Vidu Q4 Preview یک مدل ساخت ویدیو با ورودی تصویر و امکان استفاده از مرجع صوتی است. مسئلهٔ جذاب برای فیلم‌ساز فقط حرکت‌دادن یک عکس نیست؛ می‌خواهیم سوژه، لباس، محصول یا صدا در چند شات قابل‌شناسایی بماند. مرجع‌دادن می‌تواند به هدایت این فرایند کمک کند، اما تضمین پیوستگی حرفه‌ای نیست.
این مقاله در ۱۵ اکتبر ۲۰۲۶ با اسناد رسمی بررسی شده است. کنارتم با Q4 کلیپ آزمایشی نساخته و اعتبار مصرف نکرده است. مثال‌ها، پرامپت و روش ارزیابی پایین پیشنهاد تحریریه‌اند؛ ادعای مشاهدهٔ کیفیت، سرعت یا دقت مدل محسوب نمی‌شوند.
Q4 عرضه شده یا هنوز Preview است؟
تاریخچهٔ رسمی API ویدو در ۷ اکتبر ۲۰۲۶ معرفی Q4 Preview را ثبت کرده است. در مستند Reference-to-Video نیز شناسهٔ مدل viduq4-preview است. نام کوتاه Q4 در تبلیغات، وضعیت Preview این نسخهٔ API را تغییر نمی‌دهد.
برای پروژه‌ای که باید به مشتری تحویل بدهید، معنی عملی این تفاوت را جدی بگیرید: قبل از وابسته‌کردن یک پروژه به تنظیمات امروز، پایداری قابلیت موردنیاز، دسترسی حساب و امکان جایگزینی شات را بررسی کنید. این مقاله تاریخ عرضهٔ نسخهٔ نهایی یا تضمین مشخصی دربارهٔ پایداری و دسترس‌پذیری سرویس برای همهٔ حساب‌ها اعلام نمی‌کند.
Image-to-Video و Reference-to-Video چه فرقی دارند؟
صفحهٔ رسمی معرفی Q4 دو مسیر را از هم جدا می‌کند. Image-to-Video از یک تصویر و توضیح حرکت شروع می‌شود؛ Reference-to-Video چند مرجع تصویری و در صورت نیاز صوتی می‌گیرد. سازنده این مسیر دوم را برای هماهنگی سوژه‌ها و صدا معرفی می‌کند؛ میزان موفقیت آن باید در پروژهٔ خودتان سنجیده شود.
از نظر تصمیم خلاقه، وقتی ترکیب‌بندی فریم اول برایتان مهم است، یک تصویر مشخص نقطهٔ آغاز روشن‌تری می‌دهد. وقتی می‌خواهید چند عنصر مانند شخصیت، محیط و حال‌وهوای تصویر را معرفی کنید، هر تصویر مرجع می‌تواند یکی از این عناصر را مشخص کند. ابتدا مشخص کنید به فریم آغازین مشخص نیاز دارید یا حفظ ظاهر سوژه در نماهای مختلف؛ این دو خواسته همیشه به ورودی یکسان نیاز ندارند.
مثلاً برای نمای یک بطری روی میز، عکس واضحی از همان محصول با کادربندی مناسب می‌تواند شروع تمرین باشد. برای شخصیت در چند محیط، بهتر است ابتدا مشخص کنید کدام ویژگی‌ها باید ثابت بمانند. این پیشنهاد به معنی تضمین حفظ لوگو، شکل اجسام یا چهره در تمام فریم‌ها نیست.
مشخصات تأییدشدهٔ Reference-to-Video
این نمونه به تصور یک صحنهٔ فانتزی با شخصیت و محیط پرجزئیات کمک می‌کند. برای ارزیابی ویدیوی آن، باید ثابت‌ماندن لباس و فرم شخصیت و پیوستگی معماری را در طول حرکت دید؛ یک تصویر ثابت نتیجهٔ این بررسی را نشان نمی‌دهد.
در مستند API، ۱ تا ۱۵ تصویر و صفر تا ۳ فایل صوتی مرجع پشتیبانی می‌شود. برای هر مرجع صوتی بازهٔ ۳ تا ۱۲ ثانیه و قالب MP3 ذکر شده است. گزینهٔ audio خروجی صوتی‌تصویری را کنترل می‌کند. همان مستند هشدار می‌دهد روش ارجاع به سوژه با subject فعلاً برای این مدل پشتیبانی نمی‌شود؛ پشتیبانی از امکانات مدل‌های قبلی را در Q4 قطعی فرض نکنید.
دربارهٔ طول ویدیو، منابع یکسان نیستند: صفحهٔ معرفی Reference-to-Video را ۱ تا ۱۶ ثانیه می‌گوید، اما پارامتر API و جدول قیمت بازهٔ ۳ تا ۱۶ ثانیه دارند. این راهنما برای درخواست API بازهٔ مستندشدهٔ ۳ تا ۱۶ را مبنا می‌گیرد؛ پشتیبانی یک‌ثانیه‌ای در API را وعده نمی‌دهد.
رزولوشن‌های ثبت‌شدهٔ API شامل 540p، 720p، 1080p، 2K و 4K است. نسبت‌های 1:1، 9:16، 16:9، 3:4 و 4:3 در Reference-to-Video آمده‌اند. انتخاب 4K به‌تنهایی به معنی صحت جزئیات یا کیفیت معادل فیلم‌برداری واقعی نیست.
در Image-to-Video چه چیزی را بررسی کنیم؟
راهنمای API تبدیل تصویر به ویدیو تصویر ورودی را فریم شروع معرفی می‌کند و شناسهٔ همین نسخهٔ Preview را به کار می‌برد. برای این مسیر، تنظیمات را از صفحهٔ خودش بخوانید؛ پارامتر نسبت تصویرِ یک endpoint را بدون بررسی به دیگری اضافه نکنید.
در برنامه‌ریزی شات، تصویری انتخاب کنید که حرکت پیشنهادی با آن قابل‌فهم باشد. اگر محصول از کادر بیرون بریده شده، با حرکت زیاد دوربین، مدل باید بخش‌هایی از محصول را بسازد که در عکس دیده نمی‌شوند. برای اولین ارزیابی، یک حرکت ساده و یک موضوع روشن انتخاب کنید تا علت موفقیت یا شکست قابل‌تشخیص باشد.
ثبات کاراکتر را چگونه بسنجیم؟
«شبیه‌بودن» معیار کافی نیست. پیش از تولید، فهرست کوتاهی از ویژگی‌های ضروری بنویسید: فرم چهره، لباس، رنگ و شکل یک وسیله یا نشانهٔ خاص محصول. بعد همان ویژگی‌ها را در شروع، میانه و پایان هر شات و در اتصال دو شات بررسی کنید. یک فریم خوب اثبات نمی‌کند کل کلیپ قابل‌استفاده است.
برای یک شخصیت خیالی، مرجع‌های سازگار انتخاب کنید. اگر یک عکس لباس متفاوت و دیگری سن یا سبک متفاوتی نشان بدهد، خود ورودی مبهم است. افزایش تعداد مرجع همیشه ابهام را کم نمی‌کند؛ مرجعی که نقش مشخصی ندارد ممکن است ارزیابی نتیجه را دشوارتر کند.
در تبلیغ محصول، متن روی بسته، نسبت اجزا و نحوهٔ تماس دست با شیء را جدا بررسی کنید. اگر ظاهر دقیق کالا برای ادعای تبلیغ لازم است، یک شات زیبا با جزئیات نادرست می‌تواند انتخاب نامناسبی باشد. برای این بخش، فیلم‌برداری واقعی یا ترکیب کنترل‌شده با تصویر محصول را نیز به‌عنوان گزینهٔ تولید بررسی کنید.
صدا و مرجع صوتی؛ مجوز را پیش از کیفیت بررسی کنید
وجود امکان استفاده از مرجع صوتی، به معنی اجازهٔ استفاده از صدای هر فردی نیست. پیش از بارگذاری، روشن کنید صاحب صدا چه استفاده‌ای را اجازه داده و آیا ساخت گفتار تازه نیز در همان اجازه جا می‌گیرد. برای آزمایش اولیه از فایل صوتی‌ای استفاده کنید که اختیار لازم برای پردازش و انتشارش را دارید.
شرایط استفادهٔ Vidu مسئولیت محتوای کاربر و داشتن حقوق لازم را توضیح می‌دهد و برای محتوای ارسالی، مجوز گسترده‌ای به سرویس در نظر می‌گیرد. پیش از آپلود فایل مشتری، شرایط فعلی همان سرویس و قرارداد پروژه را بخوانید. داشتن فایل روی هارد، به‌تنهایی مجوز واگذاری آن برای هر نوع پردازش نیست.
کیفیت گفتار فارسی، تلفظ نام‌ها و هماهنگی حرکت لب با صدا در این بررسی آزموده نشده‌اند. اگر شات گفت‌وگو دارد، علاوه بر شنیدن جمله، شباهت صدا به مرجع و هماهنگی حرکت دهان را هم بررسی کنید. صدا و تصویر هماهنگ می‌توانند همچنان محتوای نادرست یا خارج از منظور گوینده بسازند.
قیمت API و تفاوت با اشتراک سایت
در جدول رسمی قیمت API، مصرف Q4 Preview برای هر ثانیه بر اساس رزولوشن آمده است:
| رزولوشن | اعتبار به‌ازای هر ثانیه |
|---|---|
| 540p | ۹ |
| 720p | ۱۹ |
| 1080p | ۲۴ |
| 2K | ۳۸ |
| 4K | ۷۸ |
برای مثال محاسباتی، یک خروجی پنج‌ثانیه‌ای 1080p طبق همین ردیف ۱۲۰ اعتبار و خروجی پنج‌ثانیه‌ای 4K ۳۹۰ اعتبار می‌شود. این‌ها هزینهٔ فرضی بر اساس جدول‌اند؛ کنارتم درخواست واقعی تولید ویدیو اجرا نکرده است. برای دانستن مبلغ قابل‌پرداخت، قیمت بسته‌های اعتبار و شرایط حساب خود را در پلتفرم بررسی کنید.
صفحهٔ قیمت اشتراک وب هنگام بررسی، قیمت پلن‌ها را در بخش عمومی صفحه نشان نمی‌داد؛ بنابراین برای اشتراک وب قیمت ثابت منتشر نمی‌کنیم. تعرفهٔ API را هم بدون تأیید معادل اعتبار حساب کاربری سایت نگیرید.
برای تدوینگر، هزینهٔ رسیدن به شات قابل‌استفاده مهم‌تر از هزینهٔ یک بار تولید است. اگر چند بار تولید می‌کنید و فقط یک خروجی قابل‌استفاده است، همهٔ تلاش‌ها در تصمیم اقتصادی شما نقش دارند. علاوه بر اعتبار، زمان نوشتن پرامپت، انتظار، دانلود، بازبینی و اصلاح را ثبت کنید.
یک سناریوی پیشنهادی برای B-roll
فرض کنید یک ویدیوی آموزشی دربارهٔ میز کار تدوین می‌سازید و به نمای کوتاهی از حرکت دوربین کنار یک وسیلهٔ خیالی نیاز دارید. تصویر مجاز همان وسیله را انتخاب کنید و برای آزمایش نخست، حرکت محدود بخواهید. نمونهٔ پرامپت پیشنهادی:
نمای نزدیک از شیء مرجع روی میز تیره. دوربین آرام به سمت راست حرکت کند. فرم، رنگ و جزئیات شیء ثابت بماند. نور نرم و گرم، پس‌زمینه خلوت و بدون نوشتهٔ تازه. حرکت سوژه کم باشد.
این پرامپت دستور پیشنهادی است، نه اثبات اینکه مدل همهٔ جزئیات خواسته‌شده را رعایت می‌کند. خروجی را داخل تایم‌لاین واقعی کنار نماهای دیگر ببینید؛ شاتی که به‌تنهایی چشمگیر است شاید از نظر نور، جهت حرکت یا مقیاس با بقیهٔ ویدیو هماهنگ نباشد.
اگر از چند ابزار استفاده می‌کنید، برای هر شات یک هدف و معیار مشترک داشته باشید. راهنمای Kling 4 می‌تواند به شناخت گردش‌کار دیگری کمک کند؛ این ارجاع به معنی نتیجهٔ مقایسهٔ مستقیم دو مدل توسط ما نیست.
چه مزیتی انتظار داریم و چه ایرادهایی را بررسی کنیم؟
مزیت اصلی معرفی‌شده برای Q4، امکان هدایت با مرجع‌های متعدد و صداست. مزیت عملی آن زمانی روشن می‌شود که در چند شات، ویژگی‌های ضروری پروژه حفظ شوند. ادعاهای سازنده دربارهٔ حرکت بهتر یا هزینهٔ کمتر را بدون مقایسهٔ نمونه‌هایی با شرایط یکسان، نتیجهٔ قطعی برای پروژهٔ خودتان نخوانید.
برای بازبینی، یک‌بار کلیپ را با سرعت معمول و یک‌بار فریم‌های حساس را دقیق ببینید. تغییر فرم، حرکت غیرممکن، نوشتهٔ نادرست و اتصال نامناسب صدا و تصویر را یادداشت کنید. اگر یک مشکل فقط با برش‌زدن بخش کوتاهی رفع می‌شود، همان بخش قابل‌استفاده را ارزیابی کنید؛ لازم نیست کل خروجی را خوب یا بد بنامید.
تنظیمات واقعی، نسخهٔ مدل، مدت، رزولوشن، پرامپت، مرجع‌های مجاز و اعتبار مصرف‌شده را کنار هر خروجی نگه دارید. تا وقتی آزمایش کوچکی با معیار روشن انجام نداده‌اید، برای پروژهٔ مشتری وعدهٔ ثبات کامل یا زمان تحویل قطعی بر اساس تبلیغ ابزار ندهید. هدف، پیدا‌کردن یک شات مفید در گردش‌کار شماست.