Test de Vidu Q4 : nous avons essayé le nouveau modèle de Vidu AI avec 4 références, un extrait de voix et la 2K

Vidu Q4 est le modèle que Vidu AI a sorti en octobre 2026, toujours affiché comme une préversion. Sa promesse tient en deux points : réunir de nombreux sujets de référence dans un même plan, et fixer la voix d'un personnage grâce à un extrait audio.

Sur une diapositive, ça fait envie. Mais est-ce que ça tient la route ? Après avoir ajouté Vidu Q4 à ZOOOP, nous avons préparé un jeu d'entrées fixe et nous l'avons soumis à quatre questions.

En bref

• Les références multi-sujets fonctionnent vraiment. Nous lui avons donné deux personnes, un scooter et une rue, et les quatre sont apparus dans le même plan, sans que les deux personnes soient interverties ni que le scooter change de couleur.
• La référence vocale fait son travail. La voix du clip tombe presque à la même hauteur que l'audio de référence.
• Face à Vidu Q3 Pro, un plan simple à partir d'une image de départ est presque identique, alors que Vidu Q4 coûte nettement moins cher.
• La 2K est bien plus nette que le 540p, mais une résolution plus élevée vous donne un nouveau clip, pas une copie agrandie.
• Pas de mode texte seul ni d'image de fin. Vous partez toujours d'au moins une image.

Ce qu'est Vidu Q4

Vidu Q4 est le dernier modèle vidéo de Vidu AI, et il fonctionne de deux façons. Le mode image de départ anime une seule image, et le résultat garde le format de cette image. Le mode référence accepte jusqu'à 12 images de référence et jusqu'à trois extraits vocaux MP3 de 3 à 12 secondes, puis construit une scène autour de ces sujets et de ces voix.

Les deux modes produisent des clips de 3 à 16 secondes, proposent cinq résolutions du 540p à la 4K et génèrent un son natif que vous pouvez désactiver. Sur ZOOOP, le mode image de départ se trouve dans première et dernière image vers vidéo et le mode référence dans le générateur de vidéos IA ; choisissez Vidu Q4 dans l'un ou l'autre.

Test 1 : quatre sujets de référence dans un même plan

Nous avons créé quatre images de référence avec le générateur d'images IA : une femme en manteau rouge, un homme barbu à lunettes, un scooter vintage vert menthe et une rue pavée de vieille ville européenne.

Le prompt : il conduit le scooter avec elle derrière lui, dans la rue à l'heure dorée, et elle fait un signe de la main à la caméra. 720p, 5 secondes.

Mettez sur pause à la dernière seconde : chaque référence est au rendez-vous. Le manteau rouge et les cheveux auburn sont ceux de la femme, les lunettes et la barbe ceux de l'homme, le scooter a exactement ce vert menthe, et la rue est celle de la référence, tables de café à gauche comprises.

Le point faible : pendant la première moitié, les deux personnages sont loin et leurs visages restent petits. Si vous avez besoin de visages lisibles du début à la fin, écrivez « medium shot » ou « the riders fill half the frame » dans le prompt.

Test 2 : une référence vocale pour le personnage

C'est là que Vidu Q4 se distingue le plus, et c'est la grande nouveauté de cette génération de Vidu AI. Avec la synthèse vocale, nous avons créé un extrait de 5,7 secondes où une femme se présente, puis nous avons donné cet extrait au modèle avec la photo au manteau rouge, pour qu'elle dise sa réplique face caméra, dans la rue. 540p, vertical 9:16, 6 secondes.

Les mouvements de la bouche et le rythme suivent la parole. Pour juger la voix, nous ne nous sommes pas fiés à nos seules oreilles et nous avons mesuré la hauteur : l'extrait de référence se situe autour de 219 Hz en médiane, la voix générée autour de 225 Hz, soit moins de 3 % d'écart, avec une dispersion presque identique. Autrement dit, Vidu Q4 suit vraiment la voix de référence.

Si vous faites une série, ça va vous plaire : le même personnage peut garder la même voix d'un clip à l'autre.

Test 3 : même image de départ, Vidu Q4 contre Vidu Q3 Pro

Une question revient souvent : qu'est-ce que Vidu Q4 fait mieux que Vidu Q3 ? Nous avons pris une photo d'une femme avec sa tasse de café, près de la vitre d'un café, et un seul prompt (elle lève la tasse, boit une gorgée, sourit et se tourne vers la caméra), puis nous l'avons lancé sur les deux modèles en 720p, pendant 5 secondes.

Honnêtement, la différence est minime. Le mouvement est presque le même des deux côtés : une gorgée, la tasse qui redescend un peu, elle se tourne et sourit. La lumière, les cheveux et la tasse tiennent aussi bien d'un côté que de l'autre.

Donc, si vous voulez seulement animer une image, Vidu Q3 Pro et Vidu Q4 font tous les deux le travail, et Q4 est ici clairement le moins cher des deux. Là où Q4 prend le large, c'est sur le travail de référence à plusieurs sujets piloté par la voix, celui des tests 1 et 2, que la gamme Vidu Q3 ne propose pas.

Test 4 : quelle différence entre 540p et 2K

Même image de scooter, même prompt (« slow push-in as sunlight glints off the chrome mirrors »), 3 secondes en 540p et en 2K. Voici la même zone recadrée dans chaque version :

En 540p, le bord du rétroviseur et le levier de frein sont flous ; en 2K, les reflets du chrome et le métal du levier se lisent nettement. Le mode image de départ garde aussi la forme de l'image : cette photo de produit en 4:3 est revenue en vidéo 4:3.

Petit piège : le phare est allumé dans le clip 2K et éteint dans celui en 540p. Changer de résolution vous donne un clip différent, pas la prise en 540p agrandie. Servez-vous du 540p pour tester des prompts, pas pour choisir une prise et l'« améliorer » ensuite.

Ce qui a coincé, et les limites

• Pas de génération à partir du texte seul. Le mode image de départ demande une image, et le mode référence au moins une image de référence. Pour du texte vers vidéo pur, utilisez un autre modèle.
• Pas d'image de fin. Les transitions du type « transformer A en B » sont hors de portée.
• Le mode référence est plus lent. Nos clips en mode image de départ sont revenus en une ou deux minutes ; ceux en mode référence ont pris plusieurs minutes.
• C'est encore une préversion. Le comportement peut changer d'une version à l'autre : faites des essais modestes avant un gros projet.
• Les références vocales doivent être en MP3, de 3 à 12 secondes chacune.

Tirer le meilleur de Vidu Q4

Voici l'ordre qui a marché pour nous avec le nouveau modèle de Vidu AI :

1. Testez prompts et combinaisons de références en 540p, sur 3 à 5 secondes, et vérifiez que chaque personne et chaque objet est bien reconnu ;
2. Une fois la direction trouvée, faites le rendu final en 1080p, 2K ou 4K ;
3. Pour plusieurs clips d'un même personnage, réutilisez la même référence vocale pour que la voix reste cohérente ;
4. Assemblez les morceaux sur la toile générative.

Si vous voulez seulement donner vie à une photo, sans plusieurs sujets ni voix, Q3 Pro et Q4 se valent à peu près : l'un ou l'autre fera l'affaire.

Le verdict

Vidu Q4 n'est pas meilleur que la génération précédente en tout ; sur un plan simple à partir d'une image de départ, il fait jeu égal avec Vidu Q3 Pro. Son intérêt, c'est de placer plusieurs personnes et objets bien définis dans un même plan et de fixer la voix avec un extrait audio, deux choses qui étaient impossibles avant ou qu'il fallait corriger en post-production. Pour des personnages de marque, des courts métrages en épisodes et des publicités avec plusieurs personnes, le nouveau modèle de Vidu AI mérite d'être essayé.

Les caractéristiques et d'autres exemples se trouvent sur la page du modèle Vidu Q4.