Vidu Q3 Reference to Video API: 完全開発者ガイド

Vidu Q3のReference to Video機能は、参照画像と参照動画を組み合わせてキャラクターの一貫性を保ちながら動画を生成するAPIだ。単純なテキスト→動画変換より一段上の制御が必要な場面で使われる。このガイドでは、エンドポイントの仕様から料金比較、実際に使うべきケースと避けるべきケースまでを網羅する。

---

Vidu Q3とは何か、前バージョンから何が変わったか

Vidu Q3は、Vidu Q1/Q2と比較して以下の点が数値で改善されている。

項目	Vidu Q1	Vidu Q3	変化
最大解像度	720p	1080p	+50%
生成速度（Turboモード）	未公開	高速モード追加	Turbo variant追加
アニメスタイル対応	なし	あり	新機能
BGM自動生成	なし	あり（Audio付きモード）	新機能
Reference to Video	なし	あり	新機能

Q1では静止画→動画のImage-to-Videoが中心だったが、Q3ではReference to Videoという独立したエンドポイントが追加された。これは複数の参照画像をもとにキャラクターや物体の外見を固定しつつ、プロンプトで動きを指示できる機能だ。また、Q3 Turboは標準Q3より生成レイテンシを削減したバリアントで、Novita AI経由で利用可能（Novita AI docs）。

---

技術仕様テーブル

以下はVidu Q3 Reference to Video APIの主要仕様をまとめたものだ（Vidu公式プラットフォームドキュメント、WaveSpeed AI、fal.aiより）。

仕様	値
エンドポイント	POST /ent/v1/videos/reference2video（音声あり）/ POST /ent/v1/videos/reference2video（動画のみ）
結果取得	GET /ent/v1/tasks/{task_id}/creations
認証方式	Bearer Token（Authorization: Token {YOUR_API_KEY}）
入力タイプ	テキストプロンプト + 参照画像URL（複数可）
最大参照画像数	複数（公式ドキュメントでは配列渡し）
出力解像度	540p / 720p / 1080p
アスペクト比	16:9（標準）
動画長	最大8秒（モデルによる）
フレームレート	24fps
出力フォーマット	MP4
アニメスタイル	対応（プロンプトで指定）
BGM生成	Audio付きモードで対応
非同期処理	タスクキュー方式（非同期）
Webhookサポート	対応（task完了時コールバック）
サードパーティプロキシ	fal.ai、WaveSpeed AI、Novita AI

リクエストは非同期キュー方式なので、POST送信後すぐに動画URLが返ってくるわけではない。task_idを受け取り、完了までGETでポーリングするか、Webhookを設定するかを選ぶことになる。

---

ベンチマーク比較

Vidu Q3の公式VBenchスコアは現時点（2025年初頭）で単独公開されていないが、競合モデルとの比較で参考になる公開データを整理する。

モデル	VBench Overall	FID（参考値）	最大解像度	Reference機能
Vidu Q3	~82（推定）	非公開	1080p	あり
Kling V2.5 Turbo	~83	非公開	1080p	限定的
Kling V2.6 Pro	~85	非公開	1080p	あり
Wan 2.1	~80	非公開	720p	なし

注意: Vidu Q3の”~82”はサードパーティレビューの集計に基づく推定値であり、公式ベンチマークではない。Kling V2.6 ProとVidu Q3は解像度・Reference機能で肩を並べており、実際の選定では料金と統合のしやすさが判断基準になる。

Motion consistencyとCharacter consistencyの面では、Vidu Q3のReference to Video機能は複数参照画像を使うことで同一キャラクターの動きを複数シーンにわたって維持できる点が特徴だ。ただし、定量的な公式スコアが公開されるまでは実際のユースケースでのA/Bテストで判断する必要がある。

---

料金比較

プラットフォームごとに料金体系が異なる。

プラットフォーム	モデル	料金の目安	特記事項
Vidu公式 (platform.vidu.com)	Q3 Reference to Video	クレジット制	公式API直接利用
fal.ai	fal-ai/vidu/reference-to-video	従量課金（$/秒）	サブスクリプション不要
WaveSpeed AI	Vidu Q3 Text-to-Video	API呼び出しベース	Turboも利用可能
Novita AI	Vidu Q3 Turbo T2V	クレジット消費型	Q3 Turbo特化ドキュメントあり

fal.aiは個別モデルへのサブスクリプションなしで従量課金で利用できるため、プロトタイプ段階や低頻度利用には向いている。本番スケールで大量生成するなら公式APIの契約プランを検討すること。

---

最小動作コードサンプル

fal.ai経由でVidu Q3 Reference to Videoを呼び出す最小実装（fal.ai公式ドキュメント準拠）:

import * as fal from "@fal-ai/serverless-client";

const result = await fal.subscribe("fal-ai/vidu/reference-to-video", {
  input: {
    prompt: "The little devil is looking at the apple on the beach and walking around it.",
    reference_image_urls: ["https://storage.googleapis.com/your-bucket/reference.png"],
    resolution: "1080p",
    duration: 8
  },
  onQueueUpdate: (update) => console.log("Status:", update.status),
});

console.log("Video URL:", result.video.url);

fal.subscribeは内部でポーリングを処理してくれるため、task_idの手動管理が不要になる。本番環境でWebhookを使う場合は公式APIのPOST /ent/v1/videos/reference2videoを直接叩き、task_idでGETポーリングするパターンに切り替えること。

---

推奨ユースケース

1. キャラクター一貫性が必要なショートアニメ

参照画像にキャラクターの正面・横・斜め素材を渡すと、複数シーンを通じて同じビジュアルを維持できる。ゲーム会社やVTuberコンテンツ制作での短尺プロモーション素材生成に向いている。

2. アニメスタイルの広告素材

Vidu Q3はアニメスタイル生成を明示的にサポートしている（WaveSpeed AIドキュメント）。既存のイラストアセットを参照画像として渡し、動きのある広告バナー動画を量産するパイプラインに組み込める。

3. BGM込みのSNS動画自動生成

Audio付きモードを使えば、プロンプト一発でBGM+映像を同時生成できる。SNS向けの短尺コンテンツを自動化したい場合に工数を削減できる。

4. プロトタイプ・コンテテスト段階

fal.ai経由で従量課金で使えるため、本番契約前の技術検証コストを抑えられる。

---

使うべきでないケース

正直に書く。以下の場面ではVidu Q3は適切な選択ではない。

1. 30秒以上の長尺動画が必要な場合 Vidu Q3の最大動画長は8秒程度だ。長尺コンテンツが必要なら、ショットを繋ぎ合わせるポストプロセス工程が必須になり、シームレスな出力は得られない。

2. リアルタイム生成が必要な場面 非同期キュー方式のため、ユーザーがトリガーを引いてから数十秒〜数分の待機が発生する。インタラクティブなリアルタイムアプリケーションには不向きだ。

3. 正確な動き制御が必要な場面 カメラパス指定やキーフレーム単位の制御はサポートされていない。特定のカメラムーブメントが仕様として決まっているVFXワークフローには使えない。

4. VBenchで明確な優位性を確認できていない本番ワークフロー 競合（特にKling V2.6 Pro）と比較したVBench公式スコアが非公開の現時点では、品質SLAが厳しい本番ワークフローへの採用前に自社データでのA/Bテストを必ず行うこと。

5. 4Kや細部精度が求められるプロ映像制作 最大1080pのため、4K素材が要件に含まれる映像制作パイプラインには使えない。

---

APIの認証とエラーハンドリングの実装メモ

公式Vidu APIではAuthorization: Token {YOUR_API_KEY}をヘッダーに含める形式を採用している（Vidu公式ドキュメント）。タスクが失敗した場合のstatusフィールドの値はfailedになり、エラー詳細はtask.error_msgから取得できる。

本番環境での推奨パターン：

• Webhook優先: ポーリング間隔の調整コストを避けるため、callback_urlを必ず設定する
• リトライロジック: キュー混雑時のタイムアウトに備えてexponential backoffを実装する
• 解像度の動的切り替え: コスト最適化のため、プレビュー段階は540p、最終出力のみ1080pに切り替えるロジックを入れる

---

結論

Vidu Q3 Reference to Video APIは、キャラクター一貫性とアニメスタイル生成が必要な短尺コンテンツ自動化に対して実用的な選択肢だ。ただし、公式のVBenchスコアが非公開である現時点では、Kling V2.6 Proとの品質比較は自社ユースケースでの実測値に基づいて判断すること。

メモ： 複数の AI モデルを一つのパイプラインで使う場合、AtlasCloud は Kling、Flux、Seedance、Claude、GPT など 300+ モデルへの統一 API アクセスを提供します。API キー一つで全モデル対応。新規ユーザーは初回チャージで 25% ボーナス（最大 $100）。