查看提示词 ↗ 01 / 官方合辑中的一帧
发布方 Q3 宣传合辑里的一段网点印刷画面
该条目随附的提示词
发布方未公布这段片子的提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Q3 片段公布提示词,因此这里不把提示词归到具体条目上。画面内出现的文字是发布方自己叠上去的,不是模型画出来的。
Vidu Q3 是生数科技通过 platform.vidu.cn 提供、在 vidu.cn 上运行的一款视频模型。这一页把发布方自己的文档,与本站服务为同一款产品返回的设置并排放在一起,并把两件容易被混为一谈的事分开:模型生成出来的东西,和喂进模型的东西。
先选模式,再写描述,生成前先看服务端报出的成本。
生成内容将显示在这里
来自发布方自己 Q3 页面的画面,那是唯一为这款模型提供生成产物的界面。这些画面所属的三段片段在下方发布。
这款模型的开发者文档完全没有提供产出素材,因此这里的每一张图都来自发布方的消费端页面。消费端首页的两段片子被排除,因为它们自己的文件名 S11 与 Q4-1 指向另外的产品线,而页面从未把它们标为 Vidu Q3。本页下方另有三张静帧是发布方请求示例里的输入图而非生成画面,每一张都做了标注。
查看提示词 ↗ 01 / 官方合辑中的一帧
发布方未公布这段片子的提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Q3 片段公布提示词,因此这里不把提示词归到具体条目上。画面内出现的文字是发布方自己叠上去的,不是模型画出来的。
查看提示词 ↗ 02 / 官方能力演示中的一帧
发布方未公布这段片子的提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Q3 片段公布提示词,因此这里不把提示词归到具体条目上。画面内出现的文字是发布方自己叠上去的,不是模型画出来的。
查看提示词 ↗ 03 / 官方能力演示中的一帧
发布方未公布这段片子的提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Q3 片段公布提示词,因此这里不把提示词归到具体条目上。画面内出现的文字是发布方自己叠上去的,不是模型画出来的。
查看提示词 ↗ 04 / 官方能力演示中的一帧
发布方未公布这段片子的提示词
在工作台里打开这段提示词 ↗发布方没有为它的任何一段 Q3 片段公布提示词,因此这里不把提示词归到具体条目上。画面内出现的文字是发布方自己叠上去的,不是模型画出来的。
生数科技在自己产品页上用一句话定位这款模型:「Vidu Q3,为剧而生」。整页围绕三个说法展开。关于音与画,原文写「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」,意思是四类音轨与画面一同生成,而不是后期贴上去。关于长度,原文写「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」。关于控制,原文写「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」。
同一个页面还列了四条亮点。音视频同步;多语言输出,支持英语、日语、中文;面向漫剧、电影、短剧等专业叙事场景设计;以及支持自然的多角色对话。
开发者文档里另有一句更短的描述,原文照录:viduq3「支持智能切镜,支持音画同出,多机位的一致性更出色」。
本节所有内容均为发布方原文引用。本页不是生数科技的声明,也未经其审阅或背书。
引用一律保留发布方原文,不做转译。规格说明在转译过程中最容易走形。
工作台不读发布方的文档。它读的是本站自己的服务目录,目录对每款模型返回一条记录。本页对应记录的显示名是 Vidu Q3,家族名为 Vidu Q3,状态为可用且可调用。它只声明一种模式,参考生视频。服务自己的一句话说明是:「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」。
起步价不是报价。真正的费用由服务器在你选定模式与参数之后、任务开始之前按点数结算,以那个数字为准。
| 服务发布的字段 | 取值 |
|---|---|
| 声明的模式 | 只有参考生视频一种 |
| 模式对应任务类型 | reference-to-video |
| 公布起步价 | 5 点每秒 |
| 计费方式 | 参数加时长 |
| 输入类型 | 文本与图片 |
| 参考图上限 | 1 到 7 张 |
| 时长 | 3 到 16 秒,默认 5 秒 |
| 分辨率 | 540p、720p、1080p,默认 720p |
| 宽高比 | 16:9、9:16、1:1,默认 16:9 |
这是本页的核心事实,而且它与常见的问题方向相反。发布方为 Vidu Q3 这条线记录了四种做视频的方式:文生视频、图生视频、首尾帧生视频、参考生视频。而本站服务为本页这款产品声明的,只有其中一种。另外三种确实在同一个目录里,但属于另外的独立产品,各有各的名字,从本页都到不了。
也就是说,工作台能表达三种这款产品并不出售的模式。这与「界面把模型能力藏起来」正好是相反的一种情形。从本页点进 Vidu Q3 的人,拿到的就是参考生视频的表单,因为服务返回的只有这一种。
把后果说白一点。如果你来这里是想打一段文字就拿到一段片子,那是文生视频,在同家族里是另一款产品。
| 模式 | 本页产品是否出售 | 目录里由谁在卖 |
|---|---|---|
| 参考生视频 | 是 | Vidu Q3,5 点每秒 |
| 文生视频 | 否 | Vidu Q3 Pro、Vidu Q3 Turbo |
| 图生视频 | 否 | Vidu Q3 Pro、Vidu Q3 Turbo、Vidu Q3 Pro Fast |
| 首尾帧生视频 | 否 | Vidu Q3 Pro、Vidu Q3 Turbo |
这不是每次都能做到的。在本页之前本站做过的视频模型页里,两边在时长范围上不一致、在分辨率档位数量上不一致、或者在参考图上限上有一边站不住脚。Vidu Q3 参考生视频这一次,两边逐项一致。
时长的吻合是精确吻合,不是大致吻合。发布方的参数表直接点了这款模型的名,给出它那一行:「viduq3:默认5秒,可选:3 - 16」。服务发布的是一个数字字段,最小值 3,最大值 16,默认 5。
还有第三个来源,这一次它没有把水搅浑。本站源码里有一张本地家族表,只有当服务没有发布某个字段的值时才会用到它。对 viduq3 这张表声明的唯一支持模式就是参考生视频,与服务声明的一致。里面没有一项被服务覆盖掉,也没有一项是摆设。
之所以提本地表,是因为在本系列此前的页面里,它曾同时与两边都不一致。这一次它与服务完全一致。
| 设置项 | 发布方文档 | 本站服务发布的表单 |
|---|---|---|
| 时长 | 默认 5 秒,范围 3 到 16 | 默认 5,最小 3,最大 16 |
| 分辨率 | 默认 720p,另有 540p、720p、1080p | 默认 720p,另有 540p、720p、1080p |
| 宽高比 | 默认 16:9,图参考路径可选 16:9、9:16、1:1 | 默认 16:9,可选 16:9、9:16、1:1 |
| 参考图数量 | 1 到 7 张 | 最少 1 张,最多 7 张 |
上面那次一致,是发布方 API 文档与本站服务之间的一致。而发布方的消费端产品页讲的是第三个版本,偏偏这一版最多人见过,因为带生成器的那一页就是它。
发布方那两个界面描述的是不同的端点,所以它们彼此并不冲突:消费端页面上的一个部件和 API 参考里的一张参数表,是两份关于不同调用路径的文档。它们真正说明的是,从消费端页面读到的数字不等于 API 接受的数字,而把本页的时长字段与产品页对照的读者,看到的差异是有原因的。
第三行没有这种原因。那是第三方自己列的清单,与发布方两个版本都不吻合。
| 来源 | 给出的时长选项 |
|---|---|
| 发布方 API 文档,参考生视频 | 3 到 16,默认 5 |
| 发布方消费端页面,图生视频部件 | 1 到 16 |
| 本页审计过的一篇第三方评测 | 4、8 或 16 |
| 本站服务发布的表单 | 3 到 16,默认 5 |
参考生视频是本页产品唯一出售的模式,所以参考图上限是这里最要紧的一项设置。发布方记录的上限是 1 到 7 张,本站服务发布的上下限与之一致,最少 1 张。参考图用来引导画面,但不锁定它第一帧的样子,这正是它与图生视频的分界。
发布方为这个端点给出的请求示例用了三张图,配一句提示词:Santa Claus and the bear hug by the lakeside。把三个文件与这句话对照着看,能看出它打算怎么分工,因为那三张图分别是一个夜晚的湖畔场景、一个红色毛绒圣诞老人和一个灰色毛绒熊。一张负责环境,两张负责角色。
这个端点还接受参考视频,分歧就在这里。发布方文档允许 1 到 2 段参考视频,最多一段 8 秒或两段 5 秒,格式为 mp4、avi、mov,像素不低于 128×128,比例不得宽于 4:1。而本站服务发布的只有一个名为 image_urls 的图片字段,没有任何视频字段,所以这个端点的另一半在工作台里够不到。
发布方还有一条注释值得带上,因为它能挡住一个错误预期。音色 ID 这个参数用来决定生成语音的音色,文档写明「该参数在q3参考生模型中不生成」,所以它与下面那些音频设置并不是一套东西。
发布方为这个端点记录了错峰提交模式,并用一整块文档讲明四件事。原文照录:「错峰模式消耗的积分更低,具体请查看产品定价」;「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」;任务也可以手动取消;以及「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」。
这四条是一条事实,不是四条。只读第一条,得到的印象是一个单纯的折扣;而实际买到的,是用最多两天的等待换一个更低的价钱。音频这一层的耦合方向在不同代之间还是反的,很容易读反。
本站服务为本页这款产品发布的字段里,没有错峰提交这一项。同家族另一款产品的能力块里带着一个表示支持错峰的标志,这也是本页会提到这个功能的原因,但本页模式背后的表单里没有这项控件。
本页任何措辞都不会把错峰说成单纯的更便宜,因为 48 小时这个窗口与折扣写在同一个段落里。
这是所有分歧里最缠的一段,拆开之后是三条同时成立的事实。
第一,服务声明了音频。这款产品的能力块写着音频受支持、会被生成、默认开启,并且有开关。
第二,发布方同样把这款型号的音频视为默认开启,尽管它自己的参数表先写了相反的话、隔一行又自己更正。参数处写的是「默认false」,紧接着下一行,同一张表写「viduq3、viduq3-turbo默认audio为true,其他模型为false」。对这款型号而言,起作用的是第二行。同一页记录的第二个端点直接把音频默认值写成 true,并补充说非主体调用时只有 q3 系列支持这个参数。
第三,服务为这个模式发布的表单里没有音频字段。字段只有提示词、分辨率、宽高比、时长和参考图。工作台按表单生成控件,而且只有当表单里存在名为 generate_audio 的字段时才渲染音频开关。它不存在,所以看不到音频开关。
诚实的说法不是「声音是关的」,而是「这个工作台不给你任何控制它的入口」,而服务自己的能力块又说有开关。
| 发布方的音频参数 | 作用 | 本站服务的表单里是否有 |
|---|---|---|
| audio | 与画面一同生成声音,或输出静音视频 | 没有 |
| audio_type | 在全部、仅人声、仅音效之间选择 | 没有 |
| bgm | 添加背景音乐,默认关闭 | 没有 |
| voice_id | 选择说话音色;q3 参考生模型不生成该参数 | 没有 |
本页一共量了四个页面,这些分歧值得列出来,因为同时看这几页的读者一定会碰上。这里按「不一致」处理,而不是按「错误」处理,因为一个页面可能描述的是它看上去并不是的那个界面。
参考图那条是唯一会改变决策的一条。四张与七张的差别,创作者第一次尝试就能感觉到,而发布方那个数字背后有页面可查。
这些页面还有一件比任何单条说法都更有信息量的事。被审计的四个页面里,两篇编辑类评测各自两千多词、配图几十张,加起来一段视频都没有嵌。整组里唯一在放动态画面的,是一个并非发布方的仿冒域名。一个讲视频模型的页面一条视频都不放,这正是本页画廊要补上的缺口。
| 说法 | 出现在哪里 | 发布方文档怎么写 |
|---|---|---|
| 参考图最多 4 张 | 一篇第三方参考生视频评测 | 1 到 7 张 |
| 时长选项为 4、8、16 秒 | 一个中文工具目录站 | 3 到 16 秒,默认 5 |
| 出现名为 Q3 Drama、Q3 Ad 的型号 | 一篇第三方评测 | 这两个名字在本站目录里都不存在 |
| 按美元标注的每秒单价 | 一篇第三方评测 | 发布方按自己的单位对端点计费 |
发布方的开发者文档里,完全没有这款模型的生成产物。七个归档页面里没有任何 video 元素、没有任何视频文件,唯一的图片是七个出现在请求示例里当作输入的文件。模型自己的产物在消费端,而要拿到它得走两步,因为消费端站点是在浏览器里拼装出来的,直接抓取只会得到一个空壳。
从渲染后的消费端页面里把导航链接读出来,就找到了一个 Vidu Q3 的专属页面,那一页提供四段片子,每一段都下载成功。其中三段在本页作为片段发布,因为它们的长度和运动本身就是证据:一段十秒的两人对话,一段十五秒不中断的球场戏,以及一段五秒、在同一个场景的三个机位之间切换的片子。第四段是长达一百六十秒的宣传合辑,太长不适合发布,因此改为从中采样五张静帧。
消费端首页的两段片子下载之后被排除了。它们自己的文件名是 S11 与 Q4-1,页面上没有任何地方把它们标为 Vidu Q3,而同一个站点的导航把 S 单独列为一条产品线。两者都不归到这款模型名下。
本页发布的静帧里,有三张是输入而不是输出:来自发布方自己的请求示例的湖畔场景和两个毛绒主体。它们在出现的每一处都被标为输入,放在这里的原因是参考生视频是本页产品唯一出售的模式。
另有四张发布方图片取了但没有发,原因记录在案而不是含糊带过。图生视频的静帧、首尾帧的一对关键帧、场景模板的图片,都属于在卖本页产品所没有的模式的那几款兄弟产品;而宣传合辑的开场帧是一张近乎全黑的卡片,上面是发布方自己的营销文案,那是文案不是生成。
十秒的两人面对面近景,由生数科技发布,用来演示音频与画面一同生成。这里发的是片段而不是静帧,因为这个说法讲的是人声与画面一同到来,静帧承载不了它。转码后的文件保留了音轨。
棒球场里连续十五秒,发布方用它演示单次生成长视频。整段保留,因为一段不中断的场景正是十六秒这个说法的证据,拆成静帧恰好会抽掉要展示的那个属性。
五秒里同一个场景被三个先后机位拍下,发布方用它演示镜头控制。这是本组里唯一把切镜演示出来而不是描述出来的一条。


同一段五秒片子的开场机位与收尾机位,并排放在一起,这样不播放文件也能读出这次切换。场景、主体与光线跨过这刀是连续的,距离和角度不是。

取自发布方一百六十秒 Q3 宣传合辑的第 25 秒。写实一格,镜头贴着脸。

取第 52 秒。又是另一种调性:柔和的日光,自然的细节,没有风格化。

取第 104 秒。一段超现实内景。画面底部那行字幕是发布方叠上去的,不是模型画出来的。

取第 132 秒。运动模糊长在画面里,不是后加上去的。

取镜头控制片段的第 2.0 秒,三个机位里的中间那个。作为静帧发布,因为它夹在上面那对之间,把序列补全。

这是输入,不是输出。发布方自己的参考生视频请求示例里三张图中的第一张,该示例的提示词是 Santa Claus and the bear hug by the lakeside。在那个示例里,这张图是另外两个主体被放进去的场景。

这是输入,不是输出。同一个请求示例里三张图的第二张,也是提示词要求拥抱的两个主体之一。放在这里,是因为参考图之间的分工看得出来比讲出来容易。

这是输入,不是输出。同一个请求示例里的第三张图,另一个主体。三张文件合起来就是一次参考生视频请求的形状:一张给地点,两张给角色。
不是。这是本站关于这款模型的页面。发布方自己的页面在全文各处都标明了来源,本页未经生数科技审阅或背书。
只有参考生视频。文生视频、图生视频、首尾帧生视频确实由发布方为同一条模型线记录在案,而本站目录把它们放在同家族的另外几款产品上出售。
1 到 7 张。发布方记录的是 1 到 7,本站服务发布的上下限与之一致。这一点值得核对,因为这个词面上有一篇第三方评测写的是上限四张。
在这个工作台里不行。发布方允许 1 到 2 段参考视频,最多一段 8 秒或两段 5 秒,但服务为该模式发布的表单只有一个图片字段,没有视频字段。
因为两个界面装的东西不一样。开发者文档里完全没有这款模型的产出素材,而发布方的消费端 Q3 页面提供四段片子,全部下载成功并用于本页。那个页面是在浏览器里拼装的,所以要渲染而不是抓取。
不是,正因为如此才全部标为输入。它们是发布方自己请求示例里的三张图,放在这里是为了让一次参考生视频请求的形状可见。生成的片段是上方那三条。
不是。发布方说错峰任务消耗的积分更低,并在同一段里说它会在 48 小时内生成、未能完成会被自动取消并返还积分。对 q3 系列来说,错峰还只在 audio 为 true 时可用,这一点与更早的系列正好相反。
本页表单里没有音频控件。服务的能力块声明音频会被生成、默认开启且有开关,但发布出来的表单里没有音频字段,而工作台只在表单含该字段时才渲染音频开关。发布方的音色 ID 参数,文档也写明在 q3 参考生模型中不生成。
由服务器在你选定模式与参数后、任务开始前按点数报价。目录为这个模式公布的起步价是 5 点每秒。起步价不是报价,本页也没有把它当报价用。
因为那是两个不同的端点。消费端页面上的部件属于图生视频界面,列的是 1 到 16。而参考生视频的 API 文档写的是 3 到 16、默认 5,本站服务发布的就是后者。