รีวิว Vidu Q4: เราลองโมเดลใหม่ของ Vidu AI ด้วยภาพอ้างอิง 4 ภาพ คลิปเสียงหนึ่งคลิป และความละเอียด 2K

Vidu Q4 คือโมเดลที่ Vidu AI ปล่อยออกมาในเดือนตุลาคม 2026 และยังติดป้ายว่าเป็นรุ่นพรีวิว จุดขายมีสองข้อ คือใส่องค์ประกอบอ้างอิงหลายอย่างลงในช็อตเดียวได้ และล็อกเสียงของตัวละครไว้ได้ด้วยคลิปเสียง

ฟังดูดีบนสไลด์ แต่ใช้ได้จริงไหม หลังเพิ่ม Vidu Q4 เข้ามาใน ZOOOP เราเตรียมอินพุตไว้ชุดเดียวแบบตายตัว แล้วใช้มันตอบคำถามสี่ข้อ

สรุปสั้น ๆ

• ภาพอ้างอิงหลายองค์ประกอบใช้ได้จริง เราให้คนสองคน สกู๊ตเตอร์หนึ่งคัน และถนนหนึ่งสาย ทั้งสี่อย่างโผล่มาในช็อตเดียว โดยที่สองคนนั้นไม่สลับหน้ากัน และสกู๊ตเตอร์ก็ไม่เปลี่ยนสี
• เสียงอ้างอิงทำหน้าที่ได้ดี เสียงพูดในคลิปออกมาที่ระดับเสียงเกือบเท่ากับเสียงอ้างอิง
• เมื่อเทียบกับ Vidu Q3 Pro ช็อตเฟรมเริ่มต้นแบบง่าย ๆ ออกมาแทบเหมือนกัน ขณะที่ Vidu Q4 ถูกกว่าอย่างเห็นได้ชัด
• 2K คมกว่า 540p มาก แต่การเพิ่มความละเอียดจะได้คลิปใหม่ ไม่ใช่สำเนาเดิมที่ถูกขยาย
• ไม่มีโหมดข้อความอย่างเดียว และไม่มีเฟรมสิ้นสุด คุณต้องเริ่มจากภาพอย่างน้อยหนึ่งภาพเสมอ

Vidu Q4 คืออะไร

Vidu Q4 คือโมเดลวิดีโอตัวใหม่ล่าสุดจาก Vidu AI ใช้งานได้สองแบบ โหมดเฟรมเริ่มต้น ทำให้ภาพเดียวเคลื่อนไหว และวิดีโอที่ได้จะคงสัดส่วนของภาพไว้ โหมดอ้างอิง รับภาพอ้างอิงได้สูงสุด 12 ภาพ และคลิปเสียง MP3 ได้สูงสุดสามคลิป คลิปละ 3 ถึง 12 วินาที แล้วสร้างฉากเดียวที่มีคน วัตถุ และเสียงเหล่านั้นอยู่ด้วยกัน

ทั้งสองโหมดยาวได้ 3 ถึง 16 วินาที มีความละเอียดให้เลือกห้าระดับตั้งแต่ 540p ถึง 4K และสร้างเสียงมาพร้อมภาพในตัว ซึ่งปิดได้ บน ZOOOP โหมดเฟรมเริ่มต้นอยู่ในการสร้างวิดีโอจากเฟรมเริ่มต้นและเฟรมสิ้นสุด ส่วนโหมดอ้างอิงอยู่ในเครื่องมือสร้างวิดีโอ AI จะใช้ที่ไหนก็แค่เลือก Vidu Q4

ทดสอบที่ 1: องค์ประกอบอ้างอิงสี่อย่างในช็อตเดียว

เราสร้างภาพอ้างอิงสี่ภาพด้วยเครื่องมือสร้างภาพ AI ได้แก่ ผู้หญิงสวมโค้ตสีแดง ผู้ชายไว้หนวดเคราใส่แว่น สกู๊ตเตอร์วินเทจสีเขียวมินต์ และถนนปูหินในย่านเมืองเก่าของยุโรป

พร้อมท์คือ เขาขี่สกู๊ตเตอร์โดยมีเธอซ้อนท้าย ไปตามถนนสายนั้นในช่วงแสงทองยามเย็น และเธอโบกมือให้กล้อง 720p ยาว 5 วินาที

หยุดภาพที่วินาทีสุดท้าย แล้วจะเห็นว่าตรงกับภาพอ้างอิงครบทุกภาพ โค้ตสีแดงกับผมสีน้ำตาลแดงเป็นของเธอ แว่นกับหนวดเคราเป็นของเขา สกู๊ตเตอร์เป็นสีเขียวมินต์คันนั้น และถนนก็คือถนนในภาพอ้างอิง แม้แต่โต๊ะคาเฟ่ทางซ้ายก็ยังอยู่

จุดอ่อนคือ ช่วงครึ่งแรกคนขี่ยังอยู่ไกล ใบหน้าจึงดูเล็ก ถ้าต้องการให้เห็นหน้าชัดตลอดคลิป ให้เขียน "medium shot" หรือ "the riders fill half the frame" ลงในพร้อมท์

ทดสอบที่ 2: เสียงอ้างอิงสำหรับตัวละคร

ตรงนี้คือจุดที่ Vidu Q4 โดดเด่นที่สุด และเป็นความสามารถใหม่ตัวหลักของ Vidu AI รุ่นนี้ เราใช้การแปลงข้อความเป็นเสียงพูด ทำคลิปยาว 5.7 วินาทีของผู้หญิงที่กำลังแนะนำตัว จากนั้นให้โมเดลใช้คลิปนั้นคู่กับรูปผู้หญิงโค้ตแดง และสั่งให้เธอพูดประโยคนั้นกับกล้องบนถนน 540p แนวตั้ง 9:16 ยาว 6 วินาที

การขยับปากและจังหวะพูดตรงกับเสียง ส่วนจะตัดสินว่าเสียงเหมือนไหม เราไม่ได้ฟังด้วยหูอย่างเดียว แต่วัดระดับเสียงด้วย คลิปอ้างอิงมีค่ามัธยฐานอยู่ที่ราว 219 Hz เสียงที่สร้างขึ้นอยู่ที่ราว 225 Hz ต่างกันไม่ถึง 3% และช่วงการกระจายแทบเท่ากัน พูดง่าย ๆ คือ Vidu Q4 ทำตามเสียงอ้างอิงจริง ๆ

ใครทำคอนเทนต์เป็นซีรีส์จะชอบตรงนี้ ตัวละครเดียวกันมีเสียงเดิมได้ในทุกคลิป

ทดสอบที่ 3: เฟรมเริ่มต้นเดียวกัน Vidu Q4 ปะทะ Vidu Q3 Pro

คำถามที่เจอบ่อยคือ Vidu Q4 ทำอะไรได้ดีกว่า Vidu Q3 เราใช้รูปผู้หญิงถือกาแฟอยู่ริมหน้าต่างคาเฟ่หนึ่งรูป กับพร้อมท์เดียว (เธอยกแก้วขึ้นจิบ ยิ้ม แล้วหันมาทางกล้อง) รันบนทั้งสองโมเดลที่ 720p ยาว 5 วินาที

พูดกันตรง ๆ ความต่างน้อยมาก การเคลื่อนไหวแทบเหมือนกันทั้งสองคลิป จิบหนึ่งครั้ง ลดแก้วลงนิดหน่อย หันมาแล้วยิ้ม ส่วนแสง เส้นผม และแก้วกาแฟก็คงสภาพได้ดีพอกัน

ดังนั้นถ้าคุณแค่ต้องการให้ภาพเดียวเคลื่อนไหว ทั้ง Vidu Q3 Pro และ Vidu Q4 ทำได้ทั้งคู่ และที่นี่ Q4 ถูกกว่าอย่างชัดเจน จุดที่ Q4 ทิ้งห่างคืองานอ้างอิงหลายองค์ประกอบที่มีเสียงกำกับแบบในการทดสอบที่ 1 และ 2 ซึ่งสาย Vidu Q3 ไม่มีให้

ทดสอบที่ 4: 540p กับ 2K ต่างกันแค่ไหน

ภาพสกู๊ตเตอร์เดิม พร้อมท์เดิม ("slow push-in as sunlight glints off the chrome mirrors") ยาว 3 วินาที ที่ 540p และที่ 2K นี่คือส่วนเดียวกันที่ครอปมาจากแต่ละคลิป

ที่ 540p ขอบกระจกและก้านเบรกดูเบลอ ส่วนที่ 2K แสงสะท้อนบนโครเมียมและเนื้อโลหะของก้านเบรกเห็นชัดเจน โหมดเฟรมเริ่มต้นยังคงรูปทรงของภาพไว้ด้วย ภาพสินค้าสัดส่วน 4:3 ภาพนี้ออกมาเป็นวิดีโอ 4:3

มีข้อควรระวังหนึ่งข้อ ไฟหน้าเปิดอยู่ในคลิป 2K แต่ปิดอยู่ในคลิป 540p การเปลี่ยนความละเอียดจะได้คลิปใหม่อีกคลิป ไม่ใช่เทค 540p ที่ถูกขยายขึ้น ใช้ 540p สำหรับทดสอบพร้อมท์ อย่าใช้เพื่อเลือกเทคแล้ว "อัปเกรด" มัน

อะไรพัง และข้อจำกัด

• สร้างจากข้อความอย่างเดียวไม่ได้ โหมดเฟรมเริ่มต้นต้องใช้ภาพ และโหมดอ้างอิงต้องมีภาพอ้างอิงอย่างน้อยหนึ่งภาพ ถ้าต้องการข้อความเป็นวิดีโอล้วน ๆ ให้ใช้โมเดลอื่น
• ไม่มีเฟรมสิ้นสุด ทรานซิชันแบบ "เปลี่ยน A ให้เป็น B" จึงทำไม่ได้
• โหมดอ้างอิงช้ากว่า คลิปโหมดเฟรมเริ่มต้นของเราเสร็จในหนึ่งถึงสองนาที ส่วนคลิปโหมดอ้างอิงใช้เวลาหลายนาที
• ยังเป็นรุ่นพรีวิว พฤติกรรมอาจเปลี่ยนไปในแต่ละเวอร์ชัน ลองเล็ก ๆ ก่อนเริ่มโปรเจกต์ใหญ่
• เสียงอ้างอิงต้องเป็น MP3 คลิปละ 3 ถึง 12 วินาที

ใช้ Vidu Q4 ให้ได้ผลที่สุด

นี่คือลำดับที่ได้ผลสำหรับเราเมื่อใช้โมเดลใหม่ของ Vidu AI

1. ทดสอบพร้อมท์และชุดภาพอ้างอิงที่ 540p ยาว 3 ถึง 5 วินาที แล้วเช็กว่าโมเดลจำได้ครบทุกคนและทุกวัตถุ
2. เมื่อทิศทางถูกแล้ว ค่อยเรนเดอร์ตัวจริงที่ 1080p, 2K หรือ 4K
3. ถ้าทำหลายคลิปของตัวละครเดียวกัน ให้ใช้เสียงอ้างอิงเดิมซ้ำ เสียงจะได้คงที่
4. ประกอบชิ้นงานทั้งหมดบนผ้าใบสร้างสรรค์

ถ้าคุณแค่อยากให้รูปถ่ายขยับได้ และไม่ต้องการหลายองค์ประกอบหรือเสียง Q3 Pro กับ Q4 ให้ผลใกล้กัน ใช้ตัวไหนก็ได้

สรุป

Vidu Q4 ไม่ได้ดีกว่ารุ่นก่อนไปทุกเรื่อง กับช็อตเฟรมเริ่มต้นแบบง่าย ๆ มันเสมอกับ Vidu Q3 Pro คุณค่าของมันอยู่ที่การใส่คนและวัตถุที่กำหนดไว้หลายอย่างลงในช็อตเดียว แล้วตรึงเสียงไว้ด้วยคลิปเสียง สองเรื่องนี้เมื่อก่อนทำไม่ได้ หรือไม่ก็ต้องไปแก้ในขั้นตอนโพสต์ สำหรับตัวละครของแบรนด์ หนังสั้นแบบเป็นตอน และโฆษณาที่มีหลายคน โมเดลใหม่ของ Vidu AI ตัวนี้คุ้มที่จะลอง

ดูสเปกและตัวอย่างเพิ่มเติมได้ที่หน้าโมเดล Vidu Q4