Cómo crear vídeo desde imagen en Vidu Q4: guía y prompts
Guía paso a paso para generar vídeo a partir de imágenes con Vidu Q4 Preview: trucos de composición, ejemplos de prompts y costes por API.
👁 114 lecturas
Vidu Q4 Preview no genera vídeo directamente a partir de texto: siempre parte de una imagen. Esto resulta muy práctico, ya que te permite controlar el encuadre, el personaje y la iluminación antes de gastar un solo céntimo en la generación de vídeo. En esta guía te mostramos cómo preparar la imagen de partida, cómo redactar los prompts para definir el movimiento, la cámara y el audio, cuánto cuesta cada clip y cómo integrarlo vía API. La información general sobre el modelo (comparativas, precios y planes) la tienes en nuestra guía de Vidu Q4.
Las cantidades en EUR son conversiones orientativas de los precios publicados en USD, calculadas con el tipo de referencia del BCE del 2026-10-12: 1 EUR = 1.1181 USD. No son precios locales confirmados ni importes finales con impuestos. El proveedor y el banco pueden aplicar otros tipos o cargos. ECB.
Estado a 8 de octubre de 2026
- Modo: Image to Video: una sola imagen como fotograma inicial más la descripción del movimiento.
- Clip: de 3 a 16 s, desde 540p hasta 4K, con audio activado por defecto.
- Imagen: formato PNG, JPG o WebP, hasta 50 MB, con una relación de aspecto no más extrema que 1:4 o 4:1.
- Coste de 8 s: 0,2236 EUR (0,25 USD) en 540p, 0,4740 EUR (0,53 USD) en 720p, 0,5992 EUR (0,67 USD) en 1080p (en fal.ai hasta el 30 de noviembre); en la API oficial de Vidu es aproximadamente un 40% más caro.
- Nota: los prompts recogidos en esta guía forman parte de nuestra batería de pruebas. Todavía no disponemos de clips propios renderizados con Q4; los añadiremos tras completar los tests.
Paso 1. Prepara la imagen inicial
En el modo de imagen a vídeo, el primer fotograma del clip coincide exactamente con tu imagen. El modelo no corregirá una composición defectuosa ni un encuadre cortado, por lo que todo el trabajo visual debe resolverse antes de subir el archivo. Conviene prestar atención a estos puntos:
- Relación de aspecto final. En Image to Video, el vídeo hereda las proporciones de la imagen. Para YouTube usa 16:9; para Reels o TikTok, 9:16. Recorta la imagen antes de subirla.
- Espacio para el movimiento. Si el personaje debe salir del plano o la cámara va a alejarse, deja aire alrededor. Un primer plano muy cerrado no se transformará por arte de magia en un plano general.
- Evita textos incrustados, salvo que quieras que permanezcan en pantalla. Los modelos de vídeo suelen deformar las letras al mover la cámara.
- Resolución equivalente a la del vídeo. Para 1080p basta con una imagen de 1920 px de ancho; si vas a exportar en 4K, utiliza al menos 3840 px.
- Rostros de personas reales solo con su consentimiento explícito. Además, los clips generados con el plan gratuito no se pueden destinar a uso comercial.
Puedes crear la imagen con cualquier generador. Tienes un análisis de los que mejor interpretan las instrucciones en nuestro artículo sobre generadores de imágenes con IA, y en la arena de generadores de imágenes puedes ver cómo rinden ante las mismas órdenes.
Paso 2. Cómo escribir el prompt de movimiento
El prompt para animar una imagen no debe describir lo que ya se ve en el fotograma, sino lo que debe suceder a continuación. En nuestras pruebas seguimos siempre este orden estructurado:
- Acción: quién actúa y qué hace, en presente («She lifts the cup and smiles»).
- Cámara: estática, avance (dolly-in), giro orbital (orbit), cámara al hombro o corte a plano detalle.
- Diálogo: las palabras exactas entre comillas, indicando quién habla y el idioma.
- Sonido: ambiente, efectos sonoros o indicación expresa de música («no music» si prefieres añadirla en edición).
- Restricciones: indicaciones negativas como «no subtitles, no on-screen text» o «real-time speed, no slow motion».
Redactamos los prompts en inglés porque los modelos de vídeo interpretan mejor este idioma, aunque las líneas de diálogo pueden mantenerse en otros idiomas entre comillas. Por defecto, Vidu activa una función de optimización automática del prompt (parámetro is_rec en la API). Si buscas un control riguroso y literal, desactívala.
Paso 3. Prompts listos para usar (nuestra batería de pruebas)
Cada prompt asume una imagen de partida concreta, descrita en la primera columna. En nuestros bancos de pruebas evaluamos estas mismas escenas en varios modelos para comparar resultados de forma objetiva:
| Imagen inicial | Prompt | Qué evalúa |
|---|---|---|
| Mujer sentada a la mesa de la cocina, mirando a cámara | She smiles and says clearly in Polish: «W Szczebrzeszynie chrząszcz brzmi w trzcinie, a ja płacę trzydzieści dwa złote.» (En Szczebrzeszyn un escarabajo suena entre las cañas, y yo pago treinta y dos zlotys). Static camera, natural lip sync, quiet room tone, no music, no subtitles. | voz y sincronización labial (probado en polaco) |
| Dos luchadores en un tejado mojado de noche | They start a fast kung fu fight: punches, a spinning kick, one fighter lands on his back and rolls up. Handheld camera follows the action, two quick cuts, rain splashes, impact sounds and heavy rain audio. | acción rápida y cortes |
| Plaza de un casco antiguo de noche, multitud de espaldas | Fireworks explode above the square, sparks and smoke drift down, light flickers on the facades and faces, the camera slowly cranes up. Loud firework bangs and crowd cheering. | efectos VFX e iluminación dinámica |
| Vaso vacío y jarra de agua sobre la mesa | A hand lifts the pitcher and pours water into the glass until it overflows and spills onto the table into a puddle. Real-time speed, realistic physics, sound of pouring water. | física de fluidos |
| Molinillo de café negro sobre mármol | Slow dolly-in, beans pour into the grinder, it starts grinding, fine coffee powder falls, steam from a cup in the background. Crisp ASMR grinding sound, no music. | vídeo publicitario de producto |
| Retrato de un hombre mayor en un taller | He looks up from his work, takes off his glasses and says warmly in Polish: «Dobra robota wymaga czasu.» (Un buen trabajo requiere tiempo). Slow push-in to a close-up, soft workshop ambience. | expresión emocional y aproximación |
| Perro en la playa durante el atardecer | The dog runs toward the camera along the waterline, splashing water, the camera tracks backward at the same speed. Waves and happy barking, no music. | seguimiento de cámara a la par del sujeto |
| Ilustración estilo cómic: superheroína en una azotea | Keep the comic book art style. Her cape flutters, she jumps to the next roof, the camera follows in one continuous shot. Wind and whoosh sounds. | mantenimiento del estilo artístico |
Paso 4. Elige la duración y la resolución
El coste se factura por segundo y aumenta de forma notable al subir de resolución. Nuestra recomendación práctica: realiza los ensayos en 540p o 720p, genera la toma definitiva en 1080p y reserva el 4K únicamente para entregas donde sea imprescindible.
| Ajuste | fal.ai (hasta 30/11) | API de Vidu / WaveSpeedAI | Cuándo usarlo |
|---|---|---|---|
| 5 s, 540p | 0,1431 EUR (0,16 USD) | 0,2057 EUR (0,23 USD) | pruebas rápidas de movimiento |
| 5 s, 720p | 0,2951 EUR (0,33 USD) | 0,4293 EUR (0,48 USD) | reels, previsualizaciones |
| 8 s, 1080p | 0,5992 EUR (0,67 USD) | 0,8586 EUR (0,96 USD) | clip final para YouTube |
| 16 s, 1080p | 1,20 EUR (1,34 USD) | 1,72 EUR (1,92 USD) | toma más larga con diálogo |
| 8 s, 4K | 1,95 EUR (2,18 USD) | 2,79 EUR (3,12 USD) | montaje final en pantalla grande |
Tarifas obtenidas de fal.ai (con un 30% de descuento promocional hasta el 30 de noviembre) y de WaveSpeedAI, equivalentes al precio estándar oficial de Vidu (0,004472 EUR (0,005 USD) por crédito). Incluir audio no incrementa el precio.
Paso 5a. En la web: vidu.com
- Entra en vidu.com/vidu-q4 e inicia sesión con tu cuenta.
- En el panel de generación, cambia el selector de «Reference to Video» a «Image to Video».
- Sube la imagen, introduce el prompt y selecciona la duración y la resolución deseadas.
- Pulsa en generar y descarga el vídeo resultante desde tu galería.
Con el plan gratuito de Vidu, renderizar con Q4 en 540p consume 4 créditos por segundo; con los planes de pago (a partir de 8,94 EUR (10 USD) al mes) el consumo baja a 2 créditos por segundo. Tienes el desglose completo de suscripciones en nuestra guía sobre Vidu Q4.
Paso 5b. Mediante API
La API oficial de Vidu admite la imagen como URL pública o codificada en Base64. A continuación tienes la llamada curl adaptada de la documentación oficial (sustituye el token por el tuyo):
curl -X POST https://api.vidu.com/ent/v2/img2video
-H "Authorization: Token TU_CLAVE"
-H "Content-Type: application/json"
-d '{
"model": "viduq4-preview",
"images": ["https://tu-dominio.com/fotograma.jpg"],
"prompt": "Slow dolly-in, beans pour into the grinder, crisp ASMR grinding sound, no music.",
"duration": 8,
"resolution": "1080p",
"audio": true,
"is_rec": false
}'La respuesta devuelve un identificador task_id. El resultado se consulta mediante una petición GET https://api.vidu.com/ent/v2/tasks/{task_id}/creations. Ten en cuenta que el enlace al archivo caduca a las 24 horas, por lo que conviene descargarlo de inmediato.
En la plataforma fal.ai, este proceso se automatiza con el siguiente script en Python (empleando la librería requests y guardando la clave en la variable de entorno FAL_KEY):
import base64, os, time, requests
cabeceras = {"Authorization": "Key " + os.environ["FAL_KEY"]}
imagen_base64 = "data:image/png;base64," + base64.b64encode(open("fotograma.png", "rb").read()).decode()
tarea = requests.post(
"https://queue.fal.run/fal-ai/vidu/q4/image-to-video", headers=cabeceras,
json={"image_url": imagen_base64, "prompt": "Slow dolly-in, crisp ASMR grinding sound, no music.",
"duration": 8, "resolution": "720p"}).json()
while requests.get(tarea["status_url"], headers=cabeceras).json().get("status") != "COMPLETED":
time.sleep(10)
resultado = requests.get(tarea["response_url"], headers=cabeceras).json()
open("clip.mp4", "wb").write(requests.get(resultado["video"]["url"]).content)Transparencia sobre nuestras pruebas: este código es una versión resumida del script de pruebas que ejecutamos. A fecha de 8 de octubre lo validamos hasta el envío de la tarea; en fal.ai la solicitud fue rechazada por falta de saldo disponible en la cuenta de prueba, por lo que aún no completamos la descarga final del archivo. La estructura de parámetros (image_url, prompt, duration, resolution, seed) respeta estrictamente el esquema de la API de fal.ai para este modelo. Actualizaremos el script con los resultados en cuanto repongamos el saldo y concluyan las pruebas.
Errores más comunes
- Describir la imagen en vez del movimiento. Indicar «mujer con abrigo rojo en la calle» no aporta nada al modelo, ya que esa información ya está en la imagen inicial. Detalla qué debe hacer.
- Acumular demasiados sucesos en pocos segundos. En un clip de 5 segundos solo cabe una acción principal y un movimiento de cámara. Para narrativas más complejas, amplía a 10-16 segundos o divide la escena en dos tomas.
- Olvidar el parámetro «no music». Los generadores con audio tienden a añadir bandas sonoras genéricas que complican la edición posterior si solo buscas sonido ambiente.
- Incluir textos dentro de la imagen. Si el fotograma inicial contiene carteles o rótulos, revisa su aspecto final: el movimiento de cámara suele deformar la tipografía.
- Renderizar de entrada en 4K. Afina primero la coreografía y el encuadre en 540p, donde cada segundo resulta más de ocho veces más barato.
- No descargar el archivo a tiempo. A través de la API de Vidu, la URL del vídeo generado expira transcurridas 24 horas.
¿Y si no tienes una imagen de partida?
Vidu Q4 Preview no dispone de modo de generación de texto a vídeo. Si necesitas partir exclusivamente de una descripción textual, conviene recurrir a otros modelos: en nuestras evaluaciones la mejor puntuación la obtuvo Wan 3.0, seguido muy de cerca por MiniMax H3 Max. Puedes consultar la comparativa detallada entre estas alternativas en nuestro análisis de Vidu Q4 vs Seedance 2.0 vs MiniMax H3, o revisar nuestra guía previa sobre cómo dar vida a fotografías con otra herramienta en Wan 3.0: imagen a vídeo.
Fuentes: documentación de la API de Vidu Q4 (Image to Video), fal.ai Vidu Q4, WaveSpeedAI, planes de vidu.com. Datos verificados a 8 de octubre de 2026.
More on this from FULGOR
benchmarks·Gemma 4 31B en local con RTX 4090: VRAM, velocidad y análisisProbamos Gemma 4 31B en local con una RTX 4090: rinde a 42 tok/s, consume 19 GB de VRAM y ofrece licencia Apache 2.0. Te contamos sus puntos clave y exigencias.