Vidu API: Consistent Subjects from Reference Images
Vidu API 為開發者提供對 Shengshu AI 和清華大學視訊模型的存取權限，採用 U-ViT 架構構建，該架構統一了 Diffusion 和 Transformer 設計。輸入 1-4 張參考圖像，Vidu 可保持主體在各鏡頭間的一致性，具有智慧攝影機切換和流暢的電影級動作。Atlas Cloud 為整個產品線提供 Day-0 模型存取權限和一個 OpenAI 相容密鑰。立即開始構建。
探索領先模型
Atlas Cloud 為您提供最新的行業領先創意模型。
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 內部：一致性、聲音和電影控制
從四個參考影像一致性到原生音頻和16秒的1080p片段，Atlas Cloud上的Vidu API將Shengshu的整個Q系列放在一個按需付費的端點後面。
Vidu API的主體一致性
Vidu API接受1到4張參考圖像，並在每一幀中保持角色、產品和場景的視覺一致性。這種可靠性使得序列化講述和品牌安全的產品視頻在規模上變得實際可行。
開始和結束幀插值
上傳開始幀和結束幀，模型自動構建它們之間的平滑過渡。動作設計師使用這個功能進行變形、揭示和精確計時的場景變更。
單次處理中的原生音頻
為什麼要渲染無聲片段並稍後為其配分？每個Q3端點都可以在同一次處理中生成同步的音效和背景音樂，所以對話場景和廣告都能以準備好發布的狀態到達。
16秒，最高1440p
如果場景需要喘息的空間，運行最多16秒的片段，分辨率從540p到1080p，並使用超分辨率放大到1440p。更少的縫合鏡頭意味著故事更流暢，後期製作更輕。
可調節的運動和風格
運動振幅設置將輸出從細微的電影漂移轉換為大的戲劇性動作，而文本到視頻端點在一般和動畫風格之間切換。導演無需重寫提示即可獲得鏡頭級控制。
Vidu API全系列中的一個密鑰
從Q1到Q3的每一代Vidu模型都在OpenAI兼容密鑰後面運行，在Atlas Cloud上具有透明的按需付費定價。在Turbo上起草，然後在Pro上重新運行相同的調用以進行最終渲染。
Vidu vs Other Models - One Prompt
The same prompt, generated by Vidu and other leading video models
一名特技駕駛員獨自駕駛一輛啞光黑色肌肉車在雨中穿過霓虹燈照亮的夜市。以低角度追蹤鏡頭開場，滑過濕潤的瀝青，汽車繞過一個角落時，火花從護欄飛出。快速搖鏡到攤販急忙收起攤位，紙燈籠瘋狂搖晃。切換到無人機鏡頭螺旋上升，汽車在兩輛公交車之間僅相隔幾英寸處通過，隨後硬切到駕駛艙內部：手緊抓方向盤，眼睛瞥向一面充滿閃爍警燈的鏡子。以慢動作180度轉向一條冒煙的小巷結尾，引擎轟鳴和雨聲充滿了配樂。光影逼真、電影般的燈光、10秒、16:9寬高比。
Vidu Q3
Seedance 2.0
Vidu Q2 Pro
動畫風格：年輕女劍士在破碎的浮空神社上方面對巨大風暴龍。以快速推移鏡頭聚焦她的眼睛開場，閃電劃破天空，隨後快速轉向跟隨她衝過崩塌的石橋，碎石在她腳邊揚起。當她躍起時攝像機環繞，她的劍刃被藍色火焰點燃，而龍的頜骨在她一幀之前站立的位置墜落。拉回到史詩般的寬鏡頭，當她的一擊將閃電劈成兩半，衝擊波在雲層中蕩起漣漪。清晰的二維單線填充陰影、動態速度線、音軌中的雷鳴和高漲的合唱團。8秒、16:9寬高比。
Vidu Q3 Pro
Seedance 2.0
Vidu Q2 Pro
Vidu API 如何適配你的生產流程
從角色一致的品牌影片到起始和結束幀的運動設計，Vidu API 在 Atlas Cloud 上的單個按使用量付費端點後整合了 text-to-video、image-to-video 和 reference-to-video 工作流。
每個鏡頭中的一致角色
將 1 到 4 張參考圖像輸入到 Vidu Q3-Mix 或 Q3 reference-to-video，對象在場景轉換中保持一致。短劇團隊和 IP 創作者在每一集保持相同的面部特徵。
透過 Vidu API 的電影級廣告
產品發布和品牌廣告透過 Vidu API 呈現高達 1080p 的平滑動態效果和可選音頻而栩栩如生。廣告公司無需預訂任何拍攝日期就能迭代廣告概念。
起始和結束幀運動設計
需要在兩個關鍵幀之間進行精確過渡？Q3-Pro 和 Q2 start-end-to-video 模型在第一幀和最後一幀之間插值平滑運動，支持標誌顯示、場景變形和產品轉換。
使用 Vidu API 從腳本到屏幕
作者透過 Vidu API text-to-video 端點將文本提示轉換為具有多種視覺風格的 1080p 素材。可選的音頻生成在一次傳遞中為故事版和動畫預覽提供完成效果。
會動的靜止圖像
當靜止產品照片或插圖需要動作時，Q1 至 Q3-Turbo 的 image-to-video 模型使用平滑、自然的運動為其製作動畫。電子商務團隊和社交媒體編輯每天發布令人矚目的視頻片段。
基於 Vidu 構建的動畫流程
Vidu 的 U-ViT 架構為長形式、高度一致的輸出而構建，是動畫設計和連續劇的自然適配。工作室透過 API 呼叫而不是手動關鍵幀來製作故事板、動畫化和修改整個序列。
Vidu API 在 Kling、Veo 和 Sora 中的地位
並排比較影片長度、解析度上限、音訊輸出和每秒速率，你能清楚地看到 Vidu API 在影片處理管道中的每一塊錢能為你做什麼
| 模型 | 輸入模式 | 最大影片長度 | 最高解析度 | 原生音訊 |
|---|---|---|---|---|
| Vidu Q3-Mix | 文本加 1 到 4 張參考圖像 | 16s | 1080p 原生，1440p 超分辨率 | √ |
| Vidu Q3 (Pro & Turbo) | 文本、圖像、開始-結束幀、參考圖像 | 16s | 最高 1080p，1440p 上採樣 | √ |
| Vidu Q2 (Pro & Turbo) | 文本、圖像、開始-結束幀或參考 | 10s | 1080p | √ |
| Kling 2.5 Turbo | 文本或單張圖像加提示詞 | 10s | 1080p（Pro 級別） | - |
| Google Veo 3.1 | 文本、圖像、最多 3 張參考圖像 | 每個影片 8 秒，可擴展 | 1080p，預覽中為 4K | √ |
| OpenAI Sora 2 | 文本提示 | 12s | 720p（Sora 2 Pro 上為 1080p） | √ |
如何在 Atlas Cloud 上使用 Vidu
幾分鐘即可上手 — 按照以下簡單步驟，透過 Atlas Cloud 平台整合和部署模型。
建立 Atlas Cloud 帳戶
在 atlascloud.ai 註冊並完成驗證。新用戶可獲得免費額度，用於探索平台和測試模型。
為何在 Atlas Cloud 使用 Vidu
將先進的 Vidu 模型與 Atlas Cloud 的 GPU 加速平台相結合，提供無與倫比的效能、可擴展性和開發體驗。
效能與靈活性
低延遲：
GPU 最佳化推理，實現即時回應。
統一 API：
一次整合，暢用 Vidu、GPT、Gemini 和 DeepSeek。
透明定價：
按 Token 計費，支援 Serverless 模式。
企業與規模
開發者體驗：
SDK、資料分析、微調工具和模板一應俱全。
可靠性：
99.99% 可用性、RBAC 權限控制、合規日誌。
安全與合規：
SOC 2 Type II 認證、HIPAA 合規、美國資料主權。
Vidu API Questions, Answered
按生成的視頻秒數計費，無需訂閱。Q2-Turbo 端點從每秒 $0.026 開始，Q3-Turbo 每秒 $0.034，Q3-Pro 和 Q3 參考轉視頻每秒 $0.042，Q3-Mix 參考轉視頻每秒 $0.106。在透明的按調用定價模式下，您只需為生成的內容付費。
Q3 端點支援長達 16 秒的視頻片段，解析度選項為 540p、720p 和 1080p，以及高達 1440p 的超解析度輸出。縱橫比包括 16:9、9:16、4:3、3:4 和 1:1，因此相同的端點可以針對橫向、縱向或正方形格式。
是的。Q3 模型包括一個默認啟用的音頻切換，文本轉視頻端點添加了單獨的背景音樂開關。當需要用於您自己的聲音設計的無聲素材時，請關閉兩者。
上傳一到四張角色、產品或場景的參考圖像，模型在生成新的運動和相機角度時保持該主體的身份。Q3 參考轉視頻添加了智能攝影機切換，在多個攝影機位置上具有更好的一致性，適合於情節式和多鏡頭敘述。
是的。文本轉視頻端點公開了一個具有常規和動畫選項的樣式參數，該系列以風格化的角色動畫而聞名。將動畫樣式與參考圖像配對，以在整個系列中保持相同的角色。
創建 Atlas Cloud API 密鑰，選擇 Vidu 端點，並使用您的提示和參數發送 REST 請求。每個模型都有一個 Playground 和已發布的參數架構，因此您可以在編寫代碼之前驗證設置。定價是按使用次數計費，新的 Vidu 版本在第 0 天獲得訪問權限。今天開始構建。
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.
探索更多系列
Seedance 2.0
Seedance 2.0 API 為您提供 ByteDance 多模態影片模型的生產級存取權限——支援四模態輸入（文字、影像、影片、音訊），以及業界領先的「Universal Reference」（通用參考）系統，可在不同鏡頭間鎖定構圖、運鏡與角色動作。只需一次 API 呼叫即可整合導演級控制，固定費率為 $0.09/秒，即時取得金鑰，無需排隊——由企業級正常運行時間與合規性提供保障。Seedance 2.0 原生 4K 現已上線！
Grok Imagine
Grok Imagine API 為開發者提供 xAI 的圖像、影片和音訊生成一站式套件。它可以生成解析度高達 2K 且支援多語言文本渲染的圖像，以及長達 15 秒且帶有原生同步音訊和基於參考圖像編輯功能的影片。在 Atlas Cloud 上，只需一個金鑰即可執行每個 Grok Imagine 模式，因此您可以在圖像、影片和音訊之間無縫切換，無需單獨設定，每張圖像 0.02 美元起，每秒 0.05 美元起。
Gemini Omni Flash
Gemini Omni API 將 Google DeepMind 於 Google I/O 2026 發表的多模態影片生成與編輯模型帶進你的技術棧。Gemini Omni 將 Gemini 的推理引擎與生成式媒體融合，可接受文字、圖片、影片與音訊的任意組合輸入，產生一致且以知識為根據的輸出。透過自然對話持續打磨成果：替換物件、改寫場景、切換風格，同時維持物理規律、角色與畫面連貫性不變。Atlas Cloud 透過單一整合 API 提供完整的 Gemini Omni Flash 系列——文字生成影片、支援最多 7 張參考圖片的圖片生成影片，以及參考圖生成影片——採每秒計費、價格透明，$0.112 起，無需訂閱。立即開始打造。
GPT Image 2
GPT Image 2 API 為開發者提供了訪問 OpenAI 最新圖像模型的途徑，它是 GPT Image 1.5 的繼任者。該模型可生成和編輯圖像，能夠在拉丁和 CJK 文字上實現準確的文本渲染，並在海報、樣機和資訊圖表方面具備強大的排版能力。在 Atlas Cloud 上，您可以透過一個統一的 API 與 300 多個模型一起訪問它，並享受免費額度、99.99% 的正常運行時間，且無需 OpenAI 組織驗證。
Google最強大的創意模型現已在Atlas Cloud上全面可用。Veo 3.1提供電影等級的影片生成，Nano Banana 2支援高保真圖像建立，而Gemini為每個工作流程帶來多模態智慧。透過單一API key即可存取完整的Google模型套件，提供Day-0可用性和隨用隨付（pay-as-you-go）定價。
Seedance 2.0 Mini
Seedance 2.0 Mini 將 ByteDance 的多模態影片生成技術引入到對速度和成本要求極高的工作流程中。它以更輕量的佔用空間提供 Seedance 2.0 的核心能力——更快的生成速度、更低的單支影片成本，並且使用您現有的同款 API 整合。對於運行高吞吐量流水線或進行大規模原型設計的團隊來說，Mini 是最實用的預設選擇。
ByteDance
從電影級影片生成到高保真影像建立，ByteDance 最強大的模型現已在 Atlas Cloud 上線。以最低的推論定價和零基礎設施開銷，大規模執行 Seedance 和 Seedream。
Alibaba
Atlas Cloud 將 Alibaba 的全系模型陣容整合至同一個 API 中：Qwen 適用於語言和圖像任務，Wan 適用於高達 1080p 的影片生成。所有模型均採用按需付費模式，無需訂閱。您可以使用現有的 OpenAI 兼容客戶端，透過單一的 base URL 存取 Alibaba API。
OpenAI
Atlas Cloud 為您提供存取完整 OpenAI API 產品線的權限，從用於圖像生成的 GPT Image 2 到用於影片的 Sora 2。每個模型均採用按需付費模式，無月度消費限制。使用相容 OpenAI 的 API，只需簡單替換基礎 URL 即可輕鬆接入。
xAI
在 Atlas Cloud 上使用 xAI API 建構完整的影像與影片處理管線。以 2K 解析度生成、使用參考影像進行編輯，並將影像動畫化為音訊同步的影片片段。
Kwaivgi
Kwaivgi API 價格低於標準定價 15%。Atlas Cloud 提供對最新 Kling 版本的零日（Day-0）存取權限，採用按需付費定價且無席位限制。一個帳戶，一個金鑰，暢享從標準版到大師版的所有 Kling 模型。
Seedream 5.0 Pro
Seedream 5.0 Pro API 為開發者在 Atlas Cloud 上提供了字節跳動的可控圖像編輯模型。它透過錨點和座標精確定位編輯，將圖像分離為可編輯圖層，融合多個參考，並精準匹配顏色和材質，支援 2K 和 3K 解析度的多語言文本。在 Atlas Cloud 上，您只需一個金鑰即可存取！
