Vidu Q4 Previewレビュー：4K AI動画、16秒クリップ、複数参照音声と実際の料金

AI動画は通常、失敗したテイクのコストが高く、試行錯誤のたびに負担が増します。

原著者は、ShengShu Technologyが提供する最新のフラッグシップ動画生成モデル Vidu Q4 Preview をテストし、従来とは大きく異なるコスト構造を確認しました。

Viduの期間限定ウェブ製品プロモーションを利用した場合、GTA 6風の設定で制作した約1分間の「邪悪なおばあさん」の動画は、次のコストで生成できました。

合計：約5.4元
≈ 生成1秒あたり約0.09元

この導入価格が、今回の検証を興味深いものにしています。

ただし、重要な注意点があります。

1秒あたり0.09元はプロモーション中のSaaS価格であり、Viduの標準API料金ではありません。

Viduの公式APIプラットフォームでは、現在、Q4 Previewに対して解像度に応じた、より高いクレジット料金が設定されています。

モデル自体は、単なる低価格の動画生成ツールではありません。

Vidu Q4 Previewは、次の機能に対応しています。

• 540p、720p、1080p、2K、4K出力
• 3～16秒のクリップ
• 画像から動画への変換
• 参照素材から動画への変換
• 最大15枚の参照画像
• 最大3つの参照音声クリップ
• 音声と映像の同期
• 自動カメラ切り替え
• 1回の生成でのマルチショットストーリーテリング

原著記事はベンチマークの数値よりも、クリエイターがすぐに確認できる要素、つまり演技、カメラ言語、視覚効果、一貫性、そして安価な再生成がクリエイティブプロセスをどう変えるかに重点を置いています。

演技が可能で、再生成できるほど低コスト

テストのワークフローはシンプルです。

ViduのReference-to-Videoページで、次の操作を行います。

1. シーンに必要な画像と音声をアップロードする。
2. プロンプト内の適切な位置に参照素材を挿入する。
3. Vidu Q4 Previewを選択する。
4. 尺を選択する。
5. 解像度を選択する。
6. アスペクト比を選択する。
7. 生成回数を設定する。
8. 生成して結果を確認する。

原著記事にはこの設定画面のスクリーンショットが掲載されていましたが、準備中に元画像を確実に取得できなかったため、ここでは再掲していません。

Viduの公式ドキュメントでは、参照素材から動画を生成するための基本パラメータとして、次の内容が確認されています。

各参照音声クリップは3～12秒で、現在のドキュメントでは入力形式としてMP3が指定されています。

テスト1：会話とショット・リバースショット

最初の実用テストでは、演技に焦点を当てました。

冒頭の例で使用した「邪悪なおばあさん」のキャラクターではなく、英語で会話する外国人の男女に切り替えています。

結果の重要な点は、激しい泣き方や誇張された動きではありませんでした。

より静かな映画的表現のテストとして、次の点が確認されました。

• 一方のキャラクターが話す。
• カメラがもう一方のキャラクターの肩越しに切り替わる。
• 逆側のアングルが現れる。
• セリフの間でシーンが止まる。
• 被写体の見た目が一貫している。

原著者は、1回の生成で安定したショット・リバースショット構成を維持できたと評価しています。

これは重要です。会話シーンは、AI動画の弱点がすぐに表れやすいからです。

大きな顔の動きが、小さな不整合を隠してしまうことはあります。

しかし、無言の間は隠してくれません。

カメラが変わっても、キャラクターが同じ人物に見え、同じ感情状態を保ち、空間的にも一貫している必要があります。

アクションシーンでは一貫性への負荷が高まる

2つ目の例では、会話から戦闘へとテーマを切り替えました。

Spark 279というViduユーザーが、約10秒のコミック風の戦闘シーンを制作しました。

原著では、次の点が強調されています。

• 高速のダッシュ
• 衝突
• キャラクターの移動
• ショットの切り替え
• シーケンス全体での視覚的一貫性

アクションは、会話とは異なる失敗の現れ方をします。

速い戦闘シーンでは、モデルは次の要素を同時に追跡しなければなりません。

キャラクターの同一性
+
身体の位置
+
カメラの位置
+
動きの方向
+
環境の形状
+
効果のタイミング

このうち1つでもずれると、クリップはすぐに人工的に感じられます。

原著者の印象では、Q4 Previewはこの価格帯のモデルとしては、これらの関係性を非常にうまく維持していました。

これは標準化されたベンチマークではなく、定性的なテストです。しかし、クリエイターが実際に生成動画を評価する方法を反映しています。

照明とエフェクトはシーン全体に影響を与える必要がある

次のテストでは、大規模なSF環境に移りました。

雲海の上に浮かぶ巨大な構造物を見つめる宇宙飛行士を、観測プラットフォームに配置する設定です。

最も重要なのは、構造物そのものではありませんでした。

照明です。

機械が発光すると、暖色のオレンジ色の光が次の要素にも現れました。

• 宇宙飛行士の白いスーツ
• 近くの手すり
• 下方の雲

構造物が暗くなると、シーンはより寒色系のトーンに戻りました。

原著では、ここから有用な区別を示しています。

視覚効果は、フレームの一部に単純に「描き足す」だけではなく、周囲の環境を変化させると、より説得力を持ちます。

例えば、次のような流れです。

爆発
→ 近くの表面が明るくなる
→ 煙が動きに追従する
→ パーティクルがシーンに反応する
→ キャラクターの動きが同期する

Q4 Previewは、より強い映画的エフェクト、シーンとの相互作用、カメラダイナミクスを重視して設計されています。

広告映像はより実用的なテストになる

原著者はコーヒー広告にも挑戦しました。

このタイプのクリップは、アクションシーンほど派手ではありません。しかし、商用AI動画の用途をより正確に表しています。

商品動画には、次の要素が必要です。

• 被写体を明瞭に見せること
• 制御されたカメラ移動
• 安定した質感
• 一貫した商品の同一性
• 滑らかなタイミング
• 洗練された最終的な見た目

原著では、結果をシンプルに滑らかで実用的だと説明しています。

この種のワークロードは、Q4 Previewのようなモデルにとって、最も強い商用上の訴求点の1つになる可能性があります。

クリエイターは、次のような動画を複数バージョン生成できます。

• 商品広告
• ソーシャルメディア向けクリップ
• 短編ストーリーシーン
• キャラクターコンテンツ
• コンセプトトレーラー

再生成のたびに、予算上の大きな意思決定を迫られることなく制作できます。

料金は2つに分けて説明する必要がある

これは原著記事における最も重要な事実関係の補足です。

記事では次のように説明されています。

1秒あたり約0.09元

また、合計約110秒の6本のクリップを10元未満で生成できたと報告しています。

この計算は、期間限定のSaaS導入価格と整合します。

110 × 0.09元 ≈ 9.90元

しかし、Viduの標準API料金は異なります。

Vidu中国APIの標準料金

Viduの公式中国APIプラットフォームでは、現在、次の料金が掲載されています。

1クレジット＝0.03125元

Q4 Previewの消費量は次のとおりです。

そのため、APIで10秒の動画を生成する場合の料金は、おおよそ次のようになります。

原著記事にある、APIの720pは「1秒あたり約0.6元」、1080pは「1秒あたり約0.75元」という説明は、したがって正確です。

なぜ110秒を10元未満で生成できたのか

この例では、標準API課金ではなく、ウェブ製品のプロモーションを利用していたためです。

ViduはQ4 Previewの提供開始時にプロモーション中のSaaS価格を設定し、一部の生成モードを数角、最も低い広告価格では1秒あたり0.09元まで引き下げました。

重要なのは、次の点です。

Viduの料金を引用するときは、SaaSのプロモーション利用、APIクレジット、解像度、プラン割引、一時的なローンチ特典のどれを指しているのかを必ず確認してください。

これらの数字は相互に置き換えられません。

Q4 Previewがより良く見える理由：3つの重点領域

実機テストの後、原著はモデル自体に焦点を移します。

ViduはQ4を、表現力の高い動画性能を重視する新世代のフラッグシップモデルとして位置付けています。

Previewリリースでは、次の3領域が強調されています。

1. より説得力のあるキャラクター演技
2. より強い映画的カメラ表現
3. より印象的な視覚効果

これらの領域は、AI生成動画で見られる失敗パターンと密接に対応しています。

1. キャラクター演技：感情には遷移が必要

多くの生成キャラクターは、すでにフォトリアルに見えます。

より難しいのは、本当に演技しているように見えるかどうかです。

よくある失敗は、次のようなものです。

無表情
→ 突然笑う
→ 突然悲しむ

状態と状態の間に、感情の遷移がほとんどありません。

原著では、Q4 Previewは次のような小さな変化が明らかに向上しているとしています。

• 表情
• 感情
• ボディランゲージ
• タイミング
• 間

そのため、原著者は爆発やアクションだけでなく、会話シーンにも多くの時間を割いています。

繊細な演技は、より難しいテストになることが多いからです。

参照音声がキャラクターの一部になる

声も演技の一部です。

Reference-to-Videoは、最大で次の数の参照音声に対応します。

参照音声クリップ3個

Viduの公式製品ページでは、これらをキャラクターの声を生成シーン間で維持するための音声参照として説明しています。

音声は、単なる無関係なBGMではありません。

目的は、次の要素を一致させることです。

• キャラクターの声
• セリフの話し方
• リップシンク
• 感情的なトーン

これは、異なる感情を伴ってキャラクターが複数のシーンに登場する場合に重要です。

同じ声のアイデンティティを使いながら、話し方を変化させることができます。

2. カメラ言語は単なるカメラ移動ではない

2つ目の重点は、撮影表現です。

原著では、次のような動きが強調されています。

• トラッキング
• オービット
• プッシュイン
• プルバック
• 垂直方向の移動
• FPV風の動き

公式のQ4ページでも、マルチショットストーリーテリングと滑らかなカメラ移動が強調されています。

改善の重要な部分は、こうした動きの最中に被写体の一貫性を維持することです。

難しいのは、カメラを動かすことではありません。

カメラが動く間も、次の要素を保つことです。

被写体の同一性
+
空間的な関係
+
シーンの形状

Q4 Previewは、1回の生成の中で広い画角と寄った画角を切り替えることもできます。

1本のクリップの最大尺は次のとおりです。

16秒

これにより、短いアクションの一場面やマルチショットのシーンに十分な時間を確保できます。

3. エフェクトには物理的・視覚的な結果が必要

3つ目の重点は、視覚効果です。

原著は、重要な点を指摘しています。爆発を生成することは、説明するだけなら簡単です。

爆発の周囲にあるすべてのものを正しく反応させることのほうが難しいのです。

質の高い結果には、次の要素が必要です。

• 光の回り込み
• 煙の動き
• パーティクル
• 被写体の反応
• カメラの反応
• 環境照明の一貫性

SFテストは、こうした統合されたエフェクト挙動の例として紹介されています。

繰り返しになりますが、これは正式なベンチマークではなく、クリエイターによる主観的なテストです。

しかし、制作向けの生成動画を評価するうえでは、実用的な基準です。

最大4Kの直接出力

Vidu Q4 Previewは、次の解像度で直接生成できます。

540p
720p
1080p
2K
4K

これはViduの製品ページとAPIの両方に記載されています。

Q4 Previewの画像から動画への変換と、参照素材から動画への変換のインターフェースに適用されます。

AI動画製品における「4K対応」は、製品によって意味が異なるため、この点は重要です。

ここでは、4Kは単なる別のサードパーティ製アップスケール処理ではなく、公式生成APIで選択できるネイティブ出力解像度として提供されています。

代わりに、料金面のトレードオフがあります。

標準API料金では、4Kは次の量を消費します。

1秒あたり78クレジット
≈ 1秒あたり2.4375元

したがって、クリエイターは1秒あたり0.09元というプロモーション価格が4KのAPI生成にも適用されると考えてはいけません。

15枚の画像で複数キャラクターの一貫性を高める

最後の技術的な重点は、参照素材の容量です。

Q4 Previewは、Reference-to-Videoモードで次の数の参照画像に対応します。

1～15枚の参照画像

これにより、素材を分けて指定できます。

例えば、次のように設定できます。

参照1：
メインキャラクター

参照2：
2人目のキャラクター

参照3：
衣装

参照4：
小道具

参照5：
ロケーション

参照6：
ビジュアルスタイル

そのうえで、プロンプトに各参照素材がどのように関係するかを記述できます。

これは、同じキャラクターが次のような場所を移動するストーリーに役立ちます。

• 広場
• 廃品置き場
• 通り
• 屋内

場所が変わるたびに外見が変化することを抑えられます。

参照素材の容量が完全な一貫性を保証するわけではありません。しかし、モデルが利用できる明示的な情報を増やすことができます。

低コスト化がクリエイティブワークフローを変える理由

原著の最後の大きなセクションは、実際には反復作業について述べています。

AI動画生成には、ゲームでいう「カードを引く」ことに近い考え方があります。

複数のバージョンを生成し、そのうち1つが正しいことを期待します。

これは必ずしも失敗の証拠ではありません。

変化は、生成系クリエイティブ制作の一部です。

問題はコストです。

すべての試行に高い費用がかかると、クリエイターは探索をやめてしまいます。

安価な再生成ループは、制作プロセスを変えます。

生成
→ 確認
→ プロンプトを変更
→ 再生成
→ 比較
→ 最良のテイクを採用

生成ボタンを押す前にプロンプトを完全に仕上げようとする代わりに、クリエイターは複数の解釈を試せるようになります。

これが、1秒あたり0.09元というプロモーション価格の本当の意味です。

長期的な料金やAPI価格がより高いとしても、生成コストが下がれば、実験に伴うペナルティは小さくなります。

同じ予算で5倍の映像を作れるとは、実際には何を意味するのか

原著は、この体験を次のようにまとめています。

「同じ予算で5倍の映像を購入できる。」

これは、あらゆる競合モデルとの普遍的な価格比較ではありません。

プロモーション中のQ4 Previewによって、原著者自身のテスト予算がどのように変化したかを表現したものです。

すべてのショットを2～3回生成する場合、1テイクあたりの料金が低いことは大きな違いになります。

クリエイターにとって有用な指標は、生成1秒あたりのコストだけではありません。

生成1秒あたりのコスト

ではなく、次の指標です。

実用可能な1秒あたりのコスト

モデルが安価でも、10回の再生成が必要なら、実効的な制作コストは依然として高い可能性があります。

一貫性と演技が十分に向上して再生成回数が減れば、経済性は2つの面で改善します。

生成価格の低下
+
失敗したクリエイティブテイクの減少

SaaSユーザーとAPIユーザーは異なる点を見るべき

原著では、ViduのSaaS製品とMaaS/APIプラットフォームの両方に触れています。

両者は異なるワークフローに対応します。

Vidu Web / SaaS

次のことをしたいクリエイターに適しています。

• 参照素材を手動でアップロードする
• 対話的にプロンプトを入力する
• 生成結果を比較する
• プロモーションプランを利用する
• 個別のクリップを制作する

Vidu API / MaaS

次のことを必要とするチームに適しています。

• プログラムで生成する
• 動画をアプリケーションに統合する
• 再現可能なパイプラインを実行する
• パラメータで尺と解像度を制御する
• コールバックとタスク管理を利用する

APIで使用する公式モデルIDは次のとおりです。

viduq4-preview

画像から動画へのエンドポイント：

POST /ent/v2/img2video

参照素材から動画へのエンドポイント：

POST /ent/v2/reference2video

これらのエンドポイント名は参考情報として記載しています。原著記事にはAPIコードの例は含まれていませんでした。

現在のQ4 Preview仕様

この表は現在のViduドキュメントを反映したもので、Vidu製品のすべての機能が、すべてのQ4 Preview生成モードで利用できると一括りに扱うよりも正確です。

FAQ

Vidu Q4 Previewとは何ですか？

Vidu Q4 Previewは、ShengShu Technologyが提供する新しいフラッグシップAI動画生成モデルです。表現力のあるキャラクター演技、映画的なカメラワーク、視覚効果を重視し、同期音声を伴う画像から動画への変換と参照素材から動画への変換に対応しています。

Vidu Q4 Previewは4Kに対応していますか？

はい。Viduの公式製品ページとAPIドキュメントには、Q4 Previewの出力解像度として540p、720p、1080p、2K、4Kが記載されています。

Vidu Q4 Previewの動画は最大何秒ですか？

公式APIでは、3～16秒のクリップに対応しています。Viduの製品ページでも、マルチショットストーリーテリング向けに最大16秒が案内されています。

Vidu Q4では参照画像を何枚使えますか？

Reference-to-Videoでは、1～15枚の画像を受け付けます。キャラクター、衣装、小道具、ロケーション、スタイルの設定に利用できます。

Vidu Q4ではキャラクターの声をクローンまたは参照できますか？

Reference-to-Videoは、最大3つの参照音声ファイルに対応しています。Viduはこれらを、キャラクターの声、感情的な話し方、リップシンクした音声を一貫させるための音声参照として説明しています。

Vidu Q4は本当に1秒あたり0.09元ですか？

この数字は期間限定のSaaSローンチプロモーションを指しており、導入時のプロモーション価格として扱うべきです。標準API料金はより高く、解像度によって異なります。例えば、公式中国APIでは720pが1秒あたり約0.59375元、1080pが1秒あたり0.75元です。

API経由でVidu Q4の4Kを利用すると、いくらかかりますか？

Viduの中国APIでは、4KのQ4 Previewは生成1秒あたり78クレジットです。標準掲載レートの1クレジット0.03125元で計算すると、プラン固有の割引を除き、1秒あたり約2.4375元です。

Vidu Q4 PreviewはAPIで利用できますか？

はい。ViduはOpen Platform APIを通じた画像から動画への変換と参照素材から動画への変換について、viduq4-previewをドキュメント化しています。

関連ツール

• Vidu: インタラクティブなAI動画生成に対応するVidu公式ウェブ製品。
• Vidu Open Platform: Viduの動画生成モデルを統合するための公式APIプラットフォーム。
• Vidu Q4: Q4の機能、参照素材の上限、尺、解像度を紹介する公式製品ページ。
• Vidu Q4 Reference-to-Video API: 複数画像と音声参照による生成の公式APIドキュメント。
• Vidu Q4 Image-to-Video API: Q4 Previewで元画像をアニメーション化する公式APIドキュメント。

関連リンク

• BAAI Hubの原著記事: 本記事で翻訳・ファクトチェックした中国語のQbitAI実機検証記事。
• Vidu Q4公式ページ: 4K出力、16秒クリップ、15枚の参照画像、3つの音声参照を紹介する公式概要ページ。
• Vidu Q4 Reference-to-Videoドキュメント: 公式リクエストパラメータと対応する参照素材。
• Vidu Q4 Image-to-Videoドキュメント: 公式の尺、解像度、音声、画像入力仕様。
• Vidu中国モデルマップ: Q4 Previewと従来のVidu Qモデルに関する現在の公式機能一覧。
• Vidu中国料金: 現在のAPIクレジット価格と、解像度別のQ4 Preview消費量。
• Vidu Open Platform: 公式中国APIプラットフォームと現在のQ4ローンチパッケージ。

まとめ

Vidu Q4 Previewは、高解像度出力、複数参照による一貫性、音声参照、同期音声、より長いマルチショットクリップ、比較的低い生成コストという、通常はトレードオフになりやすい要素を組み合わせています。

原著の実機検証は、完成した動画で特に重要になる演技、間、カメラカット、アクションの一貫性、環境照明、商用動画らしい洗練に焦点を当てています。これらの観察は定性的ですが、4K出力、16秒の尺、15枚の参照画像、3つの参照音声クリップといった基本機能は、Viduの公式ドキュメントで確認されています。

料金面で最も重要な教訓は、1秒あたり0.09元という見出し価格がプロモーション中のSaaS導入価格であり、標準API価格ではないことです。APIユーザーは解像度別のクレジットからコストを計算し、ウェブ製品を使うクリエイターはプロジェクトの見積もり前に現在のプロモーションプランを確認すべきです。

Q4 Previewの最大の実用的な強みは、より高い一貫性と安価な再生成によって実験の負担を軽くできることです。クリエイターは、生成クレジットを守ることに時間を使うのではなく、最良のテイクを選ぶことにより多くの時間を使えるようになります。