Đánh giá Vidu Q4: Chúng tôi thử mô hình mới của Vidu AI với 4 tham chiếu, một đoạn giọng nói và 2K
Vidu Q4 là mô hình Vidu AI phát hành vào tháng 10 năm 2026, hiện vẫn mang nhãn bản xem trước. Điểm nhấn có hai: đưa nhiều chủ thể tham chiếu vào một cảnh quay, và khóa giọng nhân vật bằng một đoạn âm thanh.
Nghe thì hay trên slide. Nhưng dùng thật có ổn không? Sau khi đưa Vidu Q4 lên ZOOOP, chúng tôi chuẩn bị một bộ đầu vào cố định và cho nó trả lời bốn câu hỏi.
Tóm tắt nhanh
- Tham chiếu nhiều chủ thể dùng được thật. Chúng tôi đưa vào hai người, một chiếc xe tay ga và một con phố, và cả bốn đều xuất hiện trong một cảnh quay mà hai người không bị tráo cho nhau, chiếc xe cũng không đổi màu.
- Giọng tham chiếu làm đúng việc của nó. Lời nói trong clip có cao độ gần như bằng audio tham chiếu.
- So với Vidu Q3 Pro, một cảnh quay đơn giản từ khung bắt đầu trông gần như giống hệt, trong khi Vidu Q4 rẻ hơn thấy rõ.
- 2K nét hơn 540p rất nhiều, nhưng độ phân giải cao hơn cho bạn một clip mới chứ không phải bản phóng to.
- Không có chế độ chỉ dùng văn bản và không có khung kết thúc. Lúc nào bạn cũng phải bắt đầu từ ít nhất một hình ảnh.
Vidu Q4 là gì
Vidu Q4 là mô hình video mới nhất của Vidu AI, và có hai cách dùng. Chế độ khung bắt đầu làm chuyển động một hình ảnh duy nhất, và video đầu ra giữ nguyên tỷ lệ khung hình của ảnh. Chế độ tham chiếu nhận tối đa 12 ảnh tham chiếu cùng tối đa ba đoạn giọng nói MP3 dài 3 đến 12 giây, rồi dựng một cảnh xoay quanh các chủ thể và giọng nói đó.
Cả hai chế độ đều dài 3 đến 16 giây, có năm mức độ phân giải từ 540p đến 4K, và tạo âm thanh gốc mà bạn có thể tắt. Trên ZOOOP, chế độ khung bắt đầu nằm trong tạo video từ khung bắt đầu và kết thúc, còn chế độ tham chiếu nằm trong trình tạo video AI; ở chỗ nào cũng chỉ cần chọn Vidu Q4.
Thử nghiệm 1: bốn chủ thể tham chiếu trong một cảnh quay
Chúng tôi tạo bốn ảnh tham chiếu bằng trình tạo ảnh AI: một người phụ nữ mặc áo khoác đỏ, một người đàn ông để râu đeo kính, một chiếc xe tay ga cổ điển màu xanh bạc hà, và một con phố lát đá ở khu phố cổ châu Âu.
Prompt: anh ấy chở cô ấy ngồi sau trên chiếc xe tay ga, chạy dọc con phố vào giờ vàng, và cô ấy vẫy tay với máy quay. 720p, 5 giây.
Dừng hình ở giây cuối cùng là thấy mọi tham chiếu đều khớp. Áo khoác đỏ và mái tóc nâu đỏ là của cô ấy, cặp kính và bộ râu là của anh ấy, chiếc xe đúng màu xanh bạc hà đó, và con phố đúng là con phố trong ảnh tham chiếu, kể cả mấy bàn cà phê bên trái.
Điểm yếu: ở nửa đầu clip, hai người còn ở xa nên khuôn mặt nhỏ. Nếu bạn cần nhìn rõ mặt suốt clip, hãy ghi "medium shot" hoặc "the riders fill half the frame" trong prompt.
Thử nghiệm 2: giọng tham chiếu cho nhân vật
Đây là chỗ Vidu Q4 khác biệt nhất, và cũng là khả năng mới nổi bật nhất ở thế hệ này của Vidu AI. Chúng tôi dùng văn bản thành lời nói để tạo một đoạn 5,7 giây của một người phụ nữ tự giới thiệu, rồi đưa đoạn đó cho mô hình cùng ảnh người phụ nữ áo khoác đỏ và yêu cầu cô nói câu đó với máy quay trên phố. 540p, khung dọc 9:16, 6 giây.
Khẩu hình và nhịp nói khớp với lời thoại. Để đánh giá giọng, chúng tôi không chỉ dựa vào tai mà còn đo cao độ: đoạn tham chiếu có trung vị khoảng 219 Hz, giọng được tạo ra khoảng 225 Hz, chênh nhau chưa tới 3% và độ phân tán gần như giống nhau. Nói cách khác, Vidu Q4 thực sự bám theo giọng tham chiếu.
Ai làm nội dung theo series sẽ thích điều này: cùng một nhân vật có thể giữ một giọng từ clip này sang clip khác.
Thử nghiệm 3: cùng khung bắt đầu, Vidu Q4 đối đầu Vidu Q3 Pro
Một câu hỏi hay gặp là Vidu Q4 làm gì tốt hơn Vidu Q3. Chúng tôi lấy một ảnh người phụ nữ cầm cà phê bên cửa sổ quán và một prompt (cô nâng cốc, nhấp một ngụm, mỉm cười rồi quay về phía máy quay), chạy trên cả hai ở 720p trong 5 giây.
Nói thật, khác biệt rất nhỏ. Chuyển động ở cả hai gần như giống nhau: một ngụm, cốc hạ xuống một chút, quay lại và mỉm cười. Ánh sáng, mái tóc và chiếc cốc đều giữ ổn như nhau.
Vậy nếu bạn chỉ cần làm chuyển động một hình ảnh, Vidu Q3 Pro và Vidu Q4 đều làm tốt, và ở đây Q4 rõ ràng là lựa chọn rẻ hơn. Chỗ Q4 bỏ xa là những việc dùng tham chiếu nhiều chủ thể, có giọng nói dẫn dắt như ở thử nghiệm 1 và 2, thứ mà dòng Vidu Q3 không có.
Thử nghiệm 4: 540p và 2K chênh nhau bao nhiêu
Cùng ảnh xe tay ga, cùng prompt ("slow push-in as sunlight glints off the chrome mirrors"), 3 giây ở 540p và ở 2K. Đây là cùng một vùng được cắt ra từ mỗi bản:
Ở 540p, viền gương và cần phanh bị mờ; ở 2K, các điểm sáng trên lớp mạ crôm và chất kim loại của cần phanh hiện rõ. Chế độ khung bắt đầu cũng giữ hình dạng của ảnh: tấm ảnh sản phẩm 4:3 này trả về video 4:3.
Có một điểm cần lưu ý: đèn pha bật trong clip 2K nhưng tắt trong clip 540p. Đổi độ phân giải cho bạn một clip khác, không phải bản 540p được phóng lên. Hãy dùng 540p để thử prompt, đừng dùng để chọn một bản rồi "nâng cấp" nó.
Những gì hỏng, và các giới hạn
- Không tạo được chỉ từ văn bản. Chế độ khung bắt đầu cần một hình ảnh, còn chế độ tham chiếu cần ít nhất một ảnh tham chiếu. Muốn văn bản thành video thuần túy, hãy dùng mô hình khác.
- Không có khung kết thúc. Các chuyển cảnh kiểu "biến A thành B" nằm ngoài khả năng của nó.
- Chế độ tham chiếu chậm hơn. Các clip khung bắt đầu của chúng tôi xong trong một hai phút; clip tham chiếu mất vài phút.
- Vẫn là bản xem trước. Hành vi có thể thay đổi giữa các phiên bản, nên hãy thử nhỏ trước khi làm dự án lớn.
- Giọng tham chiếu phải là MP3, mỗi đoạn 3 đến 12 giây.
Tận dụng tốt nhất Vidu Q4
Đây là thứ tự hiệu quả với chúng tôi khi dùng mô hình mới của Vidu AI:
- Thử prompt và các tổ hợp tham chiếu ở 540p trong 3 đến 5 giây, và kiểm tra xem mọi người và vật đều được nhận đúng;
- Khi hướng đi đã đúng, render bản cuối ở 1080p, 2K hoặc 4K;
- Với nhiều clip của cùng một nhân vật, dùng lại cùng một giọng tham chiếu để giọng luôn nhất quán;
- Ghép các đoạn lại trên canvas tạo sinh.
Nếu bạn chỉ cần làm một bức ảnh chuyển động và không cần nhiều chủ thể hay giọng nói, Q3 Pro và Q4 cho kết quả gần nhau, dùng cái nào cũng được.
Kết luận
Vidu Q4 không giỏi hơn thế hệ trước ở mọi thứ; với một cảnh quay khung bắt đầu đơn giản, nó hòa với Vidu Q3 Pro. Giá trị của nó nằm ở việc đưa nhiều người và vật cố định vào một cảnh quay và ghim giọng nói bằng một đoạn âm thanh, hai việc trước đây hoặc không làm được, hoặc phải sửa ở hậu kỳ. Với nhân vật thương hiệu, phim ngắn nhiều tập và quảng cáo nhiều người, mô hình mới của Vidu AI đáng để thử.
Thông số và thêm ví dụ có trên trang mô hình Vidu Q4.