scenario-vidu

Scenario Vidu Video

概要

Scenario の Shengshu Technology 製ビデオファミリーである Vidu は、すべてのモードを1つのモデルにまとめるのではなく、モードごと、ティアごとに1つのモデルを提供します。モデル名にはモード（T2V、I2V、Reference2V）とティア（Q3、Q2、Q1、2.0）の両方が含まれます。執筆時点で15モデルが利用可能だったため、ファミリーを search し、名前で選択してください。ティアの境界ごとに上限が異なるため、model_schema_get を仕様として扱ってください。

接続方法と基本的な流れについては、このリポジトリの scenario スキルを参照してください。モデルに依存しないビデオ制作については、scenario-video スキルを参照してください。ここで名前を挙げた関連スキルが利用可能なスキルにない場合は、ユーザーにインストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人で実行する場合は、ツールスキーマを参照して進め、不足しているスキルについて明記してください。

クイックリファレンス

手元にある素材に応じてモデルラインを選択してください（入力名は現在のスキーマに基づきます）。

手元にあるもの	モデルライン	主な入力
テキストのみ	T2V	prompt、aspectRatio、duration、resolution
動かす静止画が1枚	I2V	generationType: "image_to_video"、1つのIDを含む images
開始フレームと終了フレーム	I2V	generationType: "start_end_to_video"、2つのIDを含む images
アイデンティティ参照	Reference2V	images、最大7枚

開始／終了モードでは配列の順序が重要です。1つ目のIDがクリップの開始フレーム、2つ目が終了フレームになります。また、generationType は画像の数と一致している必要があります。I2V モデルには aspectRatio を指定する項目がありません。縦横比は元の静止画に従います。Reference2V はアイデンティティ（キャラクター、小道具、配色）を引き継ぐもので、開始時の状態を指定するものではありません。正確なフレームから開始する場合は、I2V モデルに切り替えてください。Reference2V のモデルのうち1つ（執筆時点の Q2 Pro）では videos も受け付けていました。参照ビデオは最大2本で、8秒のもの1本、または5秒のもの2本（各100MB、アスペクト比は1:4～4:1）を指定できます。images または videos のいずれかが必要です。

すべてのモデルで seed を指定できます。audio（デフォルトは false）は BGM のオン／オフを切り替えるものであり、サウンドデザインではありません。また、ほとんどの Q2 モデルでは、9秒または10秒の設定時に何も起こりません。

ティアごとの上限

執筆時点では、Q3 は1～16秒、Q2 は1～10秒で、開始／終了モードは最大8秒でした。2.0 I2V では4秒または8秒のみ指定でき、8秒の場合は720pに限られていました。Q1 には duration も resolution もなく、2.0 Reference2V には duration がありませんでした。movementAmplitude（auto、small、medium、large）があるのは Q1 と2.0のモデルラインだけです。また、一般向けまたはアニメ向けの style セレクターがあるのは Q1 I2V モデルだけです。Q2 と Q3 では、動きの強さとスタイルをプロンプトに記述してください。Turbo と Fast のバリアントは、対応する Pro モデルと同じ時間・解像度の上限でレイテンシを短縮します。duration と resolution はどちらもコストに影響し、単一のモデルだけでも数倍になる場合があるため、バッチ処理の前に正確なジョブで dry_run を実行してください。

2種類のプロンプト形式

T2V と I2V では、現在形で書かれた120～180語程度の、ワンショットの段落が適しています。シーンと照明、1つか2つの動き、簡潔な動詞で表したカメラワーク（パン、ドリー、ズームインなど）、身体の動きで表した感情（「彼女の肩が落ちる」など）を含め、カットを入れないでください。I2V では、静止画にすでに含まれていない要素を記述しないでください。Reference2V では逆に、参照画像の位置を示して各要素の参照元を指定する、20～40語程度の短い文が適しています。「image1 のキャラクターが image2 の鎧を身に着け、吹雪の中を歩く」のように記述します。プロンプトの長さ上限はモデルごとに異なり、2000～5000文字です。

作業例：2つのキーフレームをつなぐ

1. target="models"、query="vidu"、public=true を指定して search します。必要なモードで最新のティアを優先します。たとえば model_vidu-i2v-q3-pro です（執筆時点でのライブ検索結果です。セッションごとに再検索してください）。
2. その ID を指定して model_schema_get を実行し、期間の範囲、解像度、デフォルト値を確認します。
3. scenario スキルを参照して開始時と終了時の静止画を upload_asset し、2つのアセット ID を取得します。
4. その model_id と dry_run=true を指定して model_run を実行し、parameters={"generationType": "start_end_to_video", "images": ["asset_start", "asset_end"], "prompt": "The knight slowly lowers his sword as dusk settles over the courtyard. The camera dollies in on his face.", "duration": 8, "resolution": "1080p"} を設定します。実際の実行では、プロンプトを上記の段落形式に合わせて十分に詳しくし、期間または解像度を変更した後は再見積もりしてください。
5. wait=false を指定して model_run を再実行し、返されたジョブ ID で jobs_wait を実行します。タイムアウトした場合は pending_job_ids を指定して再呼び出しし、2回目の model_run は実行しないでください。
6. 出力を asset_display し、両方のアンカーフレームが反映されていることを確認します。

よくある間違い

• generationType: "image_to_video" に画像を2枚指定する、または開始・終了画像を1枚だけ指定すること：タイプは画像の数と一致させる必要があり、順序によって開始画像と終了画像が決まります。
• Reference2V クリップが参照画像から始まると期待すること：参照画像で固定されるのは人物の同一性であり、最初のフレームではありません。開始フレームを正確に指定するには I2V メンバーを使用してください。
• 上限値を別のティアにも適用すること：16秒に対応するのは Q3 のみです。2.0 I2V で指定できるのは4秒または8秒のみで、8秒では解像度が720pに固定されます。
• セリフや効果音をプロンプトに含めること：audio で追加できるのは BGM のみで、ほとんどの Q2 メンバーでは9秒または10秒の動画で音声が出力されなくなります。
• Reference2V に150語の段落を使う、または T2V に短い一文だけを使うこと：2つのモードでは、求められるプロンプト形式が正反対です。
• Reference2V のすべてのメンバーに videos を渡すこと：執筆時点で参照動画を受け付けていたのは1つだけです。まずスキーマを確認してください。