Vidu API: Consistent Subjects from Reference Images
Vidu APIは、Shengshu AIおよびTsinghua大学のビデオモデルへのアクセスを開発者に提供し、DiffusionおよびTransformerの設計を統合するU-ViTアーキテクチャ上に構築されています。1つから4つの参照画像を入力すると、Viduはショット全体で被写体の一貫性を保ち、インテリジェントなカメラ切り替えとスムーズでシネマティックなモーションを実現します。Atlas Cloudは、Day-0モデルアクセスと、ラインアップ全体に対応するOpenAI互換キーを追加します。今すぐ構築を開始してください。
主要モデルを探索
Atlas Cloudは、業界をリードする最新のクリエイティブモデルを提供します。
Every Vidu API Endpoint Compared: Q1, Q2, Q3, and 2.0 at a Glance
Scan durations, resolutions, reference image limits, and audio options across all 25 Vidu API video generation endpoints to match the right model to your workload.
| Modality | Description |
|---|---|
| Vidu Q3-Pro T2V API (Text to Video) | Describe a scene in plain text and Q3-Pro renders it as video up to 16 seconds long, with five aspect ratios plus general and anime styles. Super resolution output reaches 1440p, and audio with background music generates in the same pass. It suits cinematic ads and narrative shots where fidelity matters most. |
| Vidu Q3-Turbo T2V API (Text to Video) | Need volume more than polish? This turbo tier converts text prompts into clips of 1 to 16 seconds below Pro tier pricing, while keeping the same 1440p super resolution ceiling, style presets, and optional audio track. Teams use it for rapid storyboarding and testing creative directions. |
| Vidu Q3-Pro I2V API (Image to Video) | Upload one still image, describe the motion you want, and the model animates it with smooth, cinematic movement for up to 16 seconds. Output scales from 540p to 1440p super resolution with generated audio and background music. Product showcases and photo animation pipelines are its natural home. |
| Vidu Q3-Turbo I2V API (Image to Video) | When turnaround matters, the lowest priced Q3 tier brings photos to life from a single reference image and a motion prompt. It reaches 1440p super resolution and attaches audio automatically unless disabled. Social clips and bulk catalog animation run economically on it. |
| Vidu Q3-Pro SE2V API (Start-End to Video) | Give it a first frame and a last frame, and Q3-Pro interpolates a coherent transition between them lasting up to 16 seconds. The two frames must keep their aspect ratios within 0.8 to 1.25 of each other, and audio plus background music are generated on request. Storyboards, morph effects, and scene bridges all fit here. |
| Vidu Q3-Turbo SE2V API (Start-End to Video) | Fast frame bridging is the turbo variant's specialty. It connects a start image and an end image into one continuous shot, supports 540p through 1440p super resolution output, and toggles audio with a single flag. Iterate transitions quickly here before committing to a Pro render. |
| Vidu Q3 R2V API (Reference to Video) | Consistency across camera angles sets this endpoint apart. Feed it 1 to 4 reference images and it keeps subjects stable through intelligent camera switching, producing clips of 3 to 16 seconds at up to 1440p super resolution with audio. Character driven ads and episodic content benefit most. |
| Vidu Q3-Mix R2V API (Reference to Video) | Blend up to 4 reference images into one scene with intelligent transitions and smooth dynamic effects. The Q3-Mix endpoint holds subject identity while settings shift, renders clips of 1 to 16 seconds in five aspect ratios, and adds generated audio by default. Multi-shot brand stories and mashup creative are built on it. |
| Vidu Q2 T2V API (Text to Video) | Text goes in, and a finished clip of 1 to 8 seconds comes out at up to 1080p. General and anime styles, five aspect ratios, and automatic audio with background music are all controlled through simple parameters. It makes a solid default for everyday prompt to video work. |
| Vidu Q2-Pro I2V API (Image to Video) | Animating a single photo with prompts of up to 5000 characters, this Pro endpoint outputs 540p to 1080p clips running as long as 10 seconds. Movement amplitude can be pinned to small, medium, or large for precise motion control. Explainers and marketing stills convert well here. |
| Vidu Q2-Pro-Fast I2V API (Image to Video) | The Fast variant keeps 720p and 1080p output and the same price as the standard Pro tier while shortening generation queues for image animation jobs. Durations stretch from 1 to 10 seconds with optional audio and background music. Pick it when pipelines demand quick iteration. |
| Vidu Q2-Turbo I2V API (Image to Video) | At the lowest price in the entire Vidu family, this endpoint animates one image into clips of up to 10 seconds at 540p, 720p, or 1080p. Audio and background music generate automatically unless switched off. High volume UGC tools and batch jobs are where it earns its keep. |
| Vidu Q2-Pro SE2V API (Start-End to Video) | Two keyframes become one fluid shot. Q2-Pro fills the gap between a start image and an end image over 1 to 8 seconds at up to 1080p, with generated audio and background music available. Keep the frame aspect ratios within 0.8 to 1.25 of each other for a valid request. |
| Vidu Q2-Pro-Fast SE2V API (Start-End to Video) | Prefer speed for frame interpolation? This variant renders start to end transitions at 720p or 1080p in clips up to 8 seconds, with audio and background music toggles included. It shares standard Pro pricing while tightening iteration loops for editors. |
| Vidu Q2-Turbo SE2V API (Start-End to Video) | The most economical start-end option in the family lives here. Supply first and last frames and receive a 1 to 8 second clip at up to 1080p, with optional audio in the same call. Prototyping transitions before a Pro render is a common workflow. |
| Vidu Q2 R2V API (Reference to Video) | Up to 7 distinct subjects, each defined by 1 to 3 reference images, can appear together in a single generated scene. Clips run 1 to 10 seconds at up to 1080p, and an audio type switch isolates speech or sound effects. Multi-character storytelling is the headline use case. |
| Vidu Q2-Pro R2V API (Reference to Video) | Casting several consistent characters into premium footage is what the Pro reference tier does best. It accepts up to 7 subjects with 3 images each, prompts up to 1500 characters, and outputs clips of up to 10 seconds at 1080p with speech only or sound effect only audio modes. Serialized content and virtual character work fit naturally. |
| Vidu Q1 T2V API (Text to Video) | The first generation text endpoint outputs fixed 5 second clips locked at 1080p, with 16:9, 9:16, and 1:1 aspect ratios plus general and anime styles. Audio and background music remain switchable. Choose it when predictable, uniform clip specs simplify a pipeline. |
| Vidu Q1 I2V API (Image to Video) | Simplicity defines this endpoint: one image, one prompt of up to 5000 characters, one 5 second 1080p clip. Movement amplitude and audio toggles are the only knobs to tune. Integrations that standardized on Q1 output keep running unchanged. |
| Vidu Q1 SE2V API (Start-End to Video) | Interpolating between two uploaded frames, Q1 produces a 5 second 1080p transition with adjustable motion amplitude and optional audio plus background music. Frame pairs must keep their aspect ratios within 0.8 to 1.25 of each other. It remains a stable choice for fixed length transition effects. |
| Vidu Q1 R2V API (Reference to Video) | Structured casting is the pattern here: up to 7 subjects, each backed by 1 to 3 images, render into a fixed 5 second 1080p clip. Audio narrows to speech only or sound effects only when needed. Multi-character scenes with locked output specs suit it well. |
| Vidu 2.0 I2V API (Image to Video) | Would a short silent clip do the job? Vidu 2.0 turns one image into a 4 or 8 second video with adjustable movement amplitude and seed control for reproducible results. Thumbnails, previews, and lightweight animation tasks are typical fits. |
| Vidu 2.0 SE2V API (Start-End to Video) | Exactly two images, a prompt of up to 1500 characters, and a choice of 4 or 8 second duration define this compact endpoint. Motion intensity runs from small to large under one movement amplitude parameter. It handles quick morphs and simple frame pair transitions. |
| Vidu 2.0 R2V API (Reference to Video) | From 1 to 3 reference images, this endpoint composes videos in 16:9, 9:16, or 1:1 while preserving the referenced subjects. Seed and movement amplitude round out a deliberately small parameter set. Consistent character clips for social formats are the common case. |
| Vidu R2V Q1 API (Multi-Image Reference to Video) | Broader flat input distinguishes this reference endpoint, which takes a single list of 1 to 7 images in 16:9, 9:16, or 1:1. Prompts cap at 1500 characters and each image can reach 50MB. It works well when subjects arrive as loose image sets rather than structured casts. |
Vidu APIの内部：一貫性、サウンド、シネマティック制御
4つの参照画像の一貫性からネイティブオーディオと16秒の1080pクリップまで、Atlas Cloud上のVidu APIは、Shengshuの全Qシリーズを1つの従量課金エンドポイントの背後に配置します。
Vidu APIを使用した被写体の一貫性
Vidu APIは1つから4つの参照画像を受け入れ、すべてのフレームを通じてキャラクター、製品、シーンを視覚的に一貫性を保ちます。この信頼性により、シリアル化されたストーリーテリングとブランド安全な製品ビデオが大規模に実用的になります。
開始フレームと終了フレームの補間
開始フレームと終了フレームをアップロードすると、モデルが自動的にそれらの間のスムーズなトランジションを構築します。モーションデザイナーはこれを、モーフ、リビール、正確にタイミングされたシーンチェンジに使用します。
シングルパスでのネイティブオーディオ
なぜサイレントクリップをレンダリングして後でスコアするのか？すべてのQ3エンドポイントは同じパスで同期されたサウンドエフェクトとバックグラウンドミュージックを生成できるため、ダイアログシーンと広告は公開準備ができた状態で到着します。
16秒、最大1440p
シーンが呼吸する余地が必要な場合は、540pから1080pで最大16秒のクリップを実行し、スーパー解像度アップスケーリングで1440pにします。ステッチされたショットが少ないほど、ストーリーがスムーズになり、ポストプロダクションが軽くなります。
調整可能なモーションとスタイル
動きの振幅設定は、微妙なシネマティック・ドリフトから大きなドラマティックなアクションに出力をシフトさせ、テキスト・トゥ・ビデオ・エンドポイントは一般的なアニメ・スタイルと切り替わります。ディレクターは、プロンプトを書き直さずにショット・レベルの制御を取得できます。
Vidu API ラインアップ全体で1つのキー
Q1からQ3までのすべてのViduモデル世代は、Atlas CloudでOpenAI互換キーの背後で実行され、透過的な従量課金価格が設定されています。Turboでドラフトし、最終レンダリング用にProで同じ呼び出しを再実行します。
Vidu vs Other Models - One Prompt
The same prompt, generated by Vidu and other leading video models
一人のスタントドライバーが、雨の中のネオンライトで照らされた夜市を通して、光沢のない黒いマッスルカーをドリフトさせます。湿ったアスファルトをかすめる低いトラッキングショットで開始し、車がコーナーの周りをスライドするため、火花がガードレールから飛び出します。高速パンで、ベンダーが露店を戻す様子に移り、紙製の提灯が激しく揺れています。ドローンショットにカットし、螺旋状に上昇しながら、車が2台のバスの間をわずかな間隔で通り抜け、その後、コックピット内への急激なカット：手がハンドルを握り、目が点滅する警察灯でいっぱいの鏡に目やりします。スローモーション180度スピンで、立ち上る路地で終了し、エンジンの轟音と雨の音がサウンドトラックを満たします。フォトリアリスティック、シネマティック照明、10秒、16:9アスペクト比。
Vidu Q3
Seedance 2.0
Vidu Q2 Pro
アニメスタイル：若い剣士は、破壊された浮かぶ神社の上で巨大な嵐のドラゴンに直面しています。彼女の目に速いドリーインで始まり、空を稲妻が裂く、その後、彼女がぼろぼろの石橋を横切って走るのを追う高速ホイップパン、瓦礫が彼女の足の周りを持ち上げます。彼女が飛び跳ねるときカメラが周回し、彼女の刃が青い炎で点灯し、ドラゴンの顎が彼女が一フレーム前に立っていたところで衝突します。彼女の打撲が稲妻を半分に割り、衝撃波が雲を通ってさざめく壮大なワイドショットに引き戻ります。クリスプ2D cel shading、ダイナミックなspeed lines、サウンドトラックの雷と膨れ上がった聖歌隊。8秒、16:9アスペクト比。
Vidu Q3 Pro
Seedance 2.0
Vidu Q2 Pro
Vidu APIはどのように本番パイプラインに適合するか
キャラクター一貫性のあるブランドフィルムから開始・終了フレームのモーションデザインまで、Vidu APIは、text-to-video、image-to-video、reference-to-videoワークフローをAtlas Cloud上のシングルペイアズユーゴーエンドポイントの背後に統合します。
すべてのショットで一貫したキャラクター
1～4個の参照画像をVidu Q3-MixまたはQ3 reference-to-videoに入力すると、シーン遷移全体でサブジェクトが一貫したままになります。短編ドラマチームとIPクリエイターは、エピソードからエピソードまで同じ顔を保ちます。
Vidu APIを通じた映画的広告
製品のローンチとブランドスポットは、Vidu APIが1080pまでのオプションオーディオ付きで滑らかなダイナミック効果をレンダリングすることで生き生きとします。エージェンシーは、1日の撮影予約さえすることなく、広告コンセプトを繰り返します。
開始・終了フレームのモーションデザイン
2つのキーフレーム間の正確な移行が必要ですか？Q3-ProおよびQ2 start-end-to-videoモデルは、最初のフレームから最後までの滑らかなモーションを補間し、ロゴの表示、シーンのモーフ、製品の変換を可能にします。
Vidu APIでスクリプトからスクリーンへ
ライターはVidu API text-to-videoエンドポイント経由でテキストプロンプトを複数のビジュアルスタイルを持つ1080pフッテージに変換します。オプションのオーディオ生成は、ストーリーボードとプレビズクリップに1回のパスで完成した外観を与えます。
動く静止画
静止した製品写真またはイラストがモーションを必要とする場合、Q1からQ3-Turboまでのimage-to-videoモデルが滑らかで自然な動きでアニメーション化します。電子商取引チームとソーシャルメディアエディターは毎日スクロール停止クリップを公開します。
Viduの上に構築されたアニメーションパイプライン
ViduのU-ViTアーキテクチャは、長形式の高度に一貫した出力のために構築され、アニメーションデザインとエピソードシリーズの自然な適合です。スタジオは、手動キーフレーミングの代わりにAPIコールを介して、ストーリーボード、アニメーション化、および全シーケンスを修正します。
Vidu APIがKling、Veo、Soraの中でどう位置づけられるか
クリップ長、解像度の上限、オーディオ出力、秒単位のレートを並べて比較すれば、ビデオパイプラインの1ドルあたりでVidu APIが何を提供するかが正確にわかります
| モデル | 入力モード | 最大クリップ長 | 最大解像度 | ネイティブオーディオ |
|---|---|---|---|---|
| Vidu Q3-Mix | テキストプラス1〜4個の参照画像 | 16s | 1080pネイティブ、1440pスーパー解像度対応 | √ |
| Vidu Q3 (Pro & Turbo) | テキスト、画像、開始終了フレーム、参照画像 | 16s | 最大1080p、1440pアップスケール | √ |
| Vidu Q2 (Pro & Turbo) | テキスト、画像、開始終了フレーム、または参照 | 10s | 1080p | √ |
| Kling 2.5 Turbo | テキストまたは1つの画像（プロンプト付き） | 10s | 1080p（Pro レベル） | - |
| Google Veo 3.1 | テキスト、画像、最大3個の参照画像 | 1クリップあたり8秒、拡張可能 | 1080p、プレビューで4K | √ |
| OpenAI Sora 2 | テキストプロンプト | 12s | 720p（Sora 2 Proで1080p） | √ |
Atlas Cloud で Vidu を使う方法
数分で始められます — 以下の簡単なステップに従って、Atlas Cloud プラットフォームでモデルを統合・デプロイしましょう。
Atlas Cloud アカウントを作成
atlascloud.ai でサインアップし、認証を完了します。新規ユーザーには無料クレジットが付与され、プラットフォームの探索やモデルのテストに使用できます。
Atlas CloudでViduを使用する理由
高度なViduモデルとAtlas CloudのGPU加速プラットフォームを組み合わせることで、比類のないパフォーマンス、スケーラビリティ、開発者エクスペリエンスを提供。
パフォーマンスと柔軟性
低レイテンシ：
リアルタイム推論のためのGPU最適化推論。
統合API：
1つの統合でVidu、GPT、Gemini、DeepSeekを実行。
透明な料金：
サーバーレスオプション付きの予測可能なtoken単位の課金。
エンタープライズとスケール
開発者エクスペリエンス：
SDK、分析、ファインチューニングツール、テンプレート。
信頼性：
99.99%の稼働率、RBAC、コンプライアンス対応ロギング。
セキュリティとコンプライアンス：
SOC 2 Type II、HIPAA準拠、米国内のデータ主権。
Vidu API Questions, Answered
生成されたビデオの1秒あたりで課金され、サブスクリプションは不要です。Q2-Turboエンドポイントは1秒あたり$0.026から始まり、Q3-Turboは1秒あたり$0.034で実行され、Q3-ProおよびQ3参照からビデオへは1秒あたり$0.042の費用がかかり、Q3-Mix参照からビデオへは1秒あたり$0.106です。透明な呼び出しごとの価格設定のもとで、生成したもののみを支払います。
Q3エンドポイントは最大16秒のクリップをサポートし、540p、720p、1080pの解像度オプション、および最大1440pのスーパー解像度出力があります。アスペクト比は16:9、9:16、4:3、3:4、1:1をカバーしているため、同じエンドポイントは横長、縦長、正方形のフォーマットをターゲットにできます。
はい。Q3モデルには、デフォルトで有効になっているオーディオトグルが含まれており、テキストからビデオへのエンドポイントは別の背景音楽スイッチを追加します。独自のサウンドデザインの無音フッテージが必要な場合は、両方をオフにします。
キャラクター、製品、またはシーンの1～4個の参照画像をアップロードして、モデルはそのサブジェクトのアイデンティティを保持しながら新しいモーションとカメラアングルを生成します。Q3参照からビデオへは、複数のカメラ位置間での一貫性が向上するインテリジェントカメラ切り替えを追加し、これはエピソード的およびマルチショットのストーリーテリングに適しています。
そうです。テキストからビデオへのエンドポイントは、一般的なオプションとアニメオプション付きのスタイルパラメータを公開しており、ファミリーはスタイリングされたキャラクターアニメーションで知られています。アニメスタイルを参照画像と組み合わせて、シリーズ全体で同じキャラクターを保つ。
Atlas Cloud APIキーを作成し、Viduエンドポイントを選択して、プロンプトとパラメータを含むREST要求を送信します。各モデルにはプレイグラウンドと公開されたパラメータスキーマがあるため、コードを書く前に設定を検証できます。価格は呼び出しごとの従量課金制で、新しいViduリリースはDay-0アクセスで提供されます。今日から構築を始めましょう。
It does. Text-to-video endpoints expose a style parameter with general and anime options, and the family is known for stylized character animation. Pair the anime style with reference images to keep the same character across an entire series.
Create an Atlas Cloud API key, pick a Vidu endpoint, and send a REST request with your prompt and parameters. Every model has a playground and a published parameter schema, so you can validate settings before writing code. Pricing is pay-as-you-go per call, and new Vidu releases arrive with Day-0 access. Start building today.
さらにファミリーを探索
Seedance 2.0
Seedance 2.0 APIは、ByteDanceのマルチモーダルビデオモデルへのプロダクションアクセスを提供します。これには、クアッドモーダル入力（テキスト、画像、ビデオ、オーディオ）と、ショット間で構図、カメラワーク、キャラクターのアクションを固定する業界最高水準の「Universal Reference」システムが含まれます。1回のAPIコールでディレクターレベルの制御を統合でき、一律$0.09/秒、即時キー発行、順番待ちリストなしで利用可能です。これらはエンタープライズクラスの稼働率とコンプライアンスによって裏付けられています。Seedance 2.0 Native 4Kが提供開始されました！
Grok Imagine
Grok Imagine API は、開発者に xAI の画像、動画、音声生成を1つのスイートで提供します。多言語テキストレンダリングを備えた最大 2K の画像に加え、ネイティブで同期された音声とリファレンスベースの編集を備えた最大15秒の動画を生成します。Atlas Cloud 上では、1つのキーで Grok Imagine のすべてのモードを実行できるため、個別の設定なしで画像、動画、音声の間を移行できます。料金は画像1枚あたり0.02ドル、1秒あたり0.05ドルからです。
Gemini Omni Flash
Gemini Omni API は、Google I/O 2026 で発表された Google DeepMind のマルチモーダル動画生成・編集モデルを、あなたのスタックで利用可能にします。Gemini Omni は Gemini の推論エンジンと生成メディアを融合し、テキスト・画像・動画・音声を自由に組み合わせた入力から、一貫性があり知識に裏付けられた出力を生成します。自然な対話で結果を磨き上げましょう。オブジェクトの差し替え、シーンの書き換え、スタイルの変更を行っても、物理法則、キャラクター、連続性はそのまま保たれます。Atlas Cloud は、テキストからの動画生成、最大 7 枚の参照画像に対応した画像からの動画生成、そして参照ベースの動画生成という Gemini Omni Flash の全ラインアップを、単一の統合 API で提供します。料金は $0.112 からの秒単位の透明な従量課金で、サブスクリプションは不要です。今すぐ開発を始めましょう。
GPT Image 2
GPT Image 2 API は、GPT Image 1.5 の後継となる OpenAI の最新画像モデルへのアクセスを開発者に提供します。ラテン文字およびCJKスクリプト全体で正確なテキストレンダリングを使用して画像を生成および編集できるほか、ポスター、モックアップ、インフォグラフィック向けの強力なコンポジション（構図）機能を備えています。Atlas Cloud では、300以上のモデルと並んで1つの統合 API を通じてアクセスでき、無料クレジット、99.99% のアップタイムが提供され、OpenAI の組織検証は不要です。
Googleの最も強力なクリエイティブモデルはすべてAtlas Cloudで利用可能です。Veo 3.1はシネマティックな動画生成を実現し、Nano Banana 2は高忠実度な画像作成を強化し、Geminiはあらゆるワークフローにマルチモーダルなインテリジェンスをもたらします。Day-0の可用性と従量課金制（pay-as-you-go）の料金体系を備えた単一のAPI keyを通じて、Googleモデルスイート全体にアクセスできます。
Seedance 2.0 Mini
Seedance 2.0 Mini は、速度とコストが最も重視されるワークフローに ByteDance のマルチモーダル動画生成をもたらします。より軽量なフットプリントで Seedance 2.0 のコア機能を提供し、より高速な生成、動画あたりのコスト削減、そしてすでに使用しているものと同じ API 統合を実現します。大容量のパイプラインを運用したり、大規模なプロトタイピングを行ったりするチームにとって、Mini は実用的なデフォルトの選択肢です。
ByteDance
シネマティックな動画生成から高忠実度の画像作成まで、ByteDanceの最も強力なモデルがAtlas Cloudで利用可能になりました。最低水準の推論価格とゼロのインフラストラクチャオーバーヘッドで、SeedanceとSeedreamを大規模に実行できます。
Alibaba
Atlas Cloudは、Alibabaの全モデルラインナップを単一のAPIに統合します。言語および画像タスク用のQwen、最大1080pの動画生成用のWanが利用可能です。すべてのモデルはサブスクリプション不要の従量課金制（pay-as-you-go）でアクセスできます。Alibaba APIは、既存のOpenAI互換クライアントを使用し、単一のベースURLを介して利用可能です。
OpenAI
Atlas Cloudは、画像生成用のGPT Image 2から動画用のSora 2まで、OpenAI APIの全ラインナップへのアクセスを提供します。すべてのモデルは、月額の固定コミットメントなしの従量課金制でご利用いただけます。OpenAI互換APIを使用し、ベースURLを一つ変更するだけで簡単に組み込むことができます。
xAI
Atlas Cloud 上で xAI API を使用して、完全な画像および動画パイプラインを構築します。2K解像度での生成、参照画像を使用した編集、そして画像を音声同期クリップへとアニメーション化することが可能です。
Kwaivgi
Kwaivgi APIを標準価格より15%オフで提供。Atlas Cloudは、新しいKlingリリースへのDay-0アクセスを、従量課金制（Pay-as-you-go）およびシート数無制限で提供します。1つのアカウント、1つのキーで、スタンダードからマスター階層まで、すべてのKlingモデルをご利用いただけます。
Seedream 5.0 Pro
Seedream 5.0 Pro API は、開発者に Atlas Cloud 上で ByteDance の制御可能な画像編集モデルを提供します。アンカーと座標を使用して編集を正確に配置し、画像を編集可能なレイヤーに分離し、複数の参照を融合し、正確な色と素材を一致させ、2K および 3K での多言語テキストをサポートします。Atlas Cloud では、単一のキーでアクセスできます！
