Viduで実際に動画と画像を作る：文章から、1枚の画像から、参照画像から、コマンドから、APIから。場面ごとに何を開き、何を押し、何を入力するか

この記事は、公式の資料を2026年10月25日に読んでまとめたものです。この記事は、実際に使って確かめた記録ではありません。

先に結論

• 最初の1時間の順番の案を下に書きました（これは僕らの案で、公式の手順ではありません）。 先に画面の見え方に慣れ、次にエージェントやコマンドを試す、という順です。
• 画面の「何が返ってくるか」は、公式が書いている範囲だけを書きます。 Webでは「完成したらプレビューして、端末にダウンロードする」（Reference to Videoの機能ページ）が確認できた記述です。画面の見た目や生成にかかる時間は、公式の資料では確認できていません。
• コマンドとAPIでは、返ってくるものの形が文書に書かれています。 例のJSONを写して、何を見るかを書きます。

前提：用語をそろえる

• プロンプト：作りたいものを書いた文章です。
• Text to Video / Image to Video / Reference to Video：公式がつけた動画の作り方の名前です。文章から、1枚の画像から、複数の参考から、です。
• ファースト・ラストフレーム：動画の最初の絵と最後の絵です。Image to Videoでは、最後の絵も指定できます。
• RefHub：公式のページが「他のユーザーが作った参照を探して、使って、保存できる場所」と説明する場所です。使い方の細かい手順は、読めたページには書かれていません。
• クレジット：生成で使う量の単位です。無料枠の量は、ページごとに違うので01を見てください。
• タスク：コマンドやAPIで出す「作る依頼」のことです。依頼ごとに task_id が返ります。
• シード（seed）：結果の再現に使う数字です。APIでは、0か未指定でランダムになります（API文書）。

最初の1時間の順番（この記事の案）

場面1：文章だけで動画を作る（Text to Video）

公式の機能ページ（www.vidu.com/ai-text-to-video）に書かれた順番です。

手順

1. サインインした状態で、画面右上の「Try Vidu」を押します。
2. 一覧から「Text to Video」を選びます。アイデアを探したいときは、同じページに「Explore」「Template」のページがある、とも書かれています。
3. 入力欄（input box）にプロンプトを書きます。
4. 設定を選びます。公式が挙げているのは、スタイル（style）、本数（number of videos）、アスペクト比（aspect ratio）です。選択肢の一覧は、このページには書かれていません。
5. 「Create」を押します。
6. 完成を待ちます。待ち時間、途中の表示は、公式の資料では確認できていません。

例のプロンプト（この記事の例）

公式の5つの要素（Subject、Action、Camera、Scene、Style）に合わせて組みました。公式の例文ではありません。日本語の入力でよいか、英語がよいかという条件は、公式の資料では確認できていません。

つなげた1文：「赤いレインコートを着た小さな女の子が、雨上がりの夕方の住宅街で水たまりをゆっくり飛び越える。低い位置から、ゆっくり追いかける。映画のような、やわらかい光。」

公式が挙げる、弱い結果の原因

• あいまいなプロンプト
• 1つの場面に動きを詰め込みすぎること
• カメラの指示がないこと

公式は「1つの場面には主な動きを1つ」と書いています。

場面2：1枚の画像を動かす（Image to Video）

公式の機能ページ（www.vidu.com/ai-image-to-video）に書かれた順番です。

手順

1. 「Try Vidu」を押し、「Image to Video」を選びます。
2. 最初の画像（starting frame）をアップロードします。必須です。
3. 任意で、2枚目の画像を最後の絵（ending frame）として足せます。
4. プロンプトを書きます。公式は「画像に写っているものを繰り返さず、動きを書く」と案内しています。構成は「被写体の動き＋カメラの動き＋場面の変化＋画風」です。
5. 長さ（duration）、解像度（resolution）、動きの量（movement amount）を選びます。数字の選択肢は、機能ページには書かれていません。
6. 複数本を作る場合は「Amount」のスライダーで本数を選びます。
7. 「Create」を押します。

画像の選び方（公式の記載）

• 被写体がはっきりし、光が良い、高品質な画像。
• ぼやけた画像、解像度の低い画像、被写体が小さすぎる画像は、結果が不明瞭になりやすい。

例のプロンプト（この記事の例）

画像が「帽子をかぶった犬が公園に立っている写真」だった場合の、動きとカメラだけを書く例です。

「犬がゆっくり顔を上げて、しっぽを振る。カメラはゆっくり寄っていく。風で木の葉が少し揺れる。」

画像に写っている犬の特徴（帽子、公園）は、繰り返していません。

最後の絵を足したとき

公式のページは、この機能を「First & Last Frames Control」と呼んでいます。vidu-skillsの parameters.md は、コマンドの側の説明として、「最初と最後が似ていると滑らかな移り変わり、大きく違うと強い変形になる」と書いています。

場面3：同じ人物や物を何カットも出す（Reference to Video）

公式の機能ページ（www.vidu.com/ai-reference-to-video）に書かれた順番です。Vidu Q4のページは、このモードの入口を「/create/character2video」というアドレスのリンクとして示しています。

手順

1. 「Try Vidu」から「Reference to Video」を選びます。
2. 参照画像を入れます。自分の画像か、RefHubの画像かを選べます。枚数は、機能ページは「1〜7枚」、Vidu Q4のページは「1〜15枚（音声は0〜3つ）」と書いており、食い違っています。
3. プロンプトに、人物や物の動きを書きます。機能ページの例には、参照に「@Cowboy」「@Bar」「@Lady」のような名前をつけてプロンプトに書く形が出てきます。名前の付け方や書き方の細かい規則は、このページには書かれていません。
4. 解像度、アスペクト比などを選びます。
5. 「Create」を押します。
6. 完成したら、プレビューして、端末にダウンロードします。ダウンロードの操作の場所は、公式の資料では確認できていません。

コツ（公式の記載）

• 参照は、人物、画風、構図、カメラの動き、場面、エフェクトなどを写せる。
• 顔や服装が変わってしまうときは、人物ごとに参照を作ると一貫させやすい、と書かれている。
• 物が消える・変わるときは、はっきりした参照で「どこに置くか」を見せる。
• 参照動画で、物の置き場所を見せる使い方もある。

Q4のReference to Videoの仕様（Vidu Q4のページの記載）

例のプロンプト（この記事の例）

参照を2つ入れて、2人が会話する場面を作る想定です。参照の名前の付け方は公式の規則が分からないので、ここでは名前を出さずに書いています。

「1枚目の人物が窓辺に立って、2枚目の人物に話しかける。2枚目の人物は笑ってうなずく。カメラは2人の間をゆっくり回る。」

場面4：画像を作る（Text to Image、Reference to Image）

公式の「AI Image Generator」ページ（www.vidu.com/ai-image-generator）の順番です。

手順

1. 「Try Vidu」から、「Text to Image」か「Reference to Image」を選びます。
2. 文章から作るなら、情景や画風を書きます。参照から作るなら、画像を1枚以上入れ、プロンプトを足します。参照は最大7枚、とページの説明にあります。
3. 解像度（1080p、2K、4K）、サイズ（アスペクト比は任意）、枚数を選びます。枚数の範囲は書かれていません。
4. 「Create」を押します。
5. 作ったあとは、「Edit content」（内容の編集）、「Resize」（大きさの変更）、「Upscale resolution」（解像度を上げる）が使える、と書かれています。

プロンプト（公式の案内）

被写体、画風、構図、照明、アスペクト比を書き、結果を見ながらプロンプトか設定を直す、と公式のFAQにあります。

権利について

無料ユーザーが作った画像には商用利用の権利が含まれない、有料ユーザーの画像は規約の範囲で商用利用できる、とページは書いています。最新の規約を読むよう、ページも案内しています（04参照）。

場面5：効果音を作る（AI Sound Effect Generator）

公式ページ（www.vidu.com/ai-sound-effect-generator）の3つの手順です。

1. 「wind」「footsteps」のようなアイデアを入力し、音が始まる時刻を決めます。
2. 長さを1〜10秒から選びます。音を足して重ねることもできます。
3. 「Create」を押し、できた音をダウンロードします（「共有」の操作があるかは、読んだ範囲では確認できていません）。

ページは、出力は48 kHz、重ね合わせができる、と書いています。サインインなしで試せる、という記述もありますが、条件の詳細は書かれていません。無料ユーザーが作った効果音には商用利用の権利が含まれません。

場面6：Vidu Agentに任せる

公式のVidu Agentのページ（www.vidu.com/vidu-claw）が書いていることです。Vidu Agentは、OpenClawという公開の枠組みの上に作られ、Vidu Q3を使う、とページは書いています。

手順

1. Viduにログインします。
2. Vidu Agent（ページが示す入口は https://www.vidu.com/claw）を開きます。入口のページの本文は取得できませんでした。
3. 作りたい結果を言葉で伝えます。ページは「プロンプトの工夫は要らない」と書いています。
4. インストールや設定は要らない、とページは書いています。

ページに挙がっている「スキル」

ソーシャル動画の自動化（TikTok、Instagram、YouTube Shorts向け）、台本から動画、AIアバター動画、Text to Video、顔を出さない動画の流れ（Faceless Video Workflow）。それぞれの詳しい手順は、読めたページ（Social Video Automationのページ）には書かれていませんでした。

料金は「サブスクリプションとクレジット制を組み合わせたモデル」とだけ書かれ、金額はありません。

場面7：コマンドで作る（vidu-cli）

05の段階5〜6が終わっている前提です。以下のコマンドは、vidu-skillsとvidu-cliのREADMEの例です。値（プロンプト、数値）は、READMEの例のままです。

手順

1. 費用の見積りを出します（READMEの例）。

vidu-cli task cost --type text2video --model-version 3.2 --duration 8

1. 依頼を出します（vidu-skillsのREADMEの例）。

vidu-cli task submit \
  --type text2video \
  --prompt "A cat running through a meadow" \
  --model-version 3.2 \
  --duration 5 \
  --resolution 1080p

1. 返ってくるもの：task_id を含むJSON。parameters.md は成功時の形を {"ok": true, "task_id": "...", "trace_id": "..."} と書いています。
2. 状態を確かめます。

vidu-cli task get <task_id>

<task_id> は、手順3で返った値に置き換えます。返ってくるもの：task_id、state、type、model、err_code、err_msg（vidu-cliのREADME）。

1. 状態の流れは、created、queueing、preparation、scheduling、processing、そして終わりの success / failed / canceled です。終わりの3つが出るまで、確かめを繰り返します。errors_and_retry.md は、確かめの間隔を3〜5秒とし、長い動画は5秒から始めて1分後に10秒にする、と書いています。
2. 成功したら、保存先を指定して取り出します。

vidu-cli task get <task_id> --output ./output

1. 注意：parameters.md は、ok: true でも state が failed のことがあると書いています。state も見てください。

画像から作る（READMEの例）

vidu-cli task submit \
  --type img2video \
  --prompt "slow camera push-in" \
  --image ./photo.jpg \
  --model-version 3.2 \
  --duration 5 \
  --transition pro

READMEは、img2video と headtailimg2video では --transition が必要な場合がある、と書いています。画像はローカルのパスかURLで渡せます。URLの場合は、いったんダウンロードしてからアップロードされる、と parameters.md は書いています。

種類とモデルの対応（READMEの記載）

parameters.md は、モデル版の呼び名を「3.0（Q1）、3.1（Q2）、3.2（Q3）、3.2_a（Omni Video Pro）」と書いています。同じファイルは、画像の「3.2_image_2」を「全能Image 2」とも「GPT-Image 2」とも呼び、テキスト描画に強いマルチモーダルの画像生成モデル、という趣旨の説明を添えています。「GPT-Image 2」という呼び名がどの会社のどのモデルを指すのか、提供元がどこかは、このファイルには書かれていません。この記事も意味を断定しません。

声と口パク（READMEの例）

vidu-cli task tts-voices
vidu-cli task tts --prompt "Hello, this is a test." --voice-id English_Trustworth_Man
vidu-cli task lip-sync --video ./clip.mp4 --text "Hello, world!" --voice-id English_Aussie_Bloke

• 声のIDは、task tts-voices と task lip-sync-voices で一覧を出して選びます。声の数は、vidu-skillsのREADMEが「300+ voices」、parameters.md が「250+ voices available」と書き、食い違っています。lip-sync-voices の数は、読んだ範囲では確認できていません（原文で確認）。
• 例の声のIDも資料で違います。vidu-cliのREADMEは English_Trustworth_Man、vidu-skillsのREADMEのクイックスタートは en_female_1、parameters.md は既定として English_Aussie_Bloke を挙げています。手元で tts-voices の一覧を出して確かめてください。
• 口パクの入力は、動画がMP4/MOV/AVIで500MBまで、音声がMP3/WAV/AAC/M4Aで100MBまで、と書かれています。

場面8：APIで作る

API Platformの文書の例です。キーの取り方は05の段階9を見てください。

手順（画像から動画。文書のcurlの例を並べたもの。取得は要約を経由したので、実行前に原文と照らしてください）

1. 依頼を出します。文書のcurlの例は次のとおりです。{your api key} に自分のキーを入れます。

curl --request POST \
  --url 'https://api.vidu.com/ent/v2/img2video' \
  --header 'Authorization: Token {your api key}' \
  --header 'Content-Type: application/json' \
  --data '{
  "model": "viduq4-preview",
  "images": [
    "https://prod-ss-images.s3.cn-northwest-1.amazonaws.com.cn/vidu-maas/template/image2video.png"
  ],
  "prompt": "The astronaut waved and the camera moved up.",
  "is_rec": true,
  "duration": 5,
  "resolution": "720p",
  "audio": true,
  "seed": 0,
  "payload": "string",
  "callback_url": "string"
}'

1. 返ってくるもの：task_id、state（最初は created）、使われた設定、credits（使ったクレジット）、created_at。
2. 結果を取ります。

curl --request GET \
  --url 'https://api.vidu.com/ent/v2/tasks/{your_id}/creations' \
  --header 'Authorization: Token {your api key}'

1. 返ってくるもの：id、state、err_code、credits、creations（url、cover_url、watermarked_url）。url と cover_url は24時間有効、と文書にあります。
2. 保存したい場合は、期限内にダウンロードします。

認証ヘッダーの書き方は、API文書のページ同士で違います（参照から動画の文書は、作る側が Token、結果を取る側が Bearer。画像生成の文書は Token{your api key} と Token {your api key} の両方）。詳しくは05の段階9にあります。上の例は、画像から動画の文書に出ている形です。

設定項目（画像から動画。文書の記載）

参照から動画、画像、効果音のAPI

完成を知らせてもらう（callback_url）

callback_url を付けると、状態が変わるたびにViduがそのURLにPOSTします。processing、success、failed の3つの状態が来て、success と failed は配送に失敗すると3回まで再試行されます。署名の確かめ方の文書（Callback Signature）は、リンク先が「Document not found」で読めませんでした。署名の方式は書けません。

場面9：作ったものを見直す・やり直す

気をつけること

• この記事は、実際に使って確かめた記録ではありません。画面の名前やボタンは、公式ページの英語表記の写しです。日本語の画面での表記は、読めていません。
• 公式の機能ページには、ダウンロードの操作の場所、待ち時間、進行表示、失敗時の表示が書かれていません。「公式の資料では確認できていない」状態です。
• 数字は公式ページ同士で食い違います（参照画像の枚数、動画の長さなど。01・02参照）。この記事は、書かれていた場所を添えて並べました。
• 読めなかったページ：チュートリアル（www.vidu.com/home/tutorial、メニューのみ）、RefHub（メニューとメタ情報のみ）、コールバック署名のページ、API Platformの入口。これらは「書かれていない」ではなく「読めていない」です。
• 他人の顔や声、著作物、キャラクターを素材にする条件は、規約を読めていないので「公式の資料では確認できていない」です。
• 「例のプロンプト」は、この記事の例です。公式が保証するものではなく、動作は確かめていません。
• 規約や機能は変わります。手元の画面と照らして、公式で最新を確かめてください。

出典

• AI Text to Video（Vidu、確認日 2026-10-25）
• AI Image to Video（Vidu、確認日 2026-10-25）
• AI Reference to Video（Vidu、確認日 2026-10-25）
• AI Image Generator（Vidu、確認日 2026-10-25）
• AI Sound Effect Generator（Vidu、確認日 2026-10-25）
• Vidu Q4（Vidu、確認日 2026-10-25）
• Vidu Agent（Vidu、確認日 2026-10-25）
• Social Video Automation Skills（Vidu、確認日 2026-10-25）
• RefHub（メタ情報のみ、Vidu、確認日 2026-10-25）
• vidu-skills README（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-skills parameters.md（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-skills errors_and_retry.md（GitHub shengshu-ai、確認日 2026-10-25）
• vidu-cli README（GitHub shengshu-ai、確認日 2026-10-25）
• Vidu API 文書：Image to Video（Vidu、確認日 2026-10-25）
• Vidu API 文書：Reference to Video（Vidu、確認日 2026-10-25）
• Vidu API 文書：Image Generation（Vidu、確認日 2026-10-25）
• Vidu API 文書：Audio Generation（Vidu、確認日 2026-10-25）