O que é o Vidu Q3, nas palavras do próprio fornecedor
A Shengshu Technology descreve este modelo na sua própria página de produto sob a linha «Vidu Q3,为剧而生» — Vidu Q3, nascido para o drama. A página assenta em três afirmações. Sobre áudio e imagem em conjunto diz «音频与画面同步输出——对话、旁白、音效、音乐四类音轨同步生成,让成片在一次导出中就能干净落地», ou seja, que quatro tipos de faixa de áudio são gerados com a imagem em vez de acrescentados depois. Sobre a duração diz «单次生成即可获得完整 16 秒视频,表达更充分、叙事更连贯——减少拼接、避免节奏断裂», que uma única geração devolve um vídeo completo de dezasseis segundos. Sobre o controlo diz «从运镜到节奏,你可以精确指挥每一个叙事节点;逐帧级控制帮助你落准关键时刻的时机、重音与情绪节拍».
A mesma página enumera quatro destaques: áudio e imagem sincronizados, saída em inglês, japonês e chinês, um desenho pensado para banda desenhada dramática, cinema e séries curtas, e diálogos naturais entre várias personagens.
A documentação para programadores acrescenta uma descrição mais curta do mesmo modelo, citada aqui no original: viduq3 «支持智能切镜,支持音画同出,多机位的一致性更出色» — mudança de plano inteligente, áudio gerado em conjunto com a imagem e melhor consistência entre várias câmaras.
Tudo nesta secção é citado do fornecedor. Nada nesta página é uma declaração da Shengshu Technology, e o fornecedor não reviu nem aprovou esta página.
As citações ficam no idioma original do fornecedor, porque traduzir uma especificação é uma das formas de os números se desviarem.
O que o serviço deste site publica para o mesmo produto
O espaço de trabalho não lê a documentação do fornecedor. Lê o catálogo próprio deste site, que responde com uma entrada por modelo. A entrada desta página chama-se Vidu Q3, está na família que o catálogo designa por Vidu Q3 e aparece marcada como disponível e executável. Declara um único modo, referência para vídeo, e a descrição de uma linha do próprio serviço diz «Vidu Q3 官方参考生视频模型,支持主体或 1~7 张参考图生成 3~16 秒视频,支持音画同出».
Um mínimo publicado não é um orçamento. O servidor soma o custo em pontos para o modo e as definições que escolher antes de a tarefa começar, e esse total é o que conta.
| Campo que o serviço publica | Valor |
| Modos declarados | referência para vídeo, e nenhum outro |
| Tipo de tarefa por trás do modo | reference-to-video |
| Valor mínimo publicado | 5 pontos por segundo |
| Modo de faturação | parâmetros mais duração |
| Tipos de entrada | texto e imagem |
| Limite de imagens de referência | de 1 a 7 |
| Duração | de 3 a 16 segundos, por omissão 5 |
| Resoluções | 540p, 720p, 1080p, por omissão 720p |
| Proporções | 16:9, 9:16, 1:1, por omissão 16:9 |
Um modo à venda aqui, quatro modos na linha do fornecedor
Este é o facto central desta página, e é o inverso do problema habitual. O fornecedor documenta quatro formas de fazer vídeo com a linha Vidu Q3: a partir de texto, a partir de uma imagem, a partir de um par de fotogramas-chave e a partir de referências. A entrada do serviço para esta página declara exactamente uma delas. As outras três existem no mesmo catálogo, mas como produtos separados com nome próprio, e nenhuma delas é alcançável a partir desta página.
Assim, o espaço de trabalho consegue exprimir três modos que este produto não vende, o que é o contrário de um modelo cujas capacidades ficam escondidas pela interface. Quem abrir o Vidu Q3 a partir desta página recebe o formulário de referência para vídeo e nada mais, porque é isso que o serviço devolve.
Vale a pena nomear a consequência sem rodeios. Se chegou aqui à espera de escrever uma cena e obter um clipe, isso é texto para vídeo, e é outro produto da mesma família.
| Modo | É vendido pelo produto desta página | Onde o catálogo o vende |
| Referência para vídeo | sim | Vidu Q3, 5 pontos por segundo |
| Texto para vídeo | não | Vidu Q3 Pro e Vidu Q3 Turbo |
| Imagem para vídeo | não | Vidu Q3 Pro, Vidu Q3 Turbo, Vidu Q3 Pro Fast |
| Fotograma inicial e final para vídeo | não | Vidu Q3 Pro e Vidu Q3 Turbo |
Todos os parâmetros que o serviço publica coincidem com os do fornecedor
Isto não acontece sempre. Nas páginas de vídeo que este site construiu antes desta, os dois lados discordavam sobre intervalos de duração, sobre quantos níveis de resolução existem ou sobre se um limite de referências era real. Para o Vidu Q3 referência para vídeo coincidem, campo a campo.
A coincidência da duração é exacta e não aproximada. A tabela de parâmetros do fornecedor nomeia o modelo pelo nome e dá-lhe a sua linha: «viduq3:默认5秒,可选:3 - 16». O serviço publica um campo numérico com mínimo 3, máximo 16 e valor por omissão 5.
Há ainda uma terceira fonte e, por uma vez, não turva a água. O código-fonte deste site tem uma tabela de família local cujas entradas só são usadas quando o serviço não publica qualquer valor para um campo. Para esta família declara referência para vídeo como único modo suportado, que é o que o serviço também declara. Nada nela é anulado e nada nela é inerte.
A tabela local é mencionada porque em páginas anteriores desta série discordava dos dois lados. Aqui coincide com o serviço.
| Definição | Documentação do fornecedor | Formulário publicado por este serviço |
| Duração | por omissão 5 segundos, intervalo de 3 a 16 | por omissão 5, mínimo 3, máximo 16 |
| Resolução | por omissão 720p, com 540p, 720p e 1080p | por omissão 720p, com 540p, 720p e 1080p |
| Proporção | por omissão 16:9, com 16:9, 9:16 e 1:1 no percurso de referência por imagem | por omissão 16:9, com 16:9, 9:16 e 1:1 |
| Imagens de referência | de 1 a 7 | mínimo 1, máximo 7 |
A lista de durações difere entre as duas superfícies do próprio fornecedor
A coincidência acima é entre a documentação de API do fornecedor e este serviço. A página de produto de consumo do fornecedor conta uma terceira história, e é a que mais visitantes terão visto, porque é a página que tem o gerador.
As duas superfícies do fornecedor descrevem pontos de acesso diferentes, por isso não estão em conflito uma com a outra: um widget numa página de consumo e uma tabela de parâmetros numa referência de API são documentos diferentes sobre percursos de chamada diferentes. O que estabelecem é que um número lido na página de consumo não é o número que a API aceita, e que quem comparar o campo de duração desta página com a página do produto verá uma diferença que tem uma razão.
A terceira linha não tem razão nenhuma por trás. É uma lista de um terceiro e não coincide com nenhuma das duas do fornecedor.
| Fonte | Opções de duração que oferece |
| Documentação de API do fornecedor, referência para vídeo | de 3 a 16, por omissão 5 |
| Página de consumo do fornecedor, widget de imagem para vídeo | de 1 a 16 |
| Uma análise de terceiros auditada para esta página | 4, 8 ou 16 |
| Formulário publicado por este serviço | de 3 a 16, por omissão 5 |
Imagens de referência, e as referências que o formulário não aceita
Referência para vídeo é o modo que este produto vende, por isso o limite de referências é a definição que mais importa. O fornecedor documenta de 1 a 7 imagens e o serviço publica o mesmo limite, com mínimo 1. As imagens de referência guiam o plano sem fixar o seu primeiro fotograma, e é isso que separa este modo do de imagem para vídeo.
O exemplo de pedido do próprio fornecedor para este ponto de acesso usa três imagens e uma única frase de prompt: «Santa Claus and the bear hug by the lakeside». Ler os três ficheiros à luz dessa frase mostra a divisão de trabalho prevista, porque os ficheiros são uma cena junto a um lago à noite, um Pai Natal de peluche vermelho e um urso de peluche cinzento. Uma imagem leva o cenário e duas levam as figuras.
O ponto de acesso também aceita referências de vídeo, e aqui os dois lados separam-se. A documentação do fornecedor permite 1 ou 2 clipes de referência, no máximo um clipe de oito segundos ou dois de cinco segundos, em mp4, avi ou mov, com um mínimo de 128 por 128 píxeis e uma proporção não mais larga do que 4 para 1. O serviço publica um campo de imagem chamado image_urls e nenhum campo de vídeo, por isso essa metade do ponto de acesso não é alcançável a partir deste espaço de trabalho.
Vale a pena registar mais uma nota do fornecedor porque evita uma expectativa errada. O parâmetro do identificador de voz, que escolhe a voz usada na fala gerada, está documentado como não sendo gerado para os modelos q3 de referência, por isso não é algo a procurar junto das definições de áudio abaixo.
O modo fora de horas de ponta custa menos, e a janela de 48 horas faz parte da mesma frase
O fornecedor documenta um modo de submissão fora de horas de ponta para este ponto de acesso, e a documentação diz quatro coisas sobre ele num único bloco. Citado por inteiro: «错峰模式消耗的积分更低,具体请查看产品定价» — consome menos créditos. «错峰模式下提交的任务,会在48小时内生成,未能完成的任务会被自动取消,并返还该任务的积分» — uma tarefa submetida assim é gerada dentro de 48 horas, e a que não termina é cancelada automaticamente com os créditos devolvidos. As tarefas também podem ser canceladas à mão. E «q3模型在audio参数为true时,支持错峰任务;q2、q1、2.0系列模型在audio为false时支持错峰任务» — os modelos q3 suportam fora de horas de ponta quando audio é true, enquanto a série anterior o suporta quando audio é false.
Essas quatro afirmações são um único facto, não quatro. Ler apenas a primeira daria a impressão de um desconto simples, quando o que se compra na verdade é um preço mais baixo em troca de esperar até dois dias. A direcção do acoplamento com o áudio também se inverte entre gerações, e é fácil lê-la ao contrário.
A entrada deste serviço para esta página não publica qualquer campo para submissão fora de horas de ponta. O bloco de capacidades de outro produto da mesma família tem uma marca a dizer que é suportado, e é por isso que a funcionalidade é aqui descrita, mas o formulário por trás do modo desta página não tem esse controlo.
Nenhum texto desta página descreve o modo fora de horas de ponta como simplesmente mais barato, porque a janela de 48 horas é publicada no mesmo parágrafo que o desconto.
O áudio aqui é uma capacidade que o serviço declara e um controlo que não publica
Esta é a mais emaranhada das divergências, e resolve-se em três factos separados que são verdadeiros ao mesmo tempo.
Primeiro, o serviço declara o áudio. O bloco de capacidades deste produto diz que o áudio é suportado, que é gerado, que vem ligado por omissão e que tem um interruptor.
Segundo, o fornecedor também trata o áudio como ligado por omissão neste modelo, embora a sua própria tabela de parâmetros afirme o contrário antes de se corrigir uma linha depois. O parâmetro é descrito como «默认false» e logo abaixo a mesma tabela diz «viduq3、viduq3-turbo默认audio为true,其他模型为false». Para este modelo é a segunda linha que vale. Um segundo ponto de acesso documentado na mesma página dá ao áudio um valor por omissão true directamente, e acrescenta que fora das chamadas à biblioteca de figuras só os modelos q3 suportam o parâmetro.
Terceiro, o formulário publicado pelo serviço para este modo não contém nenhum campo de áudio. Os campos são prompt, resolução, proporção, duração e imagens de referência. O espaço de trabalho constrói os seus controlos a partir desse formulário e só desenha um interruptor de áudio quando o formulário contém um campo chamado generate_audio. Não contém, por isso não aparece interruptor nenhum.
A descrição honesta não é que o som esteja desligado. É que este espaço de trabalho não lhe dá controlo nenhum sobre ele, enquanto o próprio bloco de capacidades do serviço diz que existe um interruptor.
| Parâmetros de áudio do fornecedor | O que fazem | Presentes no formulário deste serviço |
| audio | gerar som com a imagem, ou entregar um vídeo em silêncio | não |
| audio_type | escolher tudo, só fala ou só efeitos sonoros | não |
| bgm | acrescentar música de fundo, desligada por omissão | não |
| voice_id | escolher a voz que fala; não é gerado para os modelos q3 de referência | não |
Em que é que outras páginas sobre este termo se enganam
Foram medidas quatro páginas para esta, e as divergências merecem ser ditas porque quem as comparar vai encontrar estes números. São listadas como divergências e não como erros, já que uma página pode estar a descrever uma superfície diferente daquela que parece descrever.
A afirmação sobre as imagens de referência é a que mudaria uma decisão. Quatro imagens contra sete é uma diferença que um criador notaria à primeira tentativa, e o número do fornecedor é o que tem uma página por trás.
Há algo mais nestas páginas que informa mais do que qualquer afirmação isolada. Das quatro auditadas, as duas análises editoriais ultrapassam cada uma as duas mil palavras com dezenas de imagens entre ambas, e entre as duas não incluem um único vídeo. A única página do conjunto que serve imagens em movimento é um domínio parecido que não é o fornecedor. Uma página sobre um modelo de vídeo que não mostra vídeo é a lacuna que esta galeria existe para preencher.
| Afirmação | Onde aparece | O que o fornecedor documenta |
| No máximo 4 imagens de referência | uma análise de terceiros sobre referência para vídeo | de 1 a 7 imagens |
| Opções de duração de 4, 8 ou 16 segundos | um directório de ferramentas em chinês | de 3 a 16 segundos, por omissão 5 |
| Modelos chamados Q3 Drama e Q3 Ad | uma análise de terceiros | nenhum dos dois nomes aparece no catálogo deste site |
| Preços por segundo em dólares | uma análise de terceiros | o fornecedor fatura este ponto de acesso por segundo nas suas próprias unidades |
O que esta galeria mostra e o que deixa de fora de propósito
A documentação para programadores do fornecedor não contém qualquer resultado gerado deste modelo. Nas sete páginas arquivadas não há elementos de vídeo nem ficheiros de clipe, e as únicas imagens presentes são sete ficheiros que aparecem como entradas dentro de exemplos de pedido. A saída do próprio modelo está do lado do consumo, e chegar até ela custou dois passos, porque o site de consumo é montado no navegador e um pedido simples devolve apenas uma casca.
Ler a navegação da página de consumo já renderizada levou a uma página dedicada do Vidu Q3, e essa página serve quatro clipes, e todos os quatro foram descarregados. Três são publicados aqui como clipes, porque a duração e o movimento são a prova: um diálogo de dez segundos entre duas pessoas, uma cena de quinze segundos sem cortes num estádio de basebol e um clipe de cinco segundos que corta entre três planos de uma mesma cena. O quarto é um reel de cento e sessenta segundos, demasiado longo para publicar, por isso foram amostrados cinco fotogramas ao longo dele.
Foram descarregados dois reels da página inicial de consumo e depois postos de lado. Os seus próprios nomes de ficheiro são S11 e Q4-1, a página não legenda nenhum deles como Vidu Q3, e a navegação do mesmo site lista S como uma linha separada. Nenhum é atribuído a este modelo.
Três dos fotogramas publicados aqui são entradas e não resultados: a cena junto ao lago e as duas figuras de peluche do próprio exemplo de pedido do fornecedor. São etiquetados como entradas onde quer que apareçam, e estão aqui porque referência para vídeo é o único modo que este produto vende.
Foram recolhidas mais quatro imagens do fornecedor que não são publicadas, e as razões ficam registadas em vez de implícitas. O fotograma de imagem para vídeo, o par de fotogramas-chave inicial e final e a imagem de modelo de cena pertencem todos a produtos irmãos que vendem modos que o produto desta página não vende, e o fotograma de abertura do reel é um cartão quase negro com a própria frase de marketing do fornecedor, que é texto e não uma geração.
Perguntas frequentes
Esta é a página oficial do Vidu Q3?
Não. É uma página deste site sobre o modelo. As páginas do próprio fornecedor são nomeadas como fontes ao longo do texto, e o fornecedor não reviu nem aprovou esta página.
Que modos posso realmente executar aqui?
Referência para vídeo, e só esse. Texto para vídeo, imagem para vídeo e fotograma inicial e final para vídeo estão documentados pelo fornecedor para a mesma linha de modelos, e este catálogo vende-os através de produtos separados da mesma família.
Quantas imagens de referência posso anexar?
Entre 1 e 7. O fornecedor documenta de 1 a 7 e este serviço publica o mesmo mínimo e máximo, algo que vale a pena verificar porque uma análise de terceiros sobre este termo afirma um limite de quatro.
Posso anexar também um vídeo de referência?
Não a partir deste espaço de trabalho. O fornecedor permite 1 ou 2 clipes de referência, no máximo um clipe de oito segundos ou dois de cinco segundos, mas o formulário que este serviço publica para o modo tem um campo de imagem e nenhum campo de vídeo.
Porque é que a página mostra clipes se a documentação técnica não tem nenhum?
Porque as duas superfícies trazem coisas diferentes. A documentação para programadores não tem qualquer meio de saída deste modelo, enquanto a página de consumo Q3 do fornecedor serve quatro clipes, todos os quais foram descarregados e são usados aqui. Essa página é montada no navegador, por isso tem de ser renderizada em vez de pedida directamente.
As imagens do lago, do Pai Natal e do urso são exemplos do que o modelo fez?
Não, e por isso são etiquetadas como entradas. São as três imagens do próprio exemplo de pedido do fornecedor, publicadas para que a forma de um pedido de referência para vídeo fique visível. Os clipes gerados são os três itens acima delas.
A submissão fora de horas de ponta custa apenas menos?
Não. O fornecedor diz que uma tarefa fora de horas de ponta consome menos créditos e, no mesmo parágrafo, que é gerada dentro de 48 horas e que é cancelada automaticamente com os créditos devolvidos se não terminar. Para os modelos q3 o modo fora de horas de ponta também só está disponível quando audio é true, que é o contrário dos modelos anteriores.
Posso desligar o som aqui, ou escolher a voz?
Não há qualquer controlo de áudio no formulário desta página. O bloco de capacidades do serviço declara que o áudio é gerado e que vem ligado por omissão com um interruptor, mas o formulário publicado não tem qualquer campo de áudio, e o espaço de trabalho só desenha o seu interruptor quando o formulário contém um. Em qualquer caso, o parâmetro do identificador de voz do fornecedor está documentado como não sendo gerado para os modelos q3 de referência.
Quanto custa?
O servidor dá o orçamento em pontos para o modo e as definições que escolheu, antes de a tarefa começar. O catálogo publica um mínimo de 5 pontos por segundo para este modo. Esse mínimo não é um orçamento e esta página não o trata como tal.
A página de produto do fornecedor oferece durações desde 1 segundo, então porque é que o formulário daqui começa em 3?
Porque são pontos de acesso diferentes. O widget da página de consumo é a superfície de imagem para vídeo e lista de 1 a 16. A referência de API para referência para vídeo documenta de 3 a 16 com um valor por omissão de 5, e é isso que este serviço publica.