SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 ist die vollständige Generierungsedition der Grok-Imagine-Videofamilie. Der Hersteller hebt Bewegung, physische Kontinuität sowie gemeinsam mit dem Bild erzeugte Geräuscheffekte, Atmosphäre und Sprache hervor. Text-to-Video und Image-to-Video rendern nativ in 1080p; 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 Austausch zwischen Figuren oder ein präzise inszenierter Übergang zwischen visuellen Ankern.

Beschreiben Sie bei Text-to-Video Motiv, Umgebung, Handlung, Kamerabewegung, Licht und Ton der Einstellung. Laut Hersteller erzeugt 1.5 intern ein Startbild und animiert es anschliessend; dieses Zwischenbild wird nicht zurückgegeben. Bei Image-to-Video wird ein bereitgestelltes Bild zum ersten Einzelbild, und der Prompt beschreibt den weiteren Verlauf. Bereiten Sie das Bild mit dem gewünschten Bildausschnitt und den sichtbaren Details vor. Der entstehende Image-to-Video-Clip übernimmt das Seitenverhältnis des Quellbildes, weshalb eine vertikale Ausgabe einen passenden Ausgangsbeschnitt benötigt.

Bei Reference-to-Video haben Bilder eine andere Aufgabe: Sie geben Personen, Objekte, Kleidung oder Orte vor, ohne automatisch das Eröffnungsbild festzulegen. Dokumentiert sind bis zu 14 Referenzbilder und eine Ausgabe von bis zu 15 Sekunden in 720p. Weisen Sie jedem Bild eine klare Rolle in der Szene zu und kennzeichnen Sie es über seine Position in der Referenzliste. In der Prompt-Syntax des Herstellers heisst die erste Referenz <IMAGE_0>, danach folgen <IMAGE_1> und so weiter. Wird zusätzlich ein Eröffnungsbild fixiert, erhält es den ersten Index; die separaten Referenzen beginnen mit dem nächsten. Diese Reihenfolge ist wichtig, wenn ein Briefing zwischen Person, Produkt und Umgebung unterscheidet.

Ein eigenes Referenzbriefing könnte eine Figur neben den auf einem Bild gezeigten Stuhl in den auf einem anderen Bild gezeigten Raum setzen, mit einer langsamen Annäherung an das Materialdetail des Stuhls. Halten Sie Motiv und zentrales Produkt in den Referenzen klar unterscheidbar. Der Hersteller empfiehlt, jeder Referenz eine Rolle und einen festen Platz zu geben, bei vielen Eingaben die Besetzung klein und Requisiten unbewegt zu halten. Prüfen Sie, ob Form und Kennzeichnungen des gewünschten Objekts in die Szene übernommen werden und ob die Kamera das angeforderte Detail zeigt.

Reference-to-Video kann ausserdem bis zu drei voreingestellte Stimmen zuweisen. Benennen Sie den vorgesehenen Sprecher und seine Stimme getrennt im Prompt, nutzen Sie die dokumentierten positionsbezogenen Stimmreferenzen und geben Sie den exakten Dialog an. Das Modell unterstützt lippensynchrone Sprache. Schreiben Sie für einen kurzen Austausch Sätze, die Raum für die Antwort lassen, und prüfen Sie im fertigen Clip sowohl die Sprecherzuordnung als auch die Mundbewegungen. Eine Stimmreferenz wählt die sprechende Identität; Kamera- und Szenenanweisungen müssen weiterhin erklären, wie die Figuren gezeigt werden.

Die Steuerungen für erstes und letztes Einzelbild verankern die Endpunkte einer Einstellung; bis zu vier Keyframes können Bilder zu Zwischenzeitpunkten fixieren. Der Keyframe-Leitfaden des Herstellers legt diese Zeitpunkte strikt innerhalb des Clips auf ein Raster von einer Drittelsekunde; zwei Anker, die auf denselben Zeitschlitz fallen, werden abgelehnt. Bereiten Sie Anker aus derselben Szene vor und beschreiben Sie die Bewegung dazwischen. Bei einer Produktenthüllung könnte das Eröffnungsbild eine geschlossene Präsentationsbox und das letzte Bild das enthüllte Objekt zeigen. Für eine Schleife kann dasselbe Bild als erstes und letztes Einzelbild dienen. Sehen und hören Sie sich den gesamten Übergang an, statt nur die fixierten Bilder zu beurteilen.

Gewöhnliches Text-to-Video und Image-to-Video unterstützen Clips von 1–15 Sekunden sowie 480p, 720p oder natives 1080p. Reference-to-Video ist auf 720p begrenzt. Textbasierte Bildformate 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 zu Handlung und Einsatzzweck. Der Hersteller erzeugt standardmässig Ton und dokumentiert eine Option für stumme Videos. Ein Briefing kann den gesprochenen Satz, nahe Geräusche und entfernte Atmosphäre bestimmen, damit der Ton zur gleichen Szene beiträgt, statt einen unbestimmten Hintergrund zu bilden.

Der dokumentierte Generierungsablauf ist asynchron: Zunächst wird eine Anfragekennung zurückgegeben, danach ein abgeschlossenes Ergebnis mit Speicherort und Dauer des Clips. Das Beispielergebnis verweist auf ein MP4-Video; dessen gehosteter Ausgabespeicherort besteht nur vorübergehend. Bewahren Sie den fertigen Clip und das Eingabebriefing für den Schnitt auf. Prüfen Sie Kontinuität, Objektbeständigkeit, Bewegung, Bildausschnitt und Ton anhand der geplanten Einstellung. Ein Zwischenstatus hilft bei der Auftragsverfolgung; das zu prüfende Ergebnis ist das abspielbare Video.

Versionsunterschiede beeinflussen die Planung. Lite übernimmt unkomplizierte Textgenerierung oder Animation eines einzelnen Bildes; seine 1080p-Option wird von 720p hochskaliert. Die Vollversion 1.5 ergänzt Referenzbilder, voreingestellte Stimmen und fixierte Einzelbilder. Die klassische Edition Grok Imagine Video bietet Bearbeitung und Verlängerung vorhandener Videos. Die separaten Geschwindigkeitsangaben zu Video 1.5 Fast beziehen sich auf diese benannte Variante und bestimmen daher keine feste Fertigstellungszeit für dieses Modell. Inszenieren Sie für längere Sequenzen zusammenhängende kurze Einstellungen und prüfen Sie beim Zusammenstellen der Clips Figuren-, Produkt- und Tonkontinuität.