versión final a 1080p, 2K o 4K;
3. Para varios clips de un mismo personaje, reutiliza la misma referencia de voz para que la voz no cambie;
4. Monta las piezas en el lienzo generativo.

Si solo necesitas dar vida a una foto y no te hacen falta varios sujetos ni una voz, Q3 Pro y Q4 quedan muy parejos, así que cualquiera de los dos te sirve.

En resumen

Vidu Q4 no es mejor que la generación anterior en todo; en un plano sencillo desde un fotograma inicial empata con Vidu Q3 Pro. Su valor está en meter a varias personas y objetos concretos en un mismo plano y en fijar la voz con un clip de audio, dos cosas que antes eran imposibles o había que arreglar en posproducción. Para personajes de marca, cortos por episodios y anuncios con varias personas, vale la pena probar el nuevo modelo de Vidu AI.

Las especificaciones y más ejemplos están en la página del modelo Vidu Q4.