SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 ist die vollständige Generierungsvariante der Grok-Imagine-Videofamilie. Der Hersteller betont Bewegung, physikalische Kontinuität sowie zusammen mit dem Bild generierte Geräusche, Atmosphäre und Sprache. Text-zu-Video und Bild-zu-Video werden in nativem 1080p gerendert; referenzgestützte Generierung bietet mehr Kontrolle darüber, wer oder was in einer Szene erscheint. Das nutzbare Ergebnis ist ein kurzes Video mit Ton, etwa eine Produktpräsentation, ein Dialog zwischen Figuren oder ein genau inszenierter Übergang zwischen visuellen Ankerpunkten.

Beschreiben Sie für Text-zu-Video Motiv, Umgebung, Handlung, Kamerabewegung, Licht und Ton. Laut Hersteller erzeugt 1.5 intern ein Ausgangsbild und animiert es anschließend; das Zwischenbild wird nicht zurückgegeben. Bei Bild-zu-Video bildet ein bereitgestelltes Bild den ersten Frame, während der Prompt den weiteren Ablauf beschreibt. Bereiten Sie das Bild mit dem gewünschten Ausschnitt und den benötigten sichtbaren Details vor. Der daraus entstehende Clip übernimmt das Seitenverhältnis des Ausgangsbildes; für eine vertikale Ausgabe braucht es daher einen passenden Zuschnitt.

Referenz-zu-Video weist Bildern eine andere Rolle zu: Sie geben Personen, Gegenstände, Kleidung oder Orte vor, ohne automatisch das Anfangsbild festzulegen. Dokumentiert sind bis zu 14 Referenzbilder und Ausgaben von bis zu 15 Sekunden in 720p. Weisen Sie jedem Bild eine klare Rolle in der Szene zu und benennen Sie es anhand seiner Position in der Referenzliste. In der Prompt-Syntax des Herstellers heißt die erste Referenz <IMAGE_0>, gefolgt von <IMAGE_1> und so weiter. Wird auch ein Anfangsbild fixiert, erhält es den ersten Index; die separaten Referenzen beginnen mit dem nächsten. Diese Reihenfolge ist relevant, wenn das Briefing eine Person, ein Produkt und eine Umgebung unterscheidet.

Ein eigenes Referenzbriefing könnte eine Figur neben dem Stuhl aus einem Bild im Raum aus einem anderen Bild platzieren und eine langsame Kamerafahrt auf das Materialdetail des Stuhls verlangen. Motiv und wichtiges Produkt sollten in den Referenzen klar unterscheidbar sein. Bei vielen Eingaben empfiehlt der Hersteller eine Rolle und einen festen Platz je Referenz, eine kleine Besetzung und unbewegte Requisiten. Prüfen Sie, ob Form und Kennzeichnungen des gewünschten Gegenstands in die Szene übernommen werden und ob die Kamera das verlangte Detail sichtbar macht.

Referenz-zu-Video kann außerdem bis zu drei vorgegebene Stimmen zuweisen. Benennen Sie Sprecher und Stimme im Prompt getrennt anhand der dokumentierten positionsbezogenen Stimmreferenzen und geben Sie den genauen Dialog vor. Das Modell unterstützt lippensynchrone Sprache. Schreiben Sie für einen kurzen Austausch Sätze, die Zeit für die Antwort lassen, und prüfen Sie im Clip sowohl die Sprecherzuordnung als auch die Mundbewegung. Eine Stimmreferenz wählt die stimmliche Identität; Kamera- und Szenenanweisungen müssen weiterhin erklären, wie die Figuren gezeigt werden.

Anfangs- und Endbildsteuerungen verankern die Endpunkte einer Einstellung; bis zu vier Keyframes können Bilder an Zwischenzeitpunkten fixieren. Laut Keyframe-Leitfaden müssen diese Zeitpunkte strikt innerhalb des Clips auf einem Raster von einer Drittelsekunde liegen; zwei Anker, die auf denselben Zeitschritt fallen, werden abgewiesen. Bereiten Sie Anker derselben Szene vor und beschreiben Sie die Bewegung dazwischen. Bei einer Produktenthüllung kann das Anfangsbild eine geschlossene Präsentationsbox und das Endbild den enthüllten Gegenstand zeigen. Für eine Schleife kann dasselbe Bild als Anfang und Ende dienen. Sehen und hören Sie den gesamten Übergang, statt nur die fixierten Bilder zu beurteilen.

Normales Text- und Bild-zu-Video unterstützt Clips von 1–15 Sekunden und Ausgaben in 480p, 720p oder nativem 1080p. Referenz-zu-Video ist auf 720p begrenzt. Textgestützte Formate umfassen 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 und 5:2. Wählen Sie Dauer und Format passend zur Handlung und zum Einsatzort. Der Hersteller generiert standardmäßig Ton und dokumentiert auch eine Option für stumme Videos. Das Briefing kann den gesprochenen Satz, nahe Geräusche und entfernte Atmosphäre vorgeben, damit der Ton zur gleichen Szene beiträgt, statt ein unbestimmter Hintergrund zu bleiben.

Der dokumentierte Generierungsablauf ist asynchron: Er liefert zunächst eine Anfragekennung und später ein abgeschlossenes Ergebnis mit Clipadresse und Dauer. Das Beispiel verweist auf ein MP4-Video; die bereitgestellte Ausgabeadresse ist nur vorübergehend gültig. Sichern Sie den fertigen Clip und das Eingabebriefing für den Schnitt. Prüfen Sie Kontinuität, Fortbestand von Gegenständen, Bewegung, Bildausschnitt und Ton anhand der vorgesehenen Einstellung. Ein Zwischenstand der Verarbeitung hilft bei der Auftragsverfolgung; das zu prüfende Ergebnis ist das abspielbare Video.

Versionsunterschiede beeinflussen die Planung. Lite verarbeitet unkomplizierte Textprompts oder die Animation eines einzelnen Bildes; seine 1080p-Option wird von 720p hochskaliert. Die Vollversion 1.5 ergänzt Referenzbilder, vorgegebene Stimmen und fixierte Frames. Die klassische Variante Grok Imagine Video bietet Bearbeitung und Verlängerung vorhandener Videos. Die gesonderten Geschwindigkeitsangaben der Veröffentlichung zu Video 1.5 Fast beziehen sich auf diese benannte Variante und legen daher keine feste Fertigstellungszeit für dieses Modell fest. Inszenieren Sie längere Sequenzen als zusammenhängende kurze Einstellungen und prüfen Sie beim Zusammenstellen die Kontinuität von Figuren, Produkten und Ton.