智东西 AI 前瞻（公众号：zhidxcomAI）

作者 | 江宇

编辑 | 漠影

智东西 AI 前瞻 7 月 9 日报道，昨日，AI 视频生成平台 Vidu 正式上线 " 参考生 " 功能，支持用户通过上传人物、场景和道具图像，一键生成造型统一、动作自然的高清视频内容。

系统最多可输入七个主体图像，让人物不 " 变脸 "、场景不混乱，多角色同框和跨场景复用成为可能。

该功能运行于 Vidu Q1 模型之上，支持 1080P 输出，无需用户手动控制每一帧画面，也不依赖首尾帧设定，整体生成过程全部基于图像设定自动完成。

目前，参考生已在 Vidu 网页端与移动端同步上线。

体验指路：

https://www.vidu.cn/create

一、上传图片，就能拍出连续镜头，还能生成音效

在参考生功能中，用户只需上传一张角色图像，系统便可识别人物外观、服饰、动作特征，并自动生成 5 至 10 秒的视频片段。画面中角色不会在镜头间 " 变脸 " 或丢失细节，人物造型、动作风格能保持一致。

不仅角色可以设定，用户也可以加入背景图、道具图，用于构建完整的场景设定。这些元素将在视频生成时一起被识别，组成统一画面。例如，输入 2 个牛仔人物，2 个场景，2 把手枪的参考图，即可生成 " 西部大片 "。

除了画面内容，Vidu 此次也上线了 AI 音效功能，用户只需输入简单描述，即可生成与画面匹配的音效片段。

目前支持多个音效同时叠加，例如 " 雨声 + 脚步声 + 背景音乐 "，并可自动适配画面节奏。这一功能降低了创作者在后期配音、寻找素材库等环节的操作成本，进一步向 " 全流程自动生成 " 方向靠近。

二、人物不变，场景可切，多角色互动更自然

参考生也支持将同一个人物放进不同环境中进行生成，这意味着用户可以制作 " 同角色穿越多个地点 " 的连续内容。比如在广告场景中，可用一个人物设定，同时生成多场景版本，更换不同的商拍素材，做出整套素材。

这种方式尤其适合需要统一人物形象的内容创作，比如品牌宣传、IP 角色运营、电商广告等场景。

在以往，生成这样一组内容通常需要反复 " 抽卡式 " 生成并后期筛选，而现在可一键完成。

参考生生成视频还有一个明显的变化：现在可以在一段视频中加入多个角色，并让他们同时出现在画面中。这对于想要创作对话类短剧、剧情剪辑、甚至 IP 联动内容的用户来说，是此前 AI 工具较难实现的能力。

系统会自动识别每个角色的空间关系与相对动作，确保多个角色之间的互动看起来自然、稳定。

系统最多支持七个主体图像同时输入，包括主角、配角、场景、道具等多个元素。在生成过程中，系统会自动识别每个角色的空间位置与相对动作，确保互动关系自然、画面结构稳定，且各角色在镜头切换中保持外观、造型和细节的一致性。

这使得 AI 视频创作从 " 单人独白 " 迈向了更具场景表现力的 " 多人共演 "。

比如让来自不同朝代、国家、地域的三个人诸葛亮、丘吉尔和拿破仑出现在同一个会议室交流。用户只需输入三个人物图片素材和相应提示词（" [ @诸葛亮 ] 与 [ @丘吉尔 ] 、 [ @拿破仑 ] 在会议室面对面坐着讨论 "），即可生成一段三人对话的视频。

三、体验：画面稳定、生成提速，图像还原与动作连贯性较好

相比 Vidu 早期版本，Q1 参考生在画质、稳定性和生成效率上均有明显提升，当前版本生成一条 5 秒的 1080P 视频，所需时间约为 1 至 2 分钟。

在成本方面，该平台当前定价为 5 秒视频约 0.895 元，按照基础套餐估算，1000 元可生成约 48 分钟的视频内容。

智东西第一时间对该功能进行了体验。用户登录 Vidu 平台后，可通过上传图片创建 " 主体角色 "，系统将自动生成风格与描述文本，用户可根据需要进行修改或自定义设定。

此外，还支持上传背景图片构建自定义场景，平台提供基础裁剪功能辅助画面适配。

在本次体验中，智东西选择了两张图像作为输入，并设定生成指令为 "@安陵容在 @图 2 奔跑 "。上传完成后，系统自动识别人物姿态与背景结构，几分钟内即生成视频成片。

输出画面中，人物造型、服饰细节、动作流畅度均较为稳定，背景融合自然，整体视觉效果贴近设定图像所构建的情境。

结语：结构可控、一致性可复用，AI 视频更实用

相比以往的图生视频、文生视频产品，Vidu Q1 参考生的更新让 AI 视频第一次变得 " 可以反复使用 "。用户不再依赖生成运气或剪辑技巧，只需准备好图像，就可以批量输出结构稳定的视频内容。

这对很多中小型创作者、电商商家、内容团队来说，是一次流程的简化：不用租摄影棚，不用协调演员，也不需要复杂分镜，只靠设定图就能完成一整套内容制作。

接下来，如何生成更长、更复杂、更可控的视频结构，会成为这一类产品进一步演进的方向。但对当前阶段的用户来说，参考生已经解决了 " 生成像不像 " 和 " 能不能用 " 的基本问题，这也是一次实用意义上的进化。