WaveSpeedAI
← ブログ

Vidu Q3 Reference to VideoがWaveSpeedAIに登場

Vidu Q3 Reference-to-Video Mixは、1〜4枚の参照画像とテキストプロンプトのガイダンスから、複数エンティティの一貫したビデオを生成します。360pから1080pの解像度をサポートしています。

By WaveSpeedAI 2 min read
Vidu Q3 Reference To Video Vidu Q3 Reference-to-Video Mixは、1〜4枚の参照画像とテキストプロンプトのガイダンスから、...
Try it

Vidu Q3 リファレンス動画生成：参照画像から複数エンティティの一貫した動画を生成

AIで生成した動画においてキャラクターの一貫性を保つことは、生成AIにおける最も難しい課題の一つでした。Vidu Q3 Reference-to-Video Mixは、1〜4枚の参照画像とテキストプロンプトを組み合わせて、映画品質の複数エンティティ一貫動画を生成することでこの課題を解決します。本日よりWaveSpeedAIにてコールドスタートなし・秒単位課金で利用可能となり、クリエイター、マーケター、開発者がキャラクター主導の動画コンテンツを制作できます。最初のフレームから最後のフレームまで、すべての被写体が視覚的に一貫して表現されます。

ShengShu Technology（世界トップランクのVidu動画生成プラットフォームを手がけたチーム）が開発したQ3 Reference-to-Videoは、単一画像アニメーションから大きく飛躍した技術です。クリップをまたいでキャラクターの外見が保たれることを祈る必要はもうありません。アイデンティティ、スタイル、外観を固定する参照画像を提供し、望むシーンを説明するだけです。結果は、同期音声付き、最大1080p解像度、最大16秒の制作対応動画です。

WaveSpeedAIでVidu Q3 Reference-to-Videoを試す →

Vidu Q3 Reference-to-Videoの仕組み

Vidu Q3 Reference-to-Videoは、複数エンティティの一貫性のために特別設計されたShengShuの独自U-ViT（Universal Vision Transformer）アーキテクチャを採用しています。ワークフローは以下の通りです：

  1. 1〜4枚の参照画像をアップロード — 出力動画で保持したいキャラクター、オブジェクト、またはスタイル要素の視覚的アイデンティティを確立します。
  2. テキストプロンプトを記述 — シーン、アクション、カメラの動き、雰囲気を説明します。内蔵のPrompt Enhancerが説明を自動的に改善し、よりリッチな出力を実現します。
  3. 出力設定を構成 — アスペクト比（16:9、9:16、1:1など）、解像度（480p、720p、1080p）、長さ（最大16秒）を選択します。
  4. 生成 — モデルがすべての参照画像を統合し、オプションの同期音声を含む動きの一貫した動画を生成します。

標準的な画像から動画へのモデルとの違いはマルチリファレンスフュージョンにあります。従来のモデルは単一画像をアニメーション化します。Vidu Q3 Reference-to-Videoは複数のソース画像（異なるキャラクター、異なる角度、異なるスタイル参照）を一つの統合されたシーンに組み合わせながら、クリップ全体を通じて各エンティティの独自のアイデンティティを保持します。

技術仕様

パラメータ詳細
入力1〜4枚の参照画像 + テキストプロンプト
解像度480p、720p、1080p
長さ最大16秒
アスペクト比16:9、9:16、1:1など
音声ネイティブ同期音声生成（オプション）
再現性一貫した結果のためのシードパラメータ

Vidu Q3 Reference-to-Video Mixの主な機能

  • 複数エンティティのキャラクター一貫性 — 異なるキャラクターの個別参照画像をアップロードすると、どちらもアイデンティティを保持した状態で出力に表示されます。フレーム間での「キャラクタードリフト」はもうありません。
  • ネイティブ音声・映像生成 — Vidu Q3は、業界初の長尺AIビデオモデルとして、環境音、対話対応のリップシンク、雰囲気音声を含む同期音声と映像を一括で生成します。
  • 1080pネイティブレンダリング — 人工的なアップスケールなしのフルHD出力。高コントラストシーンでもフレームがクリーンで詳細かつバランスよく表現されます。
  • 1クリップあたり最大16秒 — 主要なAI動画モデルの中で最長の最大長さで、完全な製品デモ、ストーリーアーク、映画的シーケンスに十分な時間を提供します。
  • 内蔵Prompt Enhancer — プロンプトエンジニアリングの専門知識を必要とせずに、シーンの説明を自動的に豊かにし、より詳細で映画的な出力を実現します。
  • シードコントロールによる確定的出力 — 特定の結果を固定し、同じクリエイティブな方向性を維持しながら解像度や長さの変更を繰り返すことができます。

Vidu Q3 Reference-to-Videoのベストユースケース

キャラクター主導のストーリーテリングとアニメーション

複数のエピソードにわたって一貫したキャラクターでアニメーションシリーズを制作できます。キャラクターの参照シートをアップロードし、主人公が毎回同じ外見で登場するシーンを次々と生成します。ShengShuはSXSW 2026でこの機能を実演し、アニメーションシリーズ制作向けの世界初のAIソリューションを披露しました。Vidu Q3 Reference-to-Videoがその原動力です。

一貫したブランドキャラクターによるソーシャルメディアコンテンツ

ブランドマスコットやインフルエンサーアバターは、すべてのコンテンツで同じ外見である必要があります。ブランドキャラクターの参照画像を一度アップロードするだけで、TikTok、Instagram Reels、YouTube Shorts向けの短尺動画を何十本でも生成できます。すべて視覚的に一貫しており、日数ではなく数分で制作できます。

製品マーケティングとEコマース動画

フォトスタジオなしで製品を動的で映画的なシーンに配置できます。複数の角度から撮影した製品写真をアップロードし、ライフスタイルのコンテキストを説明するプロンプトを記述すれば、製品を実際に使用しているマーケティング動画が生成されます。マルチリファレンス入力により、モデルが製品の3D構造をより正確にレンダリングするために理解できます。

クリエイティブコンセプトとストーリーボードプロトタイピング

静的なフレームではなく実際の動画でステークホルダーに見せられると、ピッチデッキやストーリーボードが生き生きとします。各キャラクターの参照画像をアップロードし、インタラクションを説明するだけで、複数キャラクターのシーンを素早くプロトタイプできます。速度のために480pで繰り返し、承認されたコンセプトを1080pでレンダリングします。

ミュージックビデオと短編映画

複数のキャラクター参照と雰囲気プロンプトを組み合わせて、ミュージックビデオシーケンスを生成できます。ネイティブ音声生成により、映像出力と並行して同期した環境音を生成し、ポスト制作で独自のサウンドトラックをレイヤーすることも可能です。

スタイル一貫の動画シリーズ

コンテンツシリーズ全体で統一された視覚的美学を維持できます。5本でも50本でも、ブランドのルック＆フィールが固定されるよう、毎回の生成に同じスタイル参照画像をアップロードします。

一貫した動画コンテンツの生成を始める →

Vidu Q3 Reference-to-Videoの料金とAPIアクセス

WaveSpeedAIはVidu Q3 Reference-to-Videoをシンプルな秒単位の課金で提供しており、サブスクリプション不要です。

料金表

長さ480p720p / 1080p
5秒$0.35$0.77
10秒$0.70$1.54
15秒$1.05$2.31

課金レート：

  • 480p： $0.07/秒
  • 720p / 1080p： $0.154/秒

API連携

WaveSpeedAIのREST APIを使用して、Vidu Q3 Reference-to-Videoをアプリケーションに直接統合できます。コールドスタートなし、GPUプロビジョニング不要 — リクエストを送信するだけで動画が返ってきます。

import wavespeed

output = wavespeed.run(
    "vidu/q3/reference-to-video",
    {
        "prompt": "Two characters walking through a sunlit forest, cinematic lighting, gentle breeze",
        "images": [
            "https://example.com/character1.jpg",
            "https://example.com/character2.jpg"
        ],
        "resolution": "1080p",
        "duration": 10
    },
)

print(output["outputs"][0])  # 動画URL

WaveSpeedAIの利点：

  • コールドスタートなし — モデルは常にウォームアップされており、すぐに生成できます
  • 従量課金 — サブスクリプションなし、最低コミットメントなし
  • REST API — あらゆる言語やフレームワークで動作する標準HTTP連携

追加の動画生成機能については、WaveSpeedAIのViduモデルコレクションをご覧ください。

Vidu Q3 Reference-to-Videoで最良の結果を得るためのヒント

  1. 明るくクリアな参照画像を使用する — 被写体が明確な高品質な入力画像が、最も正確なアイデンティティ保持を実現します。ぼやけたり過度にフィルタリングされたソース画像は避けてください。

  2. 素早い繰り返しには480pから始める — 1080pレンダリングにコミットする前に、低解像度でプロンプトと参照の組み合わせをテストしてください。時間とコストの両方を節約できます。

  3. 可能であれば複数の角度を提供する — キャラクターの全体的な外見をモデルに理解させたい場合は、正面と横顔の参照画像を含めてください。より多くの参照画像により、被写体の3D構造についてモデルがより豊かに理解できます。

  4. 詳細で具体的なプロンプトを記述する — 「二人が話している」ではなく、「カフェのテーブルに座った二人のキャラクター、温かい午後の光、一人が話しながら身振りをしている、被写界深度が浅い」のように記述してください。自動改善が必要な場合は内蔵のPrompt Enhancerを使用してください。

  5. 一貫性のためにシードパラメータを使用する — 気に入った結果が見つかったら、シードを固定し、同じクリエイティブな方向性を維持しながら解像度、長さ、またはプロンプトの調整を繰り返してください。

  6. 独自のサウンドトラックを追加する場合は音声を無効にする — ポスト制作でカスタム音楽やボイスオーバーを追加する予定がある場合は、音声レイヤーの競合を避けるためにgenerate_audioをfalseに設定してください。

Vidu Q3 Reference-to-Videoに関するよくある質問

Vidu Q3 Reference-to-Videoとは何ですか？

Vidu Q3 Reference-to-Videoは、1〜4枚の参照画像とテキストプロンプトを組み合わせて映画品質の複数エンティティ一貫動画を生成するAI動画生成モデルです。最大1080p解像度、最大16秒の長さをサポートし、オプションの同期音声が含まれます。

Vidu Q3 Reference-to-Videoの料金はいくらですか？

WaveSpeedAIでの料金は480pで$0.07/秒、720p/1080pで$0.154/秒からで、サブスクリプション不要 — 生成した分だけお支払いいただきます。

Vidu Q3 Reference-to-VideoをAPIで使用できますか？

はい。WaveSpeedAIはコールドスタートなしのVidu Q3 Reference-to-Video用REST APIを提供しています。WaveSpeed Python SDKまたは標準HTTPリクエストを使用して、あらゆるアプリケーションに統合できます。

Vidu Q3 Reference-to-Videoで使用できる参照画像の数は？

1回の生成あたり1〜4枚の参照画像をアップロードできます。各画像は、出力動画で保持したいキャラクター、スタイル、または視覚的要素をモデルが理解するのに役立ちます。

Vidu Q3 Reference-to-Videoは音声を生成しますか？

はい。Vidu Q3はデフォルトで有効になっているネイティブ同期音声生成を含み、映像と並行して環境音と雰囲気音声を生成します。ポスト制作で独自の音声を追加したい場合は、この機能を無効にすることができます。

独自の参照画像からキャラクター一貫性のあるAI動画を制作する準備はできましたか？今すぐWaveSpeedAIでVidu Q3 Reference-to-Videoを試す — コールドスタートなし、サブスクリプションなし、結果のみ。

共有