ViduをClaude Codeなどのエージェントや自分のプログラムとつなぐ：スキル、vidu-cli、API、コールバック、リアルタイム（S2）の設定と、渡るデータ、外し方

この記事は、公式の資料を2026年10月25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。

先に結論

• 「公式が用意している連携」と言えるのは、次の3つの層です。 ①公式サイトが案内するスキル（vidu-skills）とコマンド（vidu-cli）、②API Platformの文書にあるAPI、③S2（リアルタイム）のAPIのサンプルとスキル（vidu-s1-api）。いずれもGitHubのshengshu-ai組織にありますが、vidu-skills以外について、公式サイトが案内している証拠を、僕らは今回は読めていません。
• MCPやプラグインの記載。 読んだ範囲では、ViduのMCPサーバーの記載はありませんでした。vidu-s1-apiのリポジトリには「plugins/dify」というフォルダと、Dify用のパッケージのファイル名が並んでいますが、READMEの本文にその使い方は読めませんでした。
• Viduの中で他社のモデルを選べるか。 03では「記載が見つからない」と書きました。今回、vidu-skillsの parameters.md が、画像のモデル版「3.2_image_2」を「全能Image 2」とも「GPT-Image 2」とも呼び、テキスト描画に強い画像生成モデル、という趣旨の説明を添えているのを読みました。「GPT-Image 2」がどの会社のどのモデルを指すか、提供元がどこかは、そのファイルには書かれておらず、この記事も意味を断定しません。03の記述は、この点で「確認できない箇所がある」と読み替えてください。
• 「外し方」は、公式の記載が少ない部分です。 該当する箇所に「記載が見つからない」と書きます。

前提：用語をそろえる

• エージェント：自分で手順を考えてコマンドを動かすAIです。Claude Code、OpenClawなど。
• スキル：エージェントに「この道具の使い方」を教えるファイル一式です。入口のファイルはSKILL.mdです。
• vidu-cli：Viduのコマンドラインの道具です（05）。
• Vidu Token / APIキー：05を見てください。
• 非同期：依頼を出すとすぐ task_id が返り、結果は後で取りに行く動きです。Viduの動画づくりはこの形です。
• コールバック（callback_url）：完成を、Viduの側から自分のURLに知らせてもらう仕組みです。
• MCP：AIエージェントを外部の道具につなぐ規格です。
• RTC：音声や映像をリアルタイムでやり取りする通信です。S2のサンプルで出てきます。

連携の地図

連携A：Claude Code（などのエージェント）× Vidu Skills

何ができるか（vidu-skills READMEの表）

テキストから画像・動画、画像から動画、最初と最後の絵から動画、参照から画像・動画、口パク、音声合成（READMEの表は「300+ voices, 20+ languages」。parameters.md は「250+ voices」）、複数トラックの動画編集（Video Compose）、参照の作成と検索、クレジット残高の確認、費用の見積り。

エージェントがこのスキルを使う場面は、SKILL.mdが「テキストから画像・動画…口パク、音声合成、動画の編集、参照の作成、Viduのタスクの投入と確認」と書いています（要約）。SKILL.mdの版は1.4.15と読めました（2026-10-25に読んだ時点）。

設定する場所とやること（公式の手順を順に）

1. スキルを入れる。 vidu-skillsのREADMEのコマンドです。READMEは、この方法を「recommended」と書いています。

npx skills add shengshu-ai/vidu-skills

1. vidu-cliを入れる。 READMEの流れでは、スキルの次です（05の段階5）。Nodeの版は、vidu-skillsのREADMEが「14以上」、vidu-cliのREADMEには記載なしと、資料で違います（05の段階5の表）。

npm install -g vidu-cli@latest

1. 環境変数を設定する。 海外向けの値にした、この記事で組んだ例です（05の段階6。READMEの例そのままではありません）。

export VIDU_TOKEN=your_token
export VIDU_BASE_URL=https://service.vidu.com

1. エージェントに頼む。 Vidu Agentのページは、スキルがOpenClawやClaude Codeに組み込まれたら、チャットで自然な文章で頼む、と書いています。ページの例は「Viduで、ネオンの街を走るサイバーパンクの車の動画を作って」という趣旨の1文です。

この記事の例（公式の文ではありません）： 「Viduで、雨上がりの商店街を歩く猫の5秒の動画を作って。縦長で、1080pで。」

1. 何が起きるか（SKILL.mdの記載）。 エージェントは vidu-cli を使って依頼を出し、返ってきた task_id で状態を確かめ、成功したら保存先を決めて取り出します。

スキルがエージェントに課しているルール（SKILL.mdの記載の要約）

• コマンドは、引数を1つずつ分けた形（argv）で渡し、sh -c で包まない。
• --image、--material、--audio、--video は、1つにつき1回ずつ繰り返して指定する。カンマでつながない。
• 失敗したときは、返ってきたJSONの項目をそのまま報告し、見えない原因を推測しない。
• 手元の --help の出力とSKILL.mdが食い違ったら、--help を信頼する。

渡るデータ（READMEの「Data Usage and Privacy」の要約）

READMEは、さらに次を書いています。送る内容がプライバシーと知的財産の要件に合うか確かめる。できれば権限の小さいトークンを作る。最初の試しには本番用や強い権限のトークンを使わない。規約は、海外は vidu.com/terms、中国本土は vidu.cn/terms を読む。

VIDU_DEBUG=1 を付けると、返ってきた中身の全文が標準エラーに出ます（README）。ログを共有するときは、何が入るかに気をつけてください。

権限

• 認証は VIDU_TOKEN だけです。READMEは、できれば権限の小さいトークンを使う、と書いています。権限の小さいトークンの作り方は、読んだ範囲では書かれていません。
• エージェントが自動でクレジットを使うかどうか。errors_and_retry.md は、自動で選ばれる「claw-pass」の1日の枠を使い切ったときのエラー（ClawPassExplicitModeRequired）の扱いとして、自動で再試行せず、--schedule-mode normal（クレジットを使う）にするのは利用者が同意したときだけ、と書いています。claw-passが何の枠か（契約やプラン）は、読んだ範囲では説明がありません。名前からVidu Agent（claw）と関係がありそうですが、これは僕らの推測で、公式の説明ではありません。
• Vidu Q4のモデルは --schedule-mode が normal（クレジット）で、claw_pass は受け付けない、とvidu-cliのREADMEにあります。
• エージェント側の「このコマンドを許可しますか」といった確認の仕組みは、Viduの資料ではなく、使うエージェントの資料にあります。

外し方

• スキルの削除、スキルが置かれるフォルダ：記載が見つからない。
• vidu-cliの削除：READMEに記載が見つからない。
• トークンの取り消し（無効化）：記載が見つからない。サインインしたWebの画面のどこで管理するかも、読んだ範囲では書かれていない。
• 環境変数：設定したターミナルを閉じるか、設定ファイルに書いたなら消す（一般的な動きで、Viduの資料の記述ではありません）。

うまくいかないときの確認点

連携B：OpenClaw系 × Vidu Skills

vidu-skillsのREADMEは、OpenClawの仲間の仕組み（ClawHub）向けの入れ方を別に書いています。

clawhub install github:shengshu-ai/vidu-skills

• 渡るデータ、権限、外し方は連携Aと同じ扱いです（READMEに区別の記載はありません）。
• Vidu Agentのページは、Vidu Skillsを「Viduのエージェント、OpenClaw、Claude Code、ほかの対応するエージェントの流れ」に足せる、と書いています。スキルは、OpenClawなど複数のエージェントで使い回せる、との記述です。
• ページが挙げるスキルは、ソーシャル動画の自動化、台本から動画、AIアバター動画、Text to Video、顔を出さない動画の流れ、の5つです。それぞれの専用ページ（例：Social Video Automationのページ）には、導入手順やコマンドは書かれていませんでした。

連携C：Vidu Agent（Viduの中で動くエージェント）

Vidu Agentのページが書いていることです。

• Vidu Agentは、OpenClawという公開の枠組みの上に作られたマーケティング向けのエージェントで、Vidu Q3を使います。
• インストールや設定は要りません。 ログインしてVidu Agentを開き、結果を言葉で伝えます。
• 組織や個人が、専用のスキルを足したり、ブランドの素材や社内の知識を接続したりできる、とページは書いています。接続の手順は、ページにはありません。
• 料金は、サブスクリプションとクレジットの組み合わせ、とだけ書かれ、数字はありません。
• 入口のページ（www.vidu.com/claw）は、メタ情報しか取得できませんでした。画面の手順は書けません。

連携D：vidu-cliを自分のスクリプトやエージェントから直接使う

vidu-cliのREADMEが、コマンド全体を書いています。主なものを並べます。

• 動画の合成（compose）は、JSONの「タイムライン」を渡します。構造は、video_tracks、audio_tracks、subtitle_tracks、effect_tracks の4つの配列です。画像は50MB、動画は500MBまで、幅と高さは128〜4096ピクセル、と compose.md の要約にあります。詳しい書き方は、そのファイルの原文で確認してください。
• 作った参照（element）は、--material "NAME:ELEMENT_ID:VERSION" の形でプロンプトの [@NAME] と組み合わせて使います（parameters.md）。
• 入力の渡し方は、--image はローカルのパス、URL、ssupload 参照のいずれか。--video と --audio はローカルのパスか ssupload 参照のみで、URLは拒否される、と parameters.md にあります。

渡るデータ

連携Aと同じです。ローカルのファイルをアップロードします。画像が10MBを超えると、自動で圧縮される、と parameters.md にあります。

連携E：API（自分のプログラム）× Vidu

設定する場所

• 呼び出し先：https://api.vidu.com/ent/v2/ 以下。
• 認証：Authorization: Token {your api key}（05の段階9で書いた、文書内の表記の揺れに注意）。
• キーの発行：公式の資料では、読めたページに手順がありません（05）。

何を呼べるか（読めたもの）

文書のナビゲーションには、ほかに声のクローン、音声合成、スマートアップスケール、被写体の作成、口パク、デジタルヒューマン、動画の延長、プロンプトの提案、ストリーミング（S2 Avatar、S2 Editing）が並んでいますが、本文は読めていません。

流れ

1. 依頼を出す（06の場面8）。
2. task_id を保存する。
3. GET .../tasks/{id}/creations で、state を確かめる。状態は created、queueing、processing、success、failed。
4. success になったら、creations[].url（24時間有効）からダウンロードする。
5. err_code が空でないときは、文書の「エラーコード表」を見る（取得できず）。

渡るデータと、残るデータ

• 送る：プロンプト、画像（URLまたはBase64）、音声。1回のリクエストは20MBまで。
• payload に入れた文字列は、処理されずにそのまま返ってきます（1,048,576文字まで）。自分の管理用の目印を入れる使い方ができますが、個人情報や秘密を入れるかどうかは、自分で決めます。
• 結果のURLは24時間で切れます。保存の責任は受け取る側にあります。
• 透かし付きのURL（watermarked_url）と、通常のURL（url）が別の項目で返ります。どちらがどの条件で使えるかは、読んだ範囲では説明がありません。

権限・外し方

• APIキーの権限範囲（読み取り専用など）：記載が見つからない。
• キーの取り消し・再発行：記載が見つからない。

Claude Codeなどから、このAPIを使う場合（この記事の案）

公式の資料に、ClaudeがこのAPIを直接呼ぶ設定の記載はありません。エージェントに任せる場合は連携Aが、公式が用意する道筋です。エージェントにAPIのcurlを書かせる場合は、「キーをチャットに貼らない、環境変数から読む」の形にするのが、この記事の案です。

連携F：コールバック（完成の通知）

API文書（動画、画像、効果音のページ共通）に書かれていることです。

設定

1. 依頼のJSONに callback_url（自分が受け取れるURL）を入れる。
2. 状態が変わるたびに、ViduがそのURLにPOSTする。本文は、結果の取得（GET .../creations）の返り値と同じ構造。
3. 状態は processing、success、failed。success と failed の配送に失敗すると、Viduは3回まで再試行する。
4. 通知は署名されている。確かめる方法は、文書の「Callback Signature」のページに書かれているはずですが、リンク先は「Document not found」で読めませんでした。画像生成と参照から動画のページでは、このリンクが別のドメイン（.cn）を指している、とも読めます。

渡るデータ

自分の受け口に、タスクの状態、credits、creations のURL、payload が届きます。受け口のURLは、Viduのサーバーから届く場所に置く必要があります。僕らの見立て（公式の説明ではありません）として、通知が本当にViduからのものかを確かめる署名の確認は大事な部分ですが、方式の文書が読めていないので、ここでは書きません。

外し方

リクエストで callback_url を指定しなければ、通知は来ません。設定済みのタスクの通知を止める方法は、記載が見つからない。

連携G：Vidu S2（リアルタイムのアバター、映像編集）のサンプル

vidu-s1-apiのREADME（About欄は「S1」、本文はS2）の内容です。

前提

Node.js 20以上、ChromeまたはEdge、ViduのAPIキー、マイク（動画モードではカメラも）。

手順

1. リポジトリの最上位で、環境変数のひな形をコピーします。

cp .env.example .env

1. .env に次を書きます（READMEの表）。

1. サンプルのフォルダに入り、起動します。

cd examples/node-quickstart
npm install
npm run dev

1. ブラウザで http://localhost:8787 を開き、「Avatar」か「Editing」を選び、「Create and connect」を押します。
2. マイク（カメラ）の許可を出します。終わるときは「Hang up」を押します。

渡るデータ

• APIキーは、サーバー側（Node）に置かれ、ブラウザには出ません（READMEの設計の説明）。
• ブラウザは、Viduが返す認証情報を使って、Aliyun RTC（音声・映像のリアルタイム通信）につなぎます。つまり、マイクやカメラの音声・映像がリアルタイムの通信経路で送られます。送られ方の詳細（保存の有無など）は、READMEには書かれていません。
• READMEは、機能、パラメータ、料金、制限は公式のAPI文書が正だ、と書いています。ストリーミング文書（platform.vidu.com/vidu-stream/doc）は、メタ情報しか取得できませんでした。

エージェント用スキルとして使う場合

READMEは、skills/vidu-s-api を自分のエージェントのスキル用フォルダに入れ、SKILL.mdを読み込ませる、と書いています。対象のエージェント名は書かれていません。スキルは、セッションの作成、RTCの組み込み、WebSocketの初期化、セッション中の操作、後片付けを扱う、とのことです。

外し方

通話は「Hang up」で終わります。ローカルのサンプルを止める・消す手順はREADMEに書かれていません。

連携H：Dify

vidu-s1-apiのリポジトリ直下に plugins/dify/ というフォルダと、vidu_s1-0.0.3.difypkg というファイルがあります。READMEの本文にDifyでの導入手順は読めませんでした。ほかに、shengshu-aiの組織にはDifyの公開プラグインを集めたフォークがあると、03で書きました。Viduの機能をDifyから呼ぶ手順は、公式の資料では確認できていません。

AI同士の組み合わせ

「公式の記述あり」は、上で読んだ資料に書かれているもの、「この記事の案」は、資料にはないもの（動作は確かめていません）です。

別のAIで文章を整える案の例（この記事の例）

別のAIに、次のように頼む想定です。公式の文ではありません。

「次の場面を、Subject、Action、Camera、Scene、Styleの5つに分けて、動きは1つに絞った日本語のプロンプトにしてください。場面：雨上がりの夕方、赤いレインコートの女の子が水たまりを飛び越える。」

返ってきた文を、06の場面1の手順でViduの入力欄に貼ります。このとき、貼る内容がViduのサーバーに送られることは、通常の使い方と同じです。

外し方のまとめ

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。コマンドと設定名は、READMEなどの記載を並べたもので、動くかは確かめていません。
• 取得したページは、要約を通して読んでいます。コマンドの文字が崩れて読めた所は、組み直した形を「公式の写し」とは書いていません。実行前に原文と照らしてください。SKILL.mdと parameters.md では、-o と --output の書き方が混ざっています。手元の --help を優先する、とSKILL.mdも書いています。
• 読めなかったページ：API Platformの入口、APIキーのページ、料金、モデル一覧（メタ情報のみ）、Callback Signature（Document not found）、ストリーミング文書（メタ情報のみ）、Vidu Agentの入口（www.vidu.com/claw、メタ情報のみ）、チュートリアル。
• ページ同士の食い違い：vidu-skillsのREADMEは VIDU_BASE_URL の既定を中国向け（service.vidu.cn）とし、Vidu Agentのページは中国本土以外では .com を使うよう書いています。API文書の呼び出し先は api.vidu.com、CLIの呼び出し先は service.vidu.com で、ホストが違います。同じトークン/キーがどちらにも使えるかは、公式の資料では確認できていません。参照から動画の文書は、作る側が Token、取る側が Bearer と書いています。
• vidu-skillsのリポジトリ、vidu-cli、vidu-s1-apiが、Viduの運営会社の公式かどうかは、GitHub上の明確な表示を僕らは確認できていません。公式サイトがアドレスつきで案内しているのは、vidu-skillsです。
• viduq4-preview は、文書がモデル名に「preview」を付けたものです。仕様が変わりうる、という趣旨で読めますが、公式がそう説明している文は読めていません。
• 規約は変わります。この記事は法律の助言ではありません。送る内容に他人の顔や声、著作物が含まれる場合の条件は、規約を読めていないので、公式の資料では確認できていません。

出典

• Vidu Agent（Vidu、確認日 2026-10-25）
• Social Video Automation Skills（Vidu、確認日 2026-10-25）
• vidu-skills README（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-skills SKILL.md（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-skills parameters.md（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-skills errors_and_retry.md（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-skills compose.md（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-cli README（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-s1-api README（GitHub shengshu-ai、確認日 2026-10-25）
• Vidu API 文書：Image to Video（Vidu、確認日 2026-10-25）
• Vidu API 文書：Reference to Video（Vidu、確認日 2026-10-25）
• Vidu API 文書：Image Generation（Vidu、確認日 2026-10-25）
• Vidu API 文書：Audio Generation（Vidu、確認日 2026-10-25）
• Vidu API 文書：Quickstart（入口。メニューのみ取得、Vidu、確認日 2026-10-25）