Vidu stammt von Shengshu Technology und teilt sich sauber in zwei Linien: eine Q-Reihe aus Videomodellen und eine S-Reihe rund um Echtzeit. Die Startseite führt zwei Aussagen an — 16 Sekunden, in denen Bild und Ton gemeinsam kommen, und Live-Interaktion. Die erste gehört zu Vidu Q3, die zweite zu Vidu S2.

Q3 ist für Dramen gebaut, und der Ton geht mit dem Bild

Die Q3-Seite nennt sich selbst ein KI-Videomodell mit nativer Tonunterstützung. Die Überschrift sagt, es sei für Dramen gebaut, die Unterzeile verspricht eine komplette Szene in einem Durchgang, und die Erklärung der direkten Ausgabe ist konkret: Ton und Bild verlassen das System gemeinsam, mit vier Arten von Spuren — Dialog, Off-Sprecher, Effekte und Musik —, die im selben Lauf entstehen. Eine fertige Szene landet damit in einem Export statt über den älteren Umweg aus stillem Render plus Nachvertonung.

16 Sekunden in einem Durchgang, drei Sprachen

Die Dauer ist die zweite harte Zahl: eine einzelne Generierung liefert einen vollen Clip von 16 Sekunden. Die Seite begründet das damit, dass nichts zusammengesetzt werden muss, der Rhythmus also nicht bricht und die Geschichte weiterläuft; auch die FAQ antwortet so — höchstens 16 Sekunden pro Lauf. Bei den Sprachen nennt die Zeile zur Mehrsprachigkeit englische, japanische und chinesische Ausgabe.

Zusammengenommen zielt Q3 auf ein Problem: Ton, Mundbewegung und Sprache innerhalb einer kurzen Erzähleinheit in Deckung zu halten. Ein eigener Punkt widmet sich dem Dialog mehrerer Personen, damit mehrere Figuren in derselben Einstellung natürlich sprechen und nicht nacheinander abgearbeitet werden.

Für animierte Dramen, Kurzserien und filmische Einstellungen

Ein weiterer Punkt reklamiert professionelle Einsatzreife, das Modell ist also für Erzählarbeit wie animierte Dramen, Film und Kurzserien gedacht. Die FAQ beschreibt die Zielgruppe als Kreative und Teams, die durchgehendes Erzählen und präzises Timing brauchen — handlungsgetriebene Animation, filmische Einstellungen, Kurzdramen, erzählende Werbung. Die Einstellungskontrolle arbeitet auf Frame-Ebene, Kamerasprache und Tempo lassen sich bis auf einzelne Erzählpunkte festlegen, was die Arbeit eher ins Regieführen als ins Rendern rückt. Die Startseite weitet den Rahmen: Animation oder Realfilm, Werbung oder Kurzfilm, alles innerhalb derselben 16 Sekunden aus Bild und Ton.

S2 trennt Echtzeit-Interaktion von Echtzeit-Schnitt

Die S-Linie denkt anders: erzeugen und ausgeben zugleich. Unter S2 stehen zwei Produkte. S2-Avatar ist das interaktive Modell, nimmt Live-Sprache und komplexe Bewegungsteuerung an, arbeitet mit Referenzbildern für Objektinteraktion, Garderobenwechsel und Hintergrundtausch und rendert den digitalen Menschen in 720P+ — vorher, in S1, waren es 480P, und auch die Befehlsbefolgung reicht inzwischen so weit, dass ein gesprochener Befehl den Avatar tanzen lässt. S2-Editing ist der Streaming-Editor, und alle vier Fähigkeiten hängen an einem Referenzbild: einen Stil rendern, eine Figur ersetzen, eine Umgebung ersetzen oder eine Person neu einkleiden. Weil es streamt, nimmt es weiter Video auf und schiebt Ergebnisse heraus, ein Wechsel von Referenz oder Szene mitten im Lauf unterbricht die Ausgabe also nicht. Als Quelle dienen Kamera, Videodatei oder Standbild.

Wo keine Echtzeit nötig ist, bietet S2 auch einen asynchronen Weg: ein Charakterbild plus eine Tonspur ergeben ein sprechendes Video, dessen Lippen und Bewegung der Spur folgen — der Offline-Avatar, den die Seite nennt.

API und Abrechnung in einer Währung

Die offene Plattform sortiert die Modelle in drei Familien: das Echtzeitmodell S2, die Video-Q-Reihe und die Bilderzeugung. Die Videozeile nennt Q die Flaggschiff-Linie — lange Dauer, hohe Konsistenz, große Bewegung — mit Text-zu-Video, Bild-zu-Video und Referenz-zu-Video. Die Bildzeile hält fest, dass Text-zu-Bild und Referenz-zu-Bild 4K-Ausgabe erreichen und mehrere Referenzen annehmen. S2 kommt über eine MaaS-Plattform, die drei Schritte vorgibt: registrieren und einen API-Schlüssel anlegen, eine erste Anfrage senden, dann den Auftrag abfragen und die Videoadresse abholen.

Abgerechnet wird in Guthaben, und ein Paket zielt direkt auf S2: ein zeitlich begrenztes Bündel für 350 Yuan statt 500 Yuan Listenpreis mit 16000 Guthaben, 5 gleichzeitigen Aufträgen und 12 Monaten Laufzeit, das der Anbieter auf rund 177 Minuten Live-Interaktion schätzt. Ein Einstiegspaket für 500 Yuan enthält dieselben 16000 Guthaben und deckt Video-, Ton- und Bildaufgaben ab. Guthaben gibt es in drei Sorten: Abo-Guthaben aus einem Tarif mit 30 Tagen Laufzeit, gekaufte Guthaben nach Bedarf und Bonuskredite aus Aktionen, die letzten beiden 2 Jahre gültig. Zwei Regeln fallen auf — Guthaben kaufen dürfen nur zahlende Nutzer, und Abo-Guthaben werden vor gekauften verbraucht.

Grenzen

16 Sekunden sind die Obergrenze pro Lauf und zugleich die Erzähleinheit, die der Anbieter bewirbt; längere Arbeiten brauchen mehrere Segmente oder eine spätere Verlängerung. Echtzeit hängt an Netz und Nebenläufigkeit, und das Paket nennt 5 gleichzeitige Aufträge, ein wachsendes Team muss also damit planen. Preise und Aktionen bewegen sich, und die 350er Stufe ist ein befristetes Angebot, eine Kaufentscheidung sollte daher auf dem aktuellen Satz der Plattform und einer Schätzung des Guthabenverbrauchs beruhen. Erzeugtes Material muss weiterhin Plattformregeln und lokales Recht bestehen, und für kommerzielle Nutzung lohnt ein Blick auf die Rechte an Ausgangsmaterial und abgebildeten Personen.

Zusammengefasst: Diese Runde macht den Ton zu einer Produktlinie und Echtzeit zur anderen. Q3 legt Bild, Dialog, Off-Sprecher, Effekte und Musik in eine einzige Generierung, 16 Sekunden am Stück in drei Sprachen. S2 macht den digitalen Menschen zu einem Stream, der ein Gespräch führt oder live Garderobe und Kulisse wechselt. Darunter liegt eine offene Plattform mit Guthabenpreisen, sodass Gestaltung und Integration je ihren eigenen Weg haben.