Recenzja Vidu Q4: przetestowaliśmy nowy model Vidu AI na 4 referencjach, klipie głosowym i 2K

Vidu Q4 to model, który Vidu AI wypuściło w październiku 2026 r., wciąż oznaczony jako wersja preview. Obietnica sprowadza się do dwóch rzeczy: umieścić wiele elementów referencyjnych w jednym ujęciu i utrwalić głos postaci za pomocą klipu audio.

Na slajdzie brzmi to dobrze. Ale czy sprawdza się w praktyce? Po dodaniu Vidu Q4 do ZOOOP przygotowaliśmy jeden stały zestaw danych wejściowych i przepuściliśmy go przez cztery pytania.

W skrócie

• Referencje z wieloma elementami naprawdę działają. Daliśmy mu dwie osoby, skuter i ulicę, a wszystkie cztery pojawiły się w jednym ujęciu, bez zamiany osób i bez zmiany koloru skutera.
• Referencja głosu robi swoje. Mowa w klipie ma niemal tę samą wysokość co nagranie referencyjne.
• W porównaniu z Vidu Q3 Pro proste ujęcie z klatki startowej wygląda niemal identycznie, a Vidu Q4 kosztuje wyraźnie mniej.
• 2K jest dużo ostrzejsze niż 540p, ale wyższa rozdzielczość daje nowy klip, a nie powiększoną kopię.
• Nie ma trybu z samym tekstem ani klatki końcowej. Zawsze zaczynasz od co najmniej jednego obrazu.

Czym jest Vidu Q4

Vidu Q4 to najnowszy model wideo od Vidu AI i działa na dwa sposoby. Tryb klatki startowej animuje pojedynczy obraz, a wynik zachowuje jego proporcje. Tryb referencji przyjmuje do 12 obrazów referencyjnych i do trzech klipów głosowych MP3 o długości od 3 do 12 sekund, a potem buduje wokół tych elementów i głosów jedną scenę.

Oba tryby generują klipy od 3 do 16 sekund, oferują pięć rozdzielczości od 540p do 4K i tworzą natywny dźwięk, który można wyłączyć. Na ZOOOP tryb klatki startowej znajdziesz w narzędziu do generowania wideo z pierwszej i ostatniej klatki, a tryb referencji w generatorze wideo AI; w obu wybierz Vidu Q4.

Test 1: cztery elementy referencyjne w jednym ujęciu

Cztery obrazy referencyjne przygotowaliśmy w generatorze obrazów AI: kobieta w czerwonym płaszczu, brodaty mężczyzna w okularach, miętowy skuter w stylu vintage i brukowana uliczka na europejskiej starówce.

Prompt: on prowadzi skuter, ona siedzi z tyłu, jadą uliczką w złotej godzinie, a ona macha do kamery. 720p, 5 sekund.

Zatrzymaj ostatnią sekundę, a każda referencja się zgadza. Czerwony płaszcz i kasztanowe włosy należą do niej, okulary i broda do niego, skuter ma dokładnie ten miętowy kolor, a uliczka to ta z referencji, łącznie ze stolikami kawiarni po lewej.

Słaby punkt: w pierwszej połowie para jest daleko, a twarze są małe. Jeśli twarze mają być czytelne przez cały czas, wpisz w prompt "medium shot" albo "the riders fill half the frame".

Test 2: referencja głosu dla postaci

Tu Vidu Q4 wyróżnia się najbardziej i to jest główna nowa umiejętność tej generacji Vidu AI. W narzędziu Tekst na mowę przygotowaliśmy 5,7-sekundowy klip, w którym kobieta się przedstawia. Potem daliśmy modelowi ten klip razem ze zdjęciem kobiety w czerwonym płaszczu i poprosiliśmy, żeby wypowiedziała tę kwestię do kamery na ulicy. 540p, pion 9:16, 6 sekund.

Ruch ust i tempo zgadzają się z mową. Żeby ocenić głos, nie polegaliśmy wyłącznie na słuchu, tylko zmierzyliśmy wysokość dźwięku: mediana klipu referencyjnego to około 219 Hz, a wygenerowanej mowy około 225 Hz. Różnica wynosi mniej niż 3%, a rozrzut jest niemal taki sam. Innymi słowy, Vidu Q4 naprawdę trzyma się głosu z referencji.

Każdy, kto robi serię, to doceni: ta sama postać może brzmieć tak samo w kolejnych klipach.

Test 3: ta sama klatka startowa, Vidu Q4 kontra Vidu Q3 Pro

Często pada pytanie, co Vidu Q4 robi lepiej niż Vidu Q3. Wzięliśmy jedno zdjęcie kobiety z kawą przy oknie kawiarni i jeden prompt (unosi filiżankę, bierze łyk, uśmiecha się i odwraca w stronę kamery), a potem uruchomiliśmy je w obu modelach w 720p, 5 sekund.

Szczerze mówiąc, różnica jest znikoma. Ruch w obu wygląda prawie tak samo: łyk, filiżanka lekko opada, obrót i uśmiech. Światło, włosy i filiżanka trzymają się równie dobrze.

Jeśli więc chcesz tylko ożywić jeden obraz, Vidu Q3 Pro i Vidu Q4 dadzą radę, a Q4 jest tu wyraźnie tańszy z tej dwójki. Q4 odskakuje przy pracy z referencjami z testów 1 i 2, czyli z wieloma elementami i głosem, czego linia Vidu Q3 nie oferuje.

Test 4: ile zmienia 540p kontra 2K

Ten sam obraz skutera, ten sam prompt ("slow push-in as sunlight glints off the chrome mirrors"), 3 sekundy w 540p i w 2K. Oto ten sam fragment wycięty z obu:

W 540p krawędź lusterka i dźwignia hamulca są miękkie; w 2K refleksy na chromie i metal dźwigni są wyraźne. Tryb klatki startowej zachowuje też kształt obrazu: to produktowe zdjęcie 4:3 wróciło jako wideo 4:3.

Jeden haczyk: w klipie 2K reflektor jest włączony, a w 540p wyłączony. Zmiana rozdzielczości daje inny klip, a nie przeskalowane ujęcie z 540p. Używaj 540p do testowania promptów, a nie do wybrania ujęcia i jego "ulepszenia".

Co nie działało i ograniczenia

• Brak generowania z samego tekstu. Tryb klatki startowej wymaga obrazu, a tryb referencji co najmniej jednego obrazu referencyjnego. Do czystego tekstu na wideo użyj innego modelu.
• Brak klatki końcowej. Przejścia typu "zamień A w B" są poza zasięgiem.
• Tryb referencji jest wolniejszy. Nasze klipy z klatki startowej wracały po minucie, dwóch; klipy z referencjami zajmowały kilka minut.
• To wciąż wersja preview. Zachowanie może się zmieniać między wersjami, więc przed dużym projektem przetestuj model na małą skalę.
• Referencje głosu muszą być w formacie MP3, każda od 3 do 12 sekund.

Jak wycisnąć z Vidu Q4 najwięcej

Oto kolejność, która sprawdziła się u nas przy nowym modelu Vidu AI:

1. Testuj prompty i zestawy referencji w 540p, w klipach od 3 do 5 sekund, i sprawdzaj, czy każda osoba i każdy obiekt zostały rozpoznane;
2. Gdy kierunek jest dobry, wyrenderuj finalną wersję w 1080p, 2K lub 4K;
3. Przy kilku klipach z jedną postacią używaj tej samej referencji głosu, żeby głos pozostał spójny;
4. Złóż całość na generatywnym płótnie.

Jeśli chcesz tylko ożywić zdjęcie i nie potrzebujesz wielu elementów ani głosu, Q3 Pro i Q4 wypadają podobnie, więc każdy z nich się sprawdzi.

Podsumowanie

Vidu Q4 nie jest lepszy od poprzedniej generacji we wszystkim; w prostym ujęciu z klatki startowej remisuje z Vidu Q3 Pro. Jego wartość to umieszczenie kilku stałych osób i obiektów w jednym ujęciu oraz przypięcie głosu klipem audio, dwie rzeczy, które wcześniej były niemożliwe albo wymagały poprawek w postprodukcji. Do postaci marki, krótkich seriali w odcinkach i reklam z wieloma osobami nowy model Vidu AI jest wart wypróbowania.

Specyfikację i więcej przykładów znajdziesz na stronie modelu Vidu Q4.