Viduで何ができるか、どう使うか：動画と画像のつくり方、プロンプトの考え方、長さ・解像度・音声・参照画像を、公式の資料で確かめる

3行でいうと

動画の入口は3つです。文章だけで作る「Text to Video」、画像を動かす「Image to Video」、参考画像で見た目をそろえる「Reference to Video」。画像を作る入口は「Text to Image」と「Reference to Image」です。
プロンプト（指示の文章）の考え方として、公式は「Subject（主役）、Action（動き）、Camera（カメラ）、Scene（場面）、Style（画風）」の5つを書くよう案内しています。
長さ、解像度、参照画像の枚数は、モデルのページと機能ページで数字が違います。Vidu Q4のページは「最長16秒、最大4K、参照画像は最大15枚、音声の参照は最大3つ」、古い機能ページは「参照は最大7枚」などです。どれが今の画面に当てはまるかは、公式の資料では確定できません。
「Vidu S」は、動画を作るというより、リアルタイムで話すアバターや、ライブ映像の編集を扱うモデルとして紹介されています。

この記事は、公式の資料を2026年10月24日に読んでまとめたものです。この記事は、実際に使って確かめた記録ではありません。公式の宣伝・紹介ページは、性能や画質を良く言う表現を含みます。この記事では、そうした評価は「公式は〜と紹介している」の形にとどめ、他のサービスとの優劣は書きません。公式のチュートリアルページ（www.vidu.com/home/tutorial）は、タイトルと目次的な情報しか取得できず、手順の本文は読めていません。

先に結論

まず「何から作るか」で入口を選びます。 文章しかないなら Text to Video、手元に1枚の画像があるなら Image to Video、同じ人物や物を何カットも出したいなら Reference to Video、というのが、公式のFAQの使い分けの説明です。
文章は「5つの要素」で書くと整理しやすい、と公式は案内しています。 主役、動き、カメラ、場面、画風です。1つの場面には、主な動きを1つに絞る、とも書かれています。
数字は、モデルのページを優先して読みつつ、サインインした画面で確かめてください。 公式ページ同士で食い違いがあるためです。

前提：用語をそろえる

Text to Video / Image to Video / Reference to Video：公式がつけている動画の作り方の名前です。直訳すると、文章から動画、画像から動画、参照から動画です。
ファースト・ラストフレーム：動画の最初の絵と最後の絵のことです。Image to Videoでは、最後の絵も指定でき、その間の動きをAIが作る、と公式は説明しています。
ネイティブオーディオ：映像と同時に、セリフや効果音や音楽も作ることです。公式のQ4とQ3のページが、この言葉を使っています。
RefHub：公式のページ（www.vidu.com/home/reference）が「他のユーザーが作った参照を探して、使って、保存できる場所」と説明しています。

動画のつくり方：3つの入口（公式の書き方）

入口	公式の手順（要約）	どこに書かれているか
Text to Video	画面右上の「Try Vidu」から「Text to Video」を選ぶ。入力欄にプロンプトを書く。設定（スタイル、本数、アスペクト比）を選んで「Create」	www.vidu.com/ai-text-to-video
Image to Video	「Try Vidu」から「Image to Video」を選び、最初の画像を入れる。最後の画像は任意。プロンプトを書き、長さ、解像度、動きの量（movement amount）を選んで「Create」。複数本は「Amount」のスライダー	www.vidu.com/ai-image-to-video
Reference to Video	「Try Vidu」から「Reference to Video」を選び、1〜7枚の画像（自分のもの、またはRefHubのもの）を入れる。プロンプトを書き、解像度とアスペクト比などを選んで「Create」。完成したらプレビューしてダウンロード	www.vidu.com/ai-reference-to-video

公式の使い分け（FAQ）は次のとおりです。

Text to Videoは、アイデアしかないとき向け。公式のFAQは「Text to Video is best when you only have an idea」と書いています。
Image to Videoは、手元の1枚を動かしたいとき、短い動きを付けたいとき向けです。写真、スケッチ、絵画などを入れられ、画風は「Anime」「Realistic Video」「Illustration」「Surreal」が挙がり、元の見た目を保ちながら動きをなめらかにする、と書かれています。
Reference to Videoは、複数のカットで人物や場面の見た目をそろえたいとき向けです。参照にできるものとして、人物、画風、構図、カメラの動き、場面、エフェクトが挙げられています。ストーリー動画、広告、AIインフルエンサー向けのコンテンツを作るとき、という例も書かれています。

プロンプトの考え方（公式が案内していること）

場面	公式の書き方（要約）	どこに書かれているか
文章から作る	「Subject、Action、Camera、Scene、Style」の5つの要素で書く。動きは具体的に、カメラは「クローズアップ」「ゆっくりパン」のように指定する。1つの場面には主な動きを1つ	/ai-text-to-video
つまずきやすい点	あいまいなプロンプト、1つの場面に動きを詰め込みすぎること、カメラの指示がないことが、弱い結果の原因になる	/ai-text-to-video のFAQ
画像から作る	すでに画像に写っているものを繰り返さず、動きを書く。パン、ズーム、追いかけなどのカメラの動きを足す。構成は「被写体の動き、カメラの動き、場面の変化、画風」	/ai-image-to-video
画像の選び方	被写体がはっきりして、光が良い高品質な画像。ぼやけた画像、解像度の低い画像、被写体が小さすぎる画像は避ける	/ai-image-to-video のFAQ
画像を作る	被写体、画風、構図、照明、アスペクト比を書き、結果を見ながらプロンプトか設定を直す	/ai-image-generator のFAQ

僕らの見立て（公式の説明ではありません）：5つの要素は、写真を撮るときの「誰が、何をして、どこで、どう撮るか、どんな雰囲気か」を言葉にする型だと考えると、初心者でも使いやすいと思います。

モデルごとに公式が挙げていること

数字は、公式のモデルページに書かれた表示のままです。評価の言葉（「最先端」など）は事実として扱っていません。

モデル	公式ページの紹介（要約）	どこに書かれているか
Vidu Q4	ネイティブオーディオ、動きの質、プロンプトの制御を打ち出す。ハイライトは「最大解像度4K、最長16秒、参照画像は最大15枚、参照音声は最大3つ」。Reference to Videoは参照画像1〜15枚、音声0〜3つ、長さ1〜16秒。Image to Videoは1枚の画像から3〜16秒で、元のアスペクト比を保ち、2Kか4K。FAQは、Q4の対応モードはこの2つとしている	www.vidu.com/vidu-q4、/ja/vidu-q4
Vidu Q3	映像と音声を1回の生成で作る。セリフ、ナレーション、効果音、音楽が入る。1回で最長16秒。複数人の会話に対応。言語は英語、日本語、中国語。カメラと間（ま）をフレーム単位で指示できる、と紹介。解像度と対応モードは、このページには書かれていない	www.vidu.com/vidu-q3、/ja/vidu-q3
Vidu S（Vidu Stream）	ページの名前は「Vidu S2」。「S2-Avatar」は、声で会話し、声で指示された動き（踊るなど）をするリアルタイムのアバター。出力は720p以上。「S2-Editing」は、ライブ映像のスタイル、服装、被写体、背景をリアルタイムで編集する。編集の4つのモードは、見出しでは「Style Rendering」「Character Replacement」「Background Replacement」「Virtual Try-On」、ナビでは「Style Transfer」「Character Swap」「Background Swap」「Virtual Try-On」と表示されている	www.vidu.com/vidu-stream

Q4とQ3の関係（どちらが新しいか、置き換えか）は、公式の資料では説明を確認できていません。公式トップページは、Q4には「All-in-one video flagship」という見出しをつけていますが、Q3には見出しや説明がなく、ナビのリンクと利用者の声に出てくるだけです。Q4のページには、公開日の記載がありませんでした。Vidu Sのページには、ベータの表示や料金、提供地域の記載は読んだ範囲では見つかりませんでした。

画像のつくり方（Text to Image、Reference to Image）

公式の「AI Image Generator」ページ（www.vidu.com/ai-image-generator）が書いていることです。

入口は2つ。「Text-to-Image」は文章から、「Reference-to-Image」は参考画像を足して、人物や画風や細部をそろえます。参考画像は複数を合成できます。
手順は、①モードを選ぶ、②プロンプトを書く（参照モードでは画像も入れる）、③解像度、サイズ、枚数を選んで「Create」。作ったあとで、リサイズ、微調整、アップスケールができる、と書かれています。
解像度は「1080p、2K、4K」。参照画像は最大7枚（ページの説明文の記載）。
このページは、画像のモデル名を挙げていません。API文書のナビゲーションには「Vidu Q2 Image」「Vidu Q1 Image」という画像モデルの名前があり、文書の本文は「viduq2」「viduq1」という名前で書いています（03で扱います）。

効果音、テンプレート、エージェント

AI Sound Effect Generator：公式ページによると、「wind」「footsteps」のような文章から効果音を作ります。長さは1〜10秒から選びます。音を重ねる、開始時刻を決める、という手順が書かれています。
AI Templates：公式のテンプレートのページは、写真1枚から、ひな形に沿った短い動画を作る機能として紹介しています。カテゴリは「Love」「WowFactor」「Prank」「Morph」「Animated」「Ads & Commerce」「Festival」「Image Template」です。手順、無料か有料か、入力する写真の条件は、このページには書かれていませんでした。
Vidu Agent：公式ページは「The First AI Marketing Agent Built on OpenClaw」と書き、Vidu Q3を使い、目標を伝えるとストーリーボードから動画まで進める、と説明しています。Vidu内で動くので、インストールや設定は要らない、とも書かれています。料金は「サブスクリプションのプランとクレジット制を組み合わせた柔軟な料金モデル」とだけ書かれています。金額、無料枠、ベータ表示は、このページには書かれていませんでした。

公式ページ同士の食い違い

項目	書かれていること（ページ）	判断
参照画像の枚数	Q4のページは最大15枚。Reference to Videoの機能ページと画像生成ページは最大7枚	モデルや時期で違う可能性。確定できない
動画の長さ	Q4とQ3のページは最長16秒。AI Video Generatorページは「4秒か8秒」を選べると書く	確定できない
解像度	トップページは「stunning 1080p outputs」と書く（1080pまで、と読める）。Q4のページは最大4K	確定できない
無料クレジット	トップページは量を書かない。AI Video Generatorページは「毎月40」	確定できない
Q3の対応モード	Q3のページには書かれていない。ナビゲーションにはText to Videoなどが並ぶ	公式の資料では確認できていない

気をつけること

この記事は、実際に使って確かめた記録ではありません。画面の名前やボタンは、公式ページの英語表記の写しです。日本語の画面での表記は、読めていません。
「何秒まで」「何枚まで」は、モデル、プラン、時期で変わる可能性があります。サインインした画面と、公式の最新ページで確認してください。
公式の「Content Moderation（コンテンツの審査）」のカテゴリがヘルプにありますが、記事の本文は取得できず、何が禁止かは読めていません。他人の顔や声、著作物、キャラクターを使うときの条件は、規約を読めていないので「公式の資料では確認できていない」です。
公式が「ベータ」「実験的」と書いているかどうかは、読んだ範囲では、Vidu S、Vidu Agent、各機能ページに表示を見つけられませんでした。なお、API文書では、動画のモデルが「preview（試験的な版）」と明記されています（03で扱います）。
規約は変わります。使う前に、公式で最新を読んでください。この記事は法律の助言ではありません。