相对其它优秀的视频生成平台，Vidu可能没法说自己是最牛的。 但是Vidu有一个非常惊艳的功能，就是主体参考。它的多参功能指的不仅仅是主体，还有基于图片中的状态、动作、相对位置等，都可以形成参考。 目前主流AIGC平台的视频生成长度都不超过10秒钟，包括Vidu也是，暂时只支持生成5秒的视频片段。 但为什么，基于Vidu可以生成长视频，还相对丝滑。这就不得不提一个话题：长视频中的主体一致性。实际上，如果想用AI生成多个镜头的长视频，所有人都会遇到AI视频生成的最大瓶颈之一—— 主角形象在动态视频中频繁“换脸”或“变形”的问题。 Vidu Q1解决一致性问题的核心思想，可以归结为一个极具前瞻性的概念：“原子化创作”。这个理念的本质，是将一个复杂的、动态的视频场景，解构成最基本、最核心的、不可再分的“原子”单元。根据Vidu Q1的设定，这些原子被定义为“人、景、物”三大原色。 传统视频生成模型的问题在于，它试图将“人、景、物”这三者作为一个高度耦合的整体来学习和生成。当指令要求“一个穿着红裙子的女孩在森林里奔跑”时，模型内部的表征是将“红裙女孩”、“森林”和“奔跑”这三个概念混乱地纠缠在一起。因此，当需要将场景从“森林”变为“城市”时，模型很可能会因为这种纠缠而无法保持“红裙女孩”的身份特征，导致角色崩坏。 而Vidu Q1的“原子化”逻辑，则是先将这三者进行“解耦”。它通过“主体参照”功能，让用户先定义好那个不变的“人”原子。 第一步：定义“人”原子。 用户通过上传一张或多张角色的清晰图片，为模型提供一个明确的、高保真的身份参照。这相当于告诉模型：“记住这个人的样子，这是我们后续所有创作中绝对不能改变的核心。” 第二步：组合“景”与“物”。 在“人”原子被锁定的前提下，用户可以通过文本指令（Prompt）来自由地定义“景”和“物”。例如，你可以指令这个被锁定的角色“在赛博朋克都市的雨夜中行走”，或者“在海滩上快乐地跳跃”。 第三步：智能融合生成。 模型接收到这些被解耦的指令后，其任务不再是凭空想象一个全新的场景，而是将已经固定的“人”原子，与用户新定义的“景”和“物”原子进行智能地融合。它会计算角色在新的环境光照下的渲染、根据新的动作指令来驱动角色的骨骼和表情，但始终会参照第一步中定义的身份信息，确保其核心特征不发生偏移。 从基于单个主体的多视角生成参考图，到支持最多7个主体输入，最终构成了Vidu Q1的杀手级特性。 这意味着AI视频创作正式从“独角戏”时代迈向了“群像剧”时代。创作者可以为一部短片定义好主角、配角、甚至是一些关键的道具主体，并在同一个画面中让他们进行互动，同时保证每一个主体都维持自身的外观。这对于制作故事短片、广告、乃至动画剧集，都具有不可估量的价值。