Análise do Vidu Q4: testamos o novo modelo da Vidu AI com 4 referências, um clipe de voz e 2K

O Vidu Q4 é o modelo que a Vidu AI lançou em outubro de 2026, ainda marcado como preview. A proposta se resume a duas coisas: colocar vários elementos de referência em um único plano e travar a voz de um personagem com um clipe de áudio.

Num slide, parece ótimo. Mas funciona na prática? Depois de adicionar o Vidu Q4 ao ZOOOP, montamos um conjunto fixo de entradas e passamos o modelo por quatro perguntas.

A versão curta

• Referências com vários elementos funcionam de verdade. Demos a ele duas pessoas, uma scooter e uma rua, e os quatro apareceram no mesmo plano, sem trocar uma pessoa pela outra e sem a scooter mudar de cor.
• A referência de voz cumpre o papel. A fala do clipe sai quase no mesmo tom do áudio de referência.
• Contra o Vidu Q3 Pro, uma cena simples a partir de um quadro inicial fica quase idêntica, enquanto o Vidu Q4 custa bem menos.
• O 2K é muito mais nítido que o 540p, mas uma resolução maior te dá um clipe novo, não uma cópia ampliada.
• Não há modo só com texto nem quadro final. Você sempre começa de pelo menos uma imagem.

O que é o Vidu Q4

O Vidu Q4 é o modelo de vídeo mais novo da Vidu AI, e ele funciona de dois jeitos. O modo quadro inicial anima uma única imagem, e o resultado mantém a proporção dessa imagem. O modo referência aceita até 12 imagens de referência e até três clipes de voz em MP3 de 3 a 12 segundos, e monta uma cena em torno desses elementos e dessas vozes.

Os dois modos geram de 3 a 16 segundos, oferecem cinco resoluções de 540p a 4K e criam áudio nativo que você pode desligar. No ZOOOP, o modo quadro inicial fica em Quadro inicial / final e o modo referência no gerador de vídeo com IA; escolha o Vidu Q4 em qualquer um dos dois.

Teste 1: quatro elementos de referência em um único plano

Criamos quatro imagens de referência com o gerador de imagens com IA: uma mulher de casaco vermelho, um homem de barba e óculos, uma scooter vintage verde-menta e uma rua de paralelepípedos em um centro histórico europeu.

O prompt: ele pilota a scooter com ela na garupa pela rua, na hora dourada, e ela acena para a câmera. 720p, 5 segundos.

Pause no último segundo e todas as referências batem. O casaco vermelho e o cabelo castanho-avermelhado são dela, os óculos e a barba são dele, a scooter tem exatamente aquele verde-menta e a rua é a da referência, com as mesinhas de café à esquerda e tudo.

O ponto fraco: na primeira metade, os dois estão longe e os rostos ficam pequenos. Se você precisa de rostos legíveis o tempo todo, escreva "medium shot" ou "the riders fill half the frame" no prompt.

Teste 2: uma referência de voz para o personagem

É aqui que o Vidu Q4 mais se destaca, e esta é a grande novidade desta geração da Vidu AI. Usamos texto para fala para criar um clipe de 5,7 segundos de uma mulher se apresentando, depois demos esse clipe ao modelo junto com a foto do casaco vermelho e pedimos que ela dissesse a fala para a câmera, na rua. 540p, vertical 9:16, 6 segundos.

O movimento da boca e o ritmo acompanham a fala. Para avaliar a voz, não confiamos só nos ouvidos e medimos o tom: o clipe de referência fica em torno de 219 Hz na mediana, a fala gerada em torno de 225 Hz, menos de 3% de diferença e com uma variação quase igual. Ou seja, o Vidu Q4 segue de verdade a voz de referência.

Quem faz uma série vai gostar disso: o mesmo personagem pode ter a mesma voz de um clipe para o outro.

Teste 3: mesmo quadro inicial, Vidu Q4 vs. Vidu Q3 Pro

Uma pergunta comum é o que o Vidu Q4 faz melhor que o Vidu Q3. Pegamos uma foto de uma mulher com um café perto da janela de uma cafeteria e um único prompt (ela levanta a xícara, toma um gole, sorri e se vira para a câmera), e rodamos nos dois em 720p, por 5 segundos.

Sinceramente, a diferença é mínima. O movimento é quase o mesmo nos dois: um gole, a xícara desce um pouco, ela se vira e sorri. Luz, cabelo e xícara se mantêm igualmente bem.

Então, se você só precisa animar uma imagem, o Vidu Q3 Pro e o Vidu Q4 dão conta, e aqui o Q4 é claramente o mais barato dos dois. Onde o Q4 dispara na frente é no trabalho dos testes 1 e 2, com referências de vários elementos e guiado por voz, algo que a linha Vidu Q3 não oferece.

Teste 4: quanto pesa 540p vs. 2K

Mesma imagem da scooter, mesmo prompt ("slow push-in as sunlight glints off the chrome mirrors"), 3 segundos em 540p e em 2K. Aqui está a mesma área recortada de cada um:

Em 540p, a borda do retrovisor e o manete do freio ficam borrados; em 2K, os reflexos do cromado e o metal do manete aparecem com nitidez. O modo quadro inicial também mantém o formato da imagem: esta foto de produto em 4:3 voltou como vídeo em 4:3.

Um porém: o farol está aceso no clipe em 2K e apagado no de 540p. Mudar a resolução te dá um clipe diferente, não a tomada em 540p ampliada. Use 540p para testar prompts, não para escolher uma tomada e depois "fazer upgrade" dela.

O que deu errado, e os limites

• Não gera só a partir de texto. O modo quadro inicial precisa de uma imagem, e o modo referência, de pelo menos uma imagem de referência. Para texto para vídeo puro, use outro modelo.
• Sem quadro final. Transições do tipo "transformar A em B" ficam de fora.
• O modo referência é mais lento. Nossos clipes com quadro inicial voltaram em um ou dois minutos; os de referência levaram vários minutos.
• Ainda é uma preview. O comportamento pode mudar entre versões, então faça testes pequenos antes de um projeto grande.
• Referências de voz precisam ser MP3, de 3 a 12 segundos cada.

Como tirar o máximo do Vidu Q4

Esta foi a ordem que funcionou para nós com o novo modelo da Vidu AI:

1. Teste prompts e combinações de referências em 540p, de 3 a 5 segundos, e confira se cada pessoa e cada objeto foi reconhecido;
2. Quando a direção estiver certa, renderize a versão final em 1080p, 2K ou 4K;
3. Para vários clipes do mesmo personagem, reutilize a mesma referência de voz para manter a voz consistente;
4. Monte as partes na tela generativa.

Se você só precisa dar vida a uma foto e não precisa de vários elementos nem de uma voz, o Q3 Pro e o Q4 ficam bem próximos, então qualquer um serve.

Conclusão

O Vidu Q4 não é melhor que a geração anterior em tudo; numa cena simples a partir de um quadro inicial, ele empata com o Vidu Q3 Pro. O valor dele está em colocar várias pessoas e objetos definidos em um único plano e travar a voz com um clipe de áudio, duas coisas que antes eram impossíveis ou precisavam de correção na pós-produção. Para personagens de marca, curtas em episódios e anúncios com várias pessoas, vale a pena experimentar o novo modelo da Vidu AI.

As especificações e mais exemplos estão na página do modelo Vidu Q4.