Оживляет фото в видео со звуком или собирает ролик по нескольким референсам героев, предметов и голосов. Цена зависит от разрешения: 540p — 8 ₽/сек., 720p — 16 ₽/сек., 1080p — 20 ₽/сек., 2K — 35 ₽/сек., 4K — 60 ₽/сек.
Vidu Q4 — видеонейросеть ShengShu Technology, которая оживляет одно фото в ролик со звуком или собирает сцену по 2–12 референсам героев и предметов. Задание понимает на русском, а голос героя можно задать своим MP3-файлом.
Все ролики ниже мы сняли для этой страницы, задания писали по-русски. Людей на исходниках нарисовали нейросети сайта, это выдуманные персонажи. Голоса тоже синтетические: две короткие фразы мы озвучили в MiniMax Speech 2.8 и загрузили в поле Голоса как образцы.
Первым делом мы проверили, понимает ли модель ссылки на картинки. Загрузили два референса: мятный ламповый приёмник и рыжего кота, оба на белом фоне. В задании назвали их только метками, без описаний: «слева стоит @image1, справа сидит @image2». Метку не нужно печатать руками: наберите в поле Задание символ @, и появится список загруженных файлов с миниатюрами.
На деревянном столе у окна: слева стоит @image1, справа сидит @image2. @image2 медленно тянется лапой к ручке настройки, из динамика начинает тихо играть джаз, @image2 удивлённо наклоняет голову. Тёплый утренний свет, камера неподвижна.
по референсам: 2 картинки, 540p, 5 с, 16:9
Приёмник встал слева, кот справа, и это тот же приёмник: золотая шкала, деревянные ручки, мятный корпус. Кот дважды трогает ручку лапой и под конец смотрит в камеру. Удивлённого наклона головы мы так и не увидели, а тихая музыка в ролике есть.
Поля Голоса у Vidu Q3 нет, в Q4 оно появилось. Сюда загружают MP3 с голосом, а в задании пишут, кто каким голосом говорит: голосом @audio1. Мы дали портрет выдуманного мастера, фото того же приёмника и восьмисекундную запись мужского голоса. Фраза в задании была другой, не той, что звучит в образце.
@image1 сидит в маленькой мастерской за верстаком, заваленным лампами и проводами, и бережно протирает @image2. Потом поднимает взгляд в камеру и говорит по-русски голосом @audio1: «Этому приёмнику шестьдесят лет, а поёт как новый.»
Тёплый свет настольной лампы, камера медленно приближается.
по референсам: 2 картинки и 1 голос, 720p, 8 с, 16:9
Борода, очки и тёмный свитер как на портрете, на столе лампочки и провода, мастер говорит в камеру мужским голосом. Но это не русская речь. По ритму и интонации похоже на нашу фразу, а слов на слух не разобрать. Автоматическое распознавание при этом «услышало» фразу почти целиком: оно подгоняет звуки под знакомые слова, так что верить ему здесь нельзя.
Дальше мы усложнили задачу: три картинки (мастер, женщина в жёлтом дождевике, приёмник) и два голоса, мужской и женский. Каждому герою в задании назначили свой.
Антикварная лавка. @image1 стоит за прилавком, на прилавке @image3. Входит @image2, видит приёмник и говорит по-русски голосом @audio2: «Ой, какой красивый! Он правда ещё работает?» @image1 улыбается и отвечает голосом @audio1: «Конечно. Сейчас включу.»
Он поворачивает ручку, начинает играть музыка. Камера переходит с одного героя на другого.
по референсам: 3 картинки и 2 голоса, 1080p, 10 с, 16:9
Q4 сама разбила десять секунд на три плана: общий с обоими героями, крупный мастера и снова двое у приёмника. Реплики звучат в нужных местах и разными голосами, но, как и в прошлой пробе, это лишь похоже на русскую речь. Вход героини модель пропустила: с первого кадра она уже стоит у прилавка.
Если загрузить одну картинку и ни одного голоса, Q4 работает иначе: картинка становится первым кадром, а пропорции ролика повторяют её. Для сравнения с Vidu Q3 мы взяли ту же кухню с чайником и то же задание, что в её статье.
Чайник на плите закипает и громко свистит, из носика валит пар. Кот на подоконнике вздрагивает от свиста, поворачивает голову к чайнику и недовольно мяукает. За окном шумит дождь, капли барабанят по стеклу. Камера медленно приближается к чайнику.
из одного фото, 540p, 5 с
Ролик пришёл вертикальным, 536×962 точки, как исходник, и снят одним планом: камера плавно наезжает на чайник, а кот к концу поворачивается к плите.
Без голосового образца модель подбирает голос сама. На этой картинке девушка с велосипедом у почтового ящика: за восемь секунд Q4 успела опустить письмо, повернуться к камере с репликой, сесть на велосипед и уехать вглубь улицы.
Девушка опускает письмо в синий почтовый ящик, оборачивается к камере и весело говорит по-русски: «Всё, отправила! Теперь только ждать ответа.» Потом садится на зелёный велосипед и уезжает по осенней улице, листья кружатся. Камера плавно следует за ней.
из одного фото, 540p, 8 с
Все действия на месте и по порядку. С речью то же, что в роликах по референсам: интонация радостная, ритм фразы угадывается, а русских слов нет. Так вышло во всех наших пробах с репликами, и из одного фото, и по референсам, с голосовым образцом и без. Поэтому русский текст мы бы записывали отдельно и накладывали при монтаже.
Переключателя режимов в форме нет, режим определяют файлы. Напишите в поле Задание, что происходит в кадре, кто что говорит и как движется камера. Затем загрузите картинки в поле Изображения.
Метки @image1, @image2 и @audio1 нумеруются по порядку загрузки. Выберите качество и длительность, и цена появится на кнопке Отправить ещё до запуска. Ролики из одного фото у нас приходили примерно за три минуты, по референсам — от пяти до семнадцати минут. Готовое видео встанет в ленту под формой и пролежит в разделе Мои результаты 7 дней: удачный ролик скачайте или сохраните в библиотеку. Изменить вернёт задание, файлы и настройки в форму, Повторить сразу отправит то же задание ещё раз. Впервые на сайте? Загляните в инструкцию по сайту.
| Поле | Что делает | Что ставить |
|---|---|---|
| Качество | разрешение ролика: 540p, 720p, 1080p, 2K или 4K, по умолчанию 720p | 540p для проб задания, 1080p для готового ролика; 2K и 4K — когда видео пойдёт на большой экран или в монтаж с обрезкой |
| Длительность | от 3 до 16 секунд, по умолчанию 5; оплата за каждую секунду | одной сцене хватает 5 секунд, реплике с действием — 8, диалогу двух героев — 10 |
| Соотношение сторон | формат кадра в режиме референсов: 16:9, 9:16, 4:3, 3:4 или 1:1 | 9:16 для сторис и клипов, 1:1 для ленты; с одним фото поля нет, формат берётся у картинки |
| Со звуком | реплики и звуки сцены в режиме референсов, включён сразу | выключайте, если ролик пойдёт под свою музыку или закадровый голос; на цену не влияет |
| Голоса | до 3 файлов MP3 по 3–12 секунд | чистая запись одного человека без музыки; длинный файл обрежьте заранее, иначе запуск может не пройти |
Рабочая формула из наших проб: кто в кадре (метка или описание) → что делает по порядку → реплика в кавычках с языком и голосом → звуки → свет и движение камеры. Реплику ставьте в кавычки, чтобы модель не спутала текст речи с описанием сцены. Русскую фразу она произнесёт неразборчиво, поэтому для русского текста оставьте в кадре только движение губ и паузы, а голос наложите отдельно.
@image1 стоит у окна кофейни и держит @image2. Поворачивается к камере и говорит по-русски голосом @audio1: «Попробуйте, это наш новый сорт.» Слышен шум кофемашины и тихий джаз. Тёплый дневной свет, камера медленно приближается.
Девушка на фото оборачивается, смеётся и машет рукой. Ветер шевелит волосы, вдалеке шумит море и кричат чайки. Камера плавно отъезжает назад.
Частые ошибки:
@image3, а картинок две, форма предупредит, но запуск не остановит, и модели придётся угадывать, кто это.Цена считается за каждую секунду, ставка зависит только от качества. Режим, число картинок и голосов, формат кадра и звук на неё не влияют.
| Качество | Длина | Цена |
|---|---|---|
| 540p | 3 с | 24 ₽ |
| 540p | 5 с | 40 ₽ |
| 720p | 5 с | 80 ₽ |
| 1080p | 8 с | 160 ₽ |
| 1080p | 10 с | 200 ₽ |
| 2K | 5 с | 175 ₽ |
| 4K | 5 с | 300 ₽ |
| 4K | 16 с | 960 ₽ |
Задание и расстановку героев удобно отлаживать в 540p на 3–5 секундах: метки, реплики и смена планов там уже видны. Финальную версию запускайте в нужном качестве. Если ролик не получился из-за ошибки нейросети, деньги вернутся на баланс.
У Vidu Q3 нет режима референсов и голосовых образцов, зато она снимает ролик по одному описанию и умеет задавать конечный кадр. На той же кухне Q3 вставила второй план посередине, а Q4 провела камеру одним движением, и кот у неё всё-таки повернулся к плите. По-русски не говорят обе: у Q3 в пробе из её статьи вышел набор звуков, у Q4 речь похожа на русскую, но слов в ней нет. Остальные модели ShengShu собраны в обзоре нейросетей Vidu, соседи по задаче — в разделе «Видео по референсам».
| Нейросеть | Цена | Чем отличается | Когда брать |
|---|---|---|---|
| Vidu Q4 | от 8 ₽/сек. | 1–12 картинок и до 3 голосов в MP3, 3–16 с, до 4K, режим по числу файлов, без русской речи | сцена с постоянными героями по картинкам, 4K |
| Vidu Q3 | от 12 ₽/сек. | из текста или одной картинки, есть конечный кадр, 1–16 с, до 1080p, речь без русского | ролик только по описанию или переход к заданному кадру |
| Vidu Q3 Ad | от 22,5 ₽/сек. | реклама по 1–7 картинкам товара, 720p или 1080p | рекламный ролик продукта |
| Wan 3.0 Video | от 3 ₽/сек. | до 10 картинок, 5 видео и 5 аудио в референсах, до 1080p, говорит по-русски | сцена по образцам с видео-референсами |
| MiniMax H3 | от 2 ₽/сек. | до 9 картинок, 3 видео и 3 аудио в референсах, до 2K, шесть пропорций | нужен формат 21:9 или видео-образец движения |
| Kling 3.0 | от 7 ₽/сек. | до 7 картинок-референсов, 720p–4K, ещё и переделка готового видео | переделать уже снятый ролик |
Описание обновлено 8 октября 2026 г.
Девушка с радиоприёмником на ночной неоновой улице
Два референса, 720p, 5 с, 9:16, звук выключен: вертикальный кадр для сторис, героиня и предмет с картинок.
Промпт: Женщина с @image1 в жёлтом дождевике быстро шагает под дождём по мокрой ночной улице с неоновыми вывесками и несёт под мышкой @image2. Она идёт прямо на камеру, камера отъезжает назад перед ней. Отражения огней в лужах, капли летят с капюшона.
Вечер в кресле: кот, книга и старое радио
Три референса без голосов, 540p, 6 с, 1:1: кот, приёмник и героиня с картинок в одной сцене.
Промпт: Уютная комната вечером. @image3 сидит в кресле с книгой, рядом на тумбочке стоит @image2 и тихо играет старую песню. @image1 запрыгивает к ней на колени и сворачивается клубком. @image3 гладит кота, улыбается и тихо говорит по-русски: «Ну что, рыжий, опять пришёл слушать радио?» Мягкий свет торшера.
Девушка отправляет письмо и уезжает на велосипеде
Одно фото, 540p, 8 с: несколько действий подряд в одном ролике — письмо, поворот к камере, велосипед.
Промпт: Девушка опускает письмо в синий почтовый ящик, оборачивается к камере и весело говорит по-русски: «Всё, отправила! Теперь только ждать ответа.» Потом садится на зелёный велосипед и уезжает по осенней улице, листья кружатся. Камера плавно следует за ней.
Диалог покупательницы и продавца в антикварной лавке
Три референса и два голоса, 1080p, 10 с: двое героев с картинок, у каждого свой голос, модель сама сменила планы. Речь похожа на русскую, но слов не разобрать.
Промпт: Антикварная лавка. @image1 стоит за прилавком, на прилавке @image3. Входит @image2, видит приёмник и говорит по-русски голосом @audio2: «Ой, какой красивый! Он правда ещё работает?» @image1 улыбается и отвечает голосом @audio1: «Конечно. Сейчас включу.» Он поворачивает ручку, начинает играть музыка. Камера переходит с одного героя на другого.
Мастер в мастерской показывает старый приёмник
Фото героя, фото приёмника и голос в MP3, 720p, 8 с: герой и предмет с картинок, реплика голосом из файла. Русских слов не разобрать — текст лучше озвучить отдельно.
Промпт: @image1 сидит в маленькой мастерской за верстаком, заваленным лампами и проводами, и бережно протирает @image2. Потом поднимает взгляд в камеру и говорит по-русски голосом @audio1: «Этому приёмнику шестьдесят лет, а поёт как новый.» Тёплый свет настольной лампы, камера медленно приближается.
Свистящий чайник и кот на кухне под дождём
Одно вертикальное фото, 540p, 5 с: только звуки сцены, камера приближается одним планом без склеек.
Промпт: Чайник на плите закипает и громко свистит, из носика валит пар. Кот на подоконнике вздрагивает от свиста, поворачивает голову к чайнику и недовольно мяукает. За окном шумит дождь, капли барабанят по стеклу. Камера медленно приближается к чайнику.
Новогоднее поздравление на заснеженной улице
Одно фото стало первым кадром, 720p, 5 с: героиня улыбается и говорит, слышны скрип снега и колокольчики. Речь похожа на русскую, но слов не разобрать.
Промпт: Идёт снег, женщина моргает, улыбается в камеру и говорит по-русски тёплым голосом: «С наступающим! Пусть в новом году всё сбудется.» Огни витрин мягко мерцают, слышен скрип снега и далёкий звон колокольчиков. Камера медленно приближается.
Кот и ламповый приёмник на столе у окна
Два референса — приёмник и кот, 540p, 5 с, 16:9: метки @image1 и @image2 расставили героев слева и справа, как в задании.
Промпт: На деревянном столе у окна: слева стоит @image1, справа сидит @image2. @image2 медленно тянется лапой к ручке настройки, из динамика начинает тихо играть джаз, @image2 удивлённо наклоняет голову. Тёплый утренний свет, камера неподвижна.