只需几张图，AI 就能像搭积木一样生成视频，Vidu Q1 参考生视频实测

大家好，我是言川。

AI 视频终于解决了过去最棘手的一件事：角色、物品、场景的一致性问题。

我们先来看看几个视频案例。

上传几张人物图，比如《武林外传》的白展堂、佟湘玉，再上传一张川子在某相馆拍摄的形象照，还有一碗肥肠面的图片。

输入提示词，描述想要的画面，AI 就能融合这些素材，生成一个完整的视频片段：

提示词：三人围坐在中式木桌前互相交谈着，桌上放着一碗热气腾腾的肥肠面。他们正在轻松地交谈着，场面自然幽默。

视频中的人物和场景融合的非常自然，并且人物的特征和服饰也很还原。

再比如一个更抽象的设定。

上传诸葛亮、关羽的剧照图，再上传一辆白色电动车的图像。

只需一句提示词，就能生成“丞相载关羽奔赴赤壁战场”的超现实画面，一切都按参考图来渲染，几乎没有跑偏。

提示词：诸葛亮骑着一辆白色电动车，关羽坐在后座，手持大刀。他们穿梭在赤壁战场中，电动车全景展现清晰，背景是火光中的江边，战船燃烧。 又或者是现代人物穿越古代战场，采访某位历史人物的“B站抽象文学”。

输入提示词，川子就成功来到赤壁战场见到了刘皇叔，从场景氛围到人物互动，都能精准融合。

提示词：赤壁战场上，现代男子，手持麦克风采访刘备，他们身上沾满了尘土和战火烟雾，背景是火光中的江边与燃烧的战船。 除了人物，你也可以上传动物图 + 场景图 + 装备图（比如卫衣、墨镜）。

一段提示词，就能让所有元素自然融合，指哪打哪。

提示词：一只黑色猩猩站在上海东方明珠塔前，穿着黄色运动卫衣，戴着黑色墨镜，手持手机自拍，笑容灿烂。 这就是 Vidu AI 最近上线的 Q1 参考生视频功能。

这个功能可以上传多张参考图像（人物、背景、道具、服装等元素），再配合一段提示词，AI 就能像搭积木一样将这些图像合成一个完整视频。

当前版本支持 5 秒的视频生成，初始生成就拥有 1080P 的清晰度，生成效果更逼真、细节更丰富。

并且它的操作非常简单，简单到我奶奶都会用，接下来我就带大家来玩下 Vidu AI 。

 01  Vidu Q1 参考生视频实操教学 

打开 Vidu AI，在首页选择“参考生视频”。 这里可以选择直接上传图片，或者是将多次复用的角色上传到主体库。 比如在这个案例中，上传一张步枪的白底图。 像刘备是我们后续会多次复用的角色，那么可以搭建一个刘备的角色主体。

这里需要注意图像素材的质量（禁模糊不清、干扰元素等）。如果有人物的多角度图片，那么在后续的视频生成中会更精准。

选择图片素材和主体素材后，就可以往下设置提示词，这里玩个抽象的案例。

提示词：刘备骑着一匹战马在战场上飞驰，手中握着一把AK-47步枪，正一边奔跑一边扫射前方，枪口火光闪烁，弹壳飞溅，姿势英勇果断。战袍在风中飞舞，画面充满力量感。背景是硝烟弥漫的古代战场，断裂的旌旗、熊熊烈火和滚滚尘土营造出强烈的战争氛围。

提示词部分还需要注意，把主体和图片拖到提示词对应的位置：

1. 1. 把 [刘备] 拖到第一句“刘备”提示词的后面，如此 AI 就会知道刘备是谁，长什么样。
2. 2. 把 [图1] 拖到第二句的步枪后面，AI 也就能知道这把步枪长什么样。

记得把模型设置成 Vidu Q1，其他参数可以根据自己的需求来设置。 到这就完事了，非常简单，来看下视频生成的效果。

人物和枪的还原度是不是非常高。

如果你觉得刘皇叔的表情太冷酷了，你还可以修改提示词，让他张嘴大笑。

换个例子，上传两个人物主体，即刘备和关羽。

提示词：刘备和关羽在霓虹灯下的夜店舞池中跳舞，扭动身体，摇着头，节奏感强，镜头跟随节奏晃动。背景舞台灯光炫彩，观众席模糊可见荧光棒。 跟着皇叔和二爷一起蹦迪的视频效果就完成啦。

这就是 Vidu Q1 模型的参考生视频功能。不管是在图像细节、人物还原、道具精度等方面都有质的飞跃，尤其是在“多主体一致性”上的表现。

下面，再演示两个应用场景。

 02  动漫短片创作 

这是我提前准备的两张主角图以及5张场景图。

然后打开 Vidu Q1 的参考生视频功能。

只需要将人物图、场景图上传进去，并输入一段提示词，就能自动生成一段完整的、风格统一的视频镜头。

下面是几个视频分镜的提示词示例：

提示词：男主背着书站在教学楼前的石板路上，略显紧张地看向走来的女主。女主面带微笑地走近，阳光洒落在两人之间，背景是阳光明亮的红砖教学楼与树影斑驳的小道，气氛轻松羞涩。 视频提示词：女主坐在图书馆窗边看书，阳光洒落在书页上。男主站在一旁，略微俯身，轻声与她交谈。女主抬头回应，两人神情专注，背景是整齐的木质书架和温柔午后的光影。 视频提示词：黄昏的操场，男主和女主并排散步，脚步轻松，偶尔交谈，偶尔沉默。夕阳的余晖洒在他们身上，金色光线勾画出他们的身影，气氛宁静而温暖。背景是空旷的操场，远处篮球场上有些许声音，天空渐渐染上温柔的橙色，周围的一切都显得平静而美好。 视频提示词：空旷的教学楼走廊里，男主和女主对立站着，彼此相距不远。男主神情专注，缓缓伸出手，轻轻摸向女主的脸颊，眼神温柔却带着些许紧张，背景是静谧的走廊和明亮的灯光。 视频提示词：天台上，两人面对面站着，风轻轻吹起女主的发丝。男主将手中的信纸递给她，女主低头看着信，嘴角浮现微笑。背景是校区屋顶、远山与蓝天，气氛安静治愈。

最后我把所有视频分镜简单剪了一下，配了点BGM，效果取下：

完活~下一个。

 03  广告短片创作 

如果说以前做广告要拍摄、搭建、调光、后期，那现在，用 AI 做广告，你只需要：

选几张图、输一句话、然后——等几秒钟。

我尝试用 Vidu AI 做了三个不同风格的广告短片，全部都是用参考图合成的，来看看效果如何。

1. 轻奢包包广告

准备了三张图：模特图、产品图、场景图。 上传进 Vidu 后，只需一句提示词，便可快速融合成一段视频。 提示词：模特背着包走在现代都市街道上，阳光洒在她的肩膀和包包上。她目光坚定，步伐从容，穿行在玻璃写字楼之间，展现都市女性的独立与优雅。

2. 水果气泡水广告

同样准备：模特图、产品图、场景图。 上传图像后，重点是提示词对“模特动作 + 产品位置”的表达。 提示词：模特躺在白色沙滩椅上，戴着墨镜，手中拿着一瓶冰镇水果气泡水，轻轻抬手喝了一口，神情惬意放松。阳光洒在他肩上，瓶身的水珠在阳光下微微闪光，背景是清澈海水与洁白沙滩，画面充满夏日的清爽与享受感。

3. 高奢香水广告

这次我们只用了两张图：产品图、场景图，做一个产品合成的效果。 提示词部分，主要描述产品位置以及运镜的表达。 视频提示词：一瓶高奢香水直立在法式梳妆台上的金属托盘中，镜头环绕，阳光从窗边洒落，玻璃瓶体折射出柔和光晕。

 04  写在最后 

以上就是本篇文章的全部内容，老规矩，来聊聊我的感受。

这一次，Vidu AI 真正把「AI 视频模型」从炫技的“玩具”变成了创作者手中的“工具”。

过去几年，我参加过不少 AI 视频创作比赛，也折腾过数十款 AI 视频工具。

这些工具大多能生成内容，却难以真正落地到创作流程中，最根本的问题只有一个：缺乏精准控制。

要知道，只有精准控制，才谈得上提效。

否则花了时间调图、修图、补帧，反而更像在“为AI打工”。

图像生成领域的代表——GPT-4o、Flux Kontext 等模型，早已通过「参考图 + 提示词」解决了控图问题。

所以在那时的 AI 视频流中，我们通常会先在图像阶段把人物/场景/道具融合好，再喂给视频工具动起来。

但这种做法非常勉强 —— 动作生硬、崩坏频繁、细节断裂，几乎只能靠多抽多试碰运气。

而现在，Vidu Q1 参考生视频，直接复用了图像控图的成熟能力，让视频也支持“参考图+提示词”这种高精准的生成方式。

只需上传几张图像，加上一句话，所有元素就能自然融合。

这，才是创作者们真正需要的生产力工具。

“You can't solve today's problems with yesterday's tools.”

你无法用昨天的工具解决今天的问题。