SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 er den fulde genereringsudgave af Grok Imagine-videofamilien. Producenten lægger vægt på bevægelse, fysisk kontinuitet og lydeffekter, atmosfære og tale genereret sammen med billedet. Tekst-til-video og billede-til-video renderer direkte i 1080p, mens referencestyret generering giver større kontrol over, hvem eller hvad der optræder i en scene. Det nyttige resultat er en kort video med tilhørende lyd, for eksempel en produktpræsentation, en samtale mellem figurer eller en præcist iscenesat overgang mellem visuelle ankre.

Til tekst-til-video skal du beskrive indstillingens motiv, omgivelser, handling, kamerabevægelse, lys og lyd. Producenten forklarer, at 1.5 internt genererer et startbillede og derefter animerer det; det mellemliggende stillbillede returneres ikke. Til billede-til-video bliver et leveret billede det første billede, og prompten beskriver, hvad der sker derefter. Forbered billedet med den ønskede indramning og de synlige detaljer allerede til stede. Det resulterende billede-til-video-klip følger kildebilledets format, så en lodret leverance kræver en passende startbeskæring.

Reference-til-video giver billeder en anden rolle: de styrer personer, objekter, tøj eller steder uden automatisk at fastlægge åbningsbilledet. Den dokumenterede grænse er op til 14 referencebilleder med output på op til 15 sekunder ved 720p. Giv hvert billede en tydelig rolle i scenen, og identificer det ved dets position i referencelisten. I producentens promptsyntaks er den første reference <IMAGE_0>, efterfulgt af <IMAGE_1> og så videre. Når et åbningsbillede også er fastlagt, tager det det første indeks, og de særskilte referencer starter med det næste. Denne rækkefølge er vigtig, når en brief skelner mellem en person, et produkt og et miljø.

En oprindelig referencebrief kan placere en figur ved siden af stolen leveret i ét billede inde i rummet leveret i et andet med en langsom bevægelse mod en detalje i stolens materiale. Hold motiv og hovedprodukt lette at skelne i referencerne. Producenten anbefaler at give hver reference én rolle og en fast plads, holde persongalleriet lille og rekvisitter statiske ved mange input. Gennemgå, om det tilsigtede objekts form og markeringer videreføres til scenen, og om kameraet viser den detalje, briefen anmoder om.

Reference-til-video kan også tildele op til tre forudindstillede stemmer. Identificer den ønskede taler og dens stemme særskilt i prompten med de dokumenterede positionsbestemte stemmereferencer, og lever den præcise dialog, taleren skal sige. Modellen understøtter læbesynkroniseret tale. Til en kort udveksling skal replikkerne give plads til svaret, og både talertildeling og mundbevægelse skal undersøges i det resulterende klip. En stemmereference vælger taleridentiteten; kamera- og sceneinstruktionerne skal stadig beskrive, hvordan figurerne vises.

Kontrollerne for første og sidste billede forankrer indstillingens endepunkter, og op til fire nøglebilleder kan fastlægge billeder på mellemliggende tidspunkter. Producentens nøglebilledvejledning placerer disse tider strengt inde i klippet på et gitter med en tredjedel sekund mellem punkterne; to ankre, der ender i samme tidsfelt, afvises. Forbered ankre, der hører til samme scene, og beskriv bevægelsen imellem dem. Til en produktafsløring kan begyndelsen vise den lukkede udstilling og det sidste billede den afslørede genstand. Til en løkke kan samme billede bruges som første og sidste billede. Lyt og se gennem overgangen frem for kun at vurdere de fastlagte billeder.

Almindelig tekst-til-video og billede-til-video understøtter klip på 1–15 sekunder og output ved 480p, 720p eller direkte 1080p. Reference-til-video er begrænset til 720p. Tekstbaseret indramning omfatter 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 og 5:2. Vælg varighed og form efter handling og destination. Producenten genererer lyd som standard og dokumenterer en mulighed for lydløs video. En brief kan angive replik, nære effekter og fjern atmosfære, så lyden bidrager til den samme scene frem for at blive en uspecificeret baggrund.

Den dokumenterede genereringsarbejdsgang er asynkron: den returnerer en anmodningsidentifikator og derefter et færdigt resultat med klipplacering og varighed. Eksempelresultatet peger på en MP4-video, og den hostede outputplacering er midlertidig. Gem det færdige klip og inputbriefen, når du forbereder en redigering. Kontrollér, at objekterne forbliver til stede, og gennemgå kontinuitet, bevægelse, indramning og lyd i forhold til den tilsigtede indstilling. En mellemliggende behandlingspost er nyttig til at spore arbejdet, mens den afspillelige video er artefaktet, der skal gennemgås.

Versionsforskelle påvirker planen. Lite håndterer ligetil tekst eller animation fra ét billede med 1080p-muligheden opskaleret fra 720p. Fuld 1.5 tilføjer referencebilleder, forudindstillede stemmer og fastlagte billeder. Den klassiske Grok Imagine Video-udgave tilbyder redigering og forlængelse af eksisterende videoer. Udgivelsens særskilte hastighedstal for Video 1.5 Fast vedrører den navngivne variant og definerer derfor ikke en fast færdiggørelsestid for denne model. Til en længere sekvens skal du iscenesætte sammenhængende korte indstillinger og gennemgå figur-, produkt- og lydkontinuitet, når klippene sættes sammen.