要快速判断该用Vidu参考生视频还是图生视频，关键看手头素材的形态：如果已经有多张角色、场景、道具图，并且希望它们之间自然互动，参考生视频是唯一能一步生成的方案；如果只有一张构图完整的图，希望它动起来，图生视频才是正解。前者是多图语义融合生成，后者是单图动作推演。

核心逻辑差异

参考生视频到底在做什么？说白了，它是一种“元素融合”机制。上传的每一张图，都会被模型识别为独立语义单元——比如@图1是穿红裙的女主，@图2是咖啡馆内景，@图3是旋转木马。AI需要理解这些元素之间的空间关系与行为逻辑，再合成一段有叙事连贯性的视频。

而图生视频则是“单图延展”：它把输入图当作静态锚点，只在此基础上推演动作方向、幅度和镜头运动，无法引入第二张图里的新主体或新场景。

这个区别直接决定了后续流程——参考生视频跳过了分镜环节，而图生视频必须靠分镜图来堆精度。

操作路径对比

方法一：参考生视频（零分镜）
① 打开Vidu Q3 Web端 → 点击「参考生」入口 → 上传最多7张图（人物/道具/场景/风格各1张起）→ 在提示词框输入带@图编号的指令（如“@图1在@图2中走向@图3，微笑挥手”）→ 点击生成。
【上传时务必给每张图手动命名，否则系统无法识别@图1/@图2等引用关系】

方法二：图生视频（需分镜支撑）
上传单张图 → 输入动作描述（如“女孩转身，裙摆扬起，风吹发丝”）→ 调整运动幅度（轻微/明显/剧烈）→ 选择镜头运动（推/拉/环绕）→ 若需多镜头，必须提前生成并上传对应分镜图，再逐帧绑定。

直接上干货：参考生视频是一步到位，图生视频则需要分步拆解。

一致性控制能力

直接说结论：参考生视频在Q3版本中实现了主体一致性满分。同一人物在不同场景中间出现时，五官结构、发型纹理、服饰褶皱的还原率稳定在92%以上，哪怕跨7张图输入也没有漂移。图生视频的一致性则完全依赖输入图质量——如果原图侧脸比例失真，生成视频中人物转正脸时就会出现五官错位，而且无法通过提示词修正。

这一点不可逆：图生视频出错只能重传原图，而参考生视频出错可以单独替换某张有问题的参考图再重跑。

适用场景硬区分

最后聊聊实战场景，怎么选最合适？

做品牌IP短视频：用参考生。上传吉祥物正脸图、标准动作图、门店实景图，一句提示词就能生成“吉祥物从门店门口跑出，挥手打招呼”的3秒视频，动作衔接自然，背景透视匹配。

做产品功能演示：用图生视频。截取App界面截图，提示“按钮被点击，弹窗滑入”，模型会精准保持UI元素位置不动，仅让指定区域产生动效，不会混入其他参考图元素。

拍双人对话口播：必须用参考生。两张主持人正面照加录音棚环境图，配合“@图1说话时@图2点头微笑”提示词，口型、微表情、视线焦点全部同步。图生视频做不到双主体联动，这是它的硬伤。

总结三条定律：
有多个要素需要交互？选参考生。
只有一张图，想让静物动起来？选图生。
需要双角色甚至多角色互动？没得选，必须参考生。