Vidu Q3とは──ネイティブ音声つき16秒動画を1回の生成で

中国のShengShu Technologyが手がける動画生成AI「Vidu」の現行フラッグシップが「Vidu Q3」だ。公式ページを確認すると、最大の特徴は音声を別工程で後付けするのではなく、映像と一緒に1回の生成でまとめて作る「ネイティブ音声」対応にある。マーケティングページだけでなく、API向けドキュメント（platform.vidu.com/docs）にはクレジット単価・パラメータ範囲・Q2との比較表まで具体的に載っていたので、この記事では両方を一次資料としてつき合わせる。

3行まとめ

1. Vidu Q3はAPI上viduq3-proとviduq3-turboの2モデル軸があり、durationパラメータは1〜16秒の範囲でデフォルト5秒（「16秒」は上限であって固定尺ではない）
2. 価格はAPIドキュメントに解像度・モデル別の秒単価表がある。text2videoは720p/viduq3-turboで1秒11クレジット（$0.055）、1080p/viduq3-proで1秒24クレジット（$0.12）。クレジット単価は1クレジット$0.005
3. Q2までの最大尺は1〜10秒（viduq2系はduration 1〜10s）で、Q3で1〜16秒に伸びている。マーケティングページが「Music」を「ネイティブ音声」の一部として挙げる一方、APIドキュメントはbgmパラメータが「q3 model not available」と明記しており、この2つの記述は完全には一致しない

映像と音声を1回の生成でまとめて作る

Vidu公式ページはVidu Q3の位置づけを次のように説明している。

Native audio + video in one generation—built for real storytelling.

「Direct Audio-Video Output」として、台詞（Dialogue）・ナレーション（Voiceover）・効果音（Sound Effects）・音楽（Music）が焼き込まれた完成済みクリップを、映像と音がタイミングよく揃った状態で1回の生成で書き出せる、としている。

最大16秒を1回の生成で──ただし「固定16秒」ではなく上限16秒

公式FAQは、1回の生成でどこまでの長さを扱えるかを明記している。

How long can a single video be? Up to 16 seconds per generation.

「16s Long Video, One Generation」として、より完全な表現と物語の連続性のために、1回の実行で16秒の完全な動画を生成できると説明されている。継ぎ接ぎや途切れを減らし、より一貫したストーリーテリングができる、というのが訴求点だ。

ここで「16秒」という数字が固定尺なのか上限なのかは、マーケティングページの文面だけでは判断がつかない。そこでAPI向けドキュメント（platform.vidu.com/docs/text-to-video）のtext2videoエンドポイント仕様を確認すると、durationパラメータについて次のように書かれていた。

Video duration. Default values vary by model: viduq3-pro, viduq3-turbo: default 5s, available: 1 - 16

つまり「16秒」は上限であり、デフォルトは5秒、1〜16秒の範囲で指定できるパラメータだ。同じドキュメントではresolutionパラメータも確認でき、viduq3-pro・viduq3-turboともに1〜16秒の全区間で540p・720p・1080p（デフォルト720p）を選べるとされている。aspect_ratioは16:9・9:16・3:4・4:3・1:1に対応し、3:4と4:3は「q2 & q3 model」限定という注記があった。

カメラワークをフレーム単位で制御

「Camera Control, Frame-Accurate」として、カメラの動き・ペーシングをフレームレベルの精度で制御できるとされている。公式FAQは次のように補足する。

Can I control the camera and pacing? Yes—Vidu Q3 supports detailed control over camera language and rhythm, helping you direct the story rather than just "render a scene."

「シーンをレンダリングするだけ」ではなく「物語を演出する」という表現で、単なる自動生成ではなく、カメラ言語・リズムを詳細に制御できるツールとして位置づけている。

対応言語は英語・日本語・中国語の3言語

Vidu Q3のハイライトとして、公式ページは「Multilingual Output」を挙げている。

Which languages are supported for video output? English, Japanese, and Chinese.

動画内の台詞・ナレーションの出力言語として、英語・日本語・中国語の3言語が明記されている。加えて「Multi-Speaker」として、自然な複数人の会話を生成できるともされている。

APIの料金は解像度・モデルの組み合わせで秒単価が決まる

公式ページのLoading pricing plans...という表示の通り、コンシューマー向けサブスクプランの実際の月額・クレジット付与数はブラウザ側でJavaScriptがAPIから取得して描画する作りになっており、curlで取得した静的HTMLには金額が出てこなかった。一方、開発者向けAPIプラットフォームの価格ドキュメント（platform.vidu.com/docs/pricing）には、1クレジット＝$0.005という単価と、モデル・解像度別の秒単価表が具体的に載っている。text2video・img2video・start-end2videoの料金は次の通り（通常モード）。

reference2video（参照画像から動画を作るモード）は別料金体系で、viduq3-mixという専用モデルが720pで秒24クレジット・1080pで秒29クレジット（このモードはオフピーク非対応＝Not Supported）、viduq3-turboのreference2videoは540p〜1080pで秒4〜13クレジットとなっていた。ドキュメントには「オフピーク価格は通常価格の半額。合計クレジットに端数が出た場合は切り上げ」という注記もある。

例えばviduq3-turbo・720p・16秒フルで生成すると11×16＝176クレジット、$0.005換算で$0.88という計算になる（実際の生成でこの通りに課金されるかは未検証。あくまでドキュメント記載の単価からの計算値）。

Q3シリーズは5モデル構成、Q2までの最大尺は10秒だった

「Model Map」ドキュメントを確認すると、Q3シリーズはviduq3-pro・viduq3-mix・viduq3-drama・viduq3-ad・viduq3-turboの5モデルで構成されている。それぞれのスペックは次の通り（フレームレートは全モデル共通で24fps）。

比較としてQ2シリーズ（viduq2-pro・viduq2・viduq2-turbo）を見ると、解像度は同じ540p/720p/1080pだが動画尺は全モデルとも1〜10秒までとなっていた。Q3の「最大16秒」という訴求点は、この1〜10秒からの拡張という位置づけになる。ここは今回確認した公式ドキュメントの範囲で言える、Q2とQ3の数値上の明確な差分だ。なおtext2videoエンドポイントが受け付けるmodelパラメータの値はviduq3-turbo・viduq3-pro・viduq2・viduq1の4つで、viduq3-mix・viduq3-drama・viduq3-adはreference2video等の別エンドポイント経由で使うモデルという扱いだった。

「Music」表記とbgmパラメータの記載が食い違う

マーケティングページは「Direct Audio-Video Output」の説明で、台詞（Dialogue）・ナレーション（Voiceover）・効果音（Sound Effects）と並べて「音楽（Music）」を、映像と一緒に焼き込まれるネイティブ音声の一部として挙げている。一方、text2video APIドキュメントのbgmパラメータの説明を確認すると、次のように明記されていた。

Whether to add background music to the generated video.（q3 model not available） ... BGM does not available in q3 models

つまりAPIドキュメント上は「自動でBGMを追加する」機能であるbgmパラメータが、Q3モデルでは使えないとされている。もう一つのaudioパラメータ（デフォルトtrue、台詞・効果音を含む音声付き動画を出力するかどうかの切り替え）については「Note 1: Only the q3 models supports this parameter」とあり、こちらはQ3専用の機能として明記されている。マーケティングページの「Music」が具体的に何を指しているのか（audioパラメータで生成される音声トラックの一部としての楽曲的要素なのか、bgmパラメータとは別物の生成結果なのか）は、今回確認した2つの一次資料の記載だけでは断定できない。事実として言えるのは、「BGM自動追加」を意味するbgmパラメータはQ3非対応と明記されている、という点までだ。

想定用途

公式FAQは「Who is Vidu Q3 for?」という問いに対し、コミック調ドラマ・映画的なショット・短編シリーズ・ナレーション広告など、連続性とタイミングが重要になるコンテンツを制作するクリエイター・チーム向けだと答えている。プロ用途を意識した「Pro Creation Ready」という位置づけも明記されている。

サブスクプランの実際の月額とクレジット付与数は確認できていない

• コンシューマー向けvidu.com/pricingは金額部分がJavaScriptで動的読み込みされる作りで、curlで取得した静的HTMLには「Loading pricing plans...」としか表示されず、月額プラン名・料金・クレジット付与数は確認できなかった。この記事で示した秒単価はすべてAPIプラットフォーム（platform.vidu.com）側の価格表で、コンシューマー向けサブスクの実効単価とは別体系の可能性がある
• 実際に生成を1本流して、ドキュメント記載のクレジット消費数と実際の課金が一致するかは検証していない
• 「Music」表記とbgmパラメータの食い違いについて、Vidu側に問い合わせて意図を確認する、ということはしていない。2つの一次資料の文面をそのまま並べた段階に留まる
• 日本語音声・台詞の自然さは、公式ドキュメントに具体的な評価記載がなく、この記事でも試していない

関連記事

• AIキャラクターとビデオ通話ができる時代へ──Vidu S1は何が新しいのか
• Seedance 2.0公開、ByteDanceの動画生成AI
• Sora 動画生成AI 料金・代替サービス比較【2026年版】