Vidu Q4 實測：4 個參考主體同框、聲音參考、對比 Q3，Vidu AI 新模型到底穩不穩

Vidu Q4 是 Vidu AI 在 2026 年 10 月推出的新模型，目前還是預覽版。官方主打兩件事：一個鏡頭裡塞進很多個參考主體，還能用一段音訊把角色的聲音定下來。

宣傳說得好聽，實際能不能用？我們把 Vidu Q4 接進 ZOOOP 之後，準備了一組固定素材，按四個問題測了一遍。

先說結論

• 多主體參考是真的能用。 我們給了兩個人、一輛機車、一條街，四樣東西最後都出現在同一個鏡頭裡，人沒認錯，車沒變色。
• 聲音參考有效。 生成影片裡的說話聲和參考音訊的音高幾乎一樣。
• 跟 Vidu Q3 Pro 比，簡單的首幀鏡頭幾乎看不出差別，但 Vidu Q4 便宜不少。
• 2K 比 540p 清楚得多，但高解析度重出的是新的一支，不是放大。
• 不能純文生，也沒有尾幀。 至少要給一張圖。

Vidu Q4 是什麼

Vidu Q4 是 Vidu AI 目前最新的影片模型，有兩種用法。一種是首幀模式：給一張圖，讓畫面動起來，輸出比例跟著圖片走。另一種是參考模式：最多 12 張參考圖，加最多 3 段 3 到 12 秒的 MP3 聲音片段，模型把這些主體和聲音放進同一個場景。

兩種模式都是 3 到 16 秒，解析度從 540p 到 4K 共五檔，自帶原生音訊，也可以關掉聲音只要畫面。在 ZOOOP 上，首幀模式在 首尾幀生成影片 裡，參考模式在 AI 影片生成 裡，選 Vidu Q4 就行。

測試一：4 個參考主體放進同一個鏡頭

我們先用 AI 圖像生成 做了四張參考圖：穿紅大衣的女生、戴眼鏡的鬍子男、一輛薄荷綠復古小機車、一條歐洲老城的石板街。

提示詞寫的是：女生坐在後座，男生騎著這輛機車，在黃昏的石板街上騎過來，女生朝鏡頭揮手。720p，5 秒。

最後一秒停住看，四個參考全對上了：紅大衣和紅棕色頭髮是她，眼鏡和鬍子是他，車是那輛薄荷綠，街就是參考圖裡那條，連左邊的咖啡座都在。

要說缺點，就是鏡頭前半段人物離得很遠，細節看不清。想讓臉一直清楚，提示詞裡可以明確寫「中景」「人物佔畫面一半」。

測試二：聲音參考，讓角色用指定的聲音說話

這是 Vidu Q4 最獨特的地方，也是 Vidu AI 這一代最主要的新能力。我們先用 AI 配音 生成了一段 5.7 秒的女聲自我介紹，再把它和紅大衣女生的照片一起交給 Vidu Q4，讓她站在街上對著鏡頭把這句話說出來。540p，直式 9:16，6 秒。

嘴型和說話節奏是對得上的。聲音像不像，我們沒有只憑耳朵判斷，而是粗測了一下音高：參考音訊的中位音高約 219 Hz，生成影片裡的說話聲約 225 Hz，差不到 3%，分布區間也幾乎重合。也就是說，Vidu Q4 確實在跟著參考聲音走。

做系列內容的人會喜歡這一點：同一個角色在不同的片子裡，聲音可以保持一致。

測試三：同一張首幀，Vidu Q4 對比 Vidu Q3 Pro

很多人想知道 Vidu Q4 比 Vidu Q3 強在哪。我們用同一張窗邊喝咖啡的照片、同一句提示詞（她端起杯子喝一口，笑著轉向鏡頭），720p，5 秒，各跑一支。

說實話，差別非常小。兩支的動作幾乎一模一樣：喝一口，放下一點，轉頭微笑。光線、頭髮、杯子的細節也都在同一個水準。

所以如果你只是讓一張圖動起來，Vidu Q3 Pro 和 Vidu Q4 都能交差，而 Vidu Q4 在我們這裡明顯更便宜。Vidu Q4 真正拉開差距的地方，是測試一和測試二那種多主體、帶聲音的參考生影片，那是 Vidu Q3 系列給不了的。

測試四：540p 和 2K 差多少

同一張機車圖，同一句「慢慢推近，陽光在鏡子上閃」，分別用 540p 和 2K 跑了 3 秒。擷取同一位置放大：

540p 的鏡面邊緣和煞車拉桿都是糊的，2K 裡鏡框的高光、拉桿的金屬質感都很清楚。另外，首幀模式輸出的比例跟著圖片走，這張 4:3 的產品圖，出來的影片也是 4:3。

有一點要注意：右邊那支的車燈是亮的，左邊沒有。換解析度重出，得到的是另一支新的影片，不是把 540p 那支放大。所以 540p 適合拿來試提示詞，不適合挑中一支再「升級」。

出包和限制

• 不能純文生。 首幀模式要一張圖，參考模式至少要一張參考圖。只想用文字生成，得換別的模型。
• 沒有尾幀。 要做「從 A 變成 B」的過渡，Vidu Q4 做不了。
• 參考生影片比較慢。 我們這幾支首幀模式一兩分鐘就出片，參考模式等了好幾分鐘。
• 還是預覽版。 表現可能隨版本變化，重要專案建議先小量試。
• 聲音參考只收 MP3，每段 3 到 12 秒。

怎麼用 Vidu Q4 最划算

用 Vidu AI 的新模型出片，我們實測下來的順序是：

1. 先用 540p、3 到 5 秒試提示詞和參考組合，看人物、物體有沒有認對；
2. 確定方向後，用 1080p、2K 或 4K 正式出片；
3. 同一個角色要出多支，就固定用同一段聲音參考，保持聲音一致；
4. 最後把幾段放到 生成式畫布 裡排成完整作品。

只是讓一張照片動起來、又不需要多主體或聲音，Vidu Q3 Pro 和 Vidu Q4 效果接近，用哪個都行。

總結

Vidu Q4 並非處處都比上一代強，簡單的首幀鏡頭和 Vidu Q3 Pro 幾乎打平。它的價值在於：一個鏡頭裡放進多個固定的人和物，再用一段音訊把聲音定下來。這兩件事以前不是做不到，就是要靠後製補。對做品牌角色、系列短片、多人同框廣告的人來說，Vidu AI 這次的新模型值得一試。

參數和更多範例在 Vidu Q4 模型頁。