SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 ist die vollständige Generierungsversion der Grok-Imagine-Videofamilie. Der Hersteller betont Bewegung, physische Kontinuität sowie gemeinsam mit dem Bild erzeugte Klangeffekte, Atmosphäre und Sprachausgabe. Text-zu-Video und Bild-zu-Video rendern nativ mit 1080p; referenzgestützte Generierung bietet mehr Kontrolle darüber, wer oder was in einer Szene erscheint. Das nützliche Ergebnis ist ein kurzes Video mit seinem Audio, etwa eine Produktpräsentation, ein Figurendialog oder ein präzise inszenierter Übergang zwischen visuellen Ankern.

Beschreiben Sie für Text-zu-Video Motiv, Umgebung, Handlung, Kamerabewegung, Beleuchtung und Ton der Einstellung. Der Hersteller erklärt, dass 1.5 intern ein Anfangsbild erzeugt und es anschließend animiert; das Zwischenstandbild wird nicht zurückgegeben. Bei Bild-zu-Video wird ein bereitgestelltes Bild zum ersten Videobild, und der Prompt beschreibt das folgende Geschehen. Bereiten Sie dieses Bild mit dem gewünschten Bildausschnitt und bereits sichtbaren Details vor. Der entstehende Bild-zu-Video-Clip folgt dem Seitenverhältnis des Quellbildes; eine vertikale Ausgabe benötigt deshalb einen passenden Anfangsbeschnitt.

Referenz-zu-Video gibt Bildern eine andere Rolle: Sie steuern Personen, Gegenstände, Kleidung oder Orte, ohne automatisch das Anfangsbild festzulegen. Die dokumentierte Grenze beträgt bis zu 14 Referenzbilder, mit bis zu 15 Sekunden Ausgabe bei 720p. Weisen Sie jedem Bild eine klare Rolle in der Szene zu und identifizieren Sie es anhand seiner Position in der Referenzliste. In der Promptsyntax des Herstellers ist die erste Referenz <IMAGE_0>, gefolgt von <IMAGE_1> und so weiter. Wenn auch ein Anfangsbild festgelegt wird, belegt es den ersten Index; die separaten Referenzen beginnen beim nächsten. Diese Reihenfolge ist wichtig, wenn ein Briefing Person, Produkt und Umgebung unterscheidet.

Ein eigenes Referenzbriefing könnte eine Figur neben dem Stuhl aus einem Bild im Raum aus einem anderen Bild platzieren, mit langsamer Annäherung an das Materialdetail des Stuhls. Halten Sie Motiv und Hauptprodukt in den Referenzen leicht unterscheidbar. Der Hersteller empfiehlt, jeder Referenz eine Rolle und einen festen Platz zu geben, die Besetzung klein und Requisiten bei vielen Eingaben statisch zu halten. Prüfen Sie, ob Form und Markierungen des vorgesehenen Objekts in die Szene übernommen werden und ob die Kamera das im Briefing verlangte Detail zeigt.

Referenz-zu-Video kann außerdem bis zu drei voreingestellte Stimmen zuweisen. Identifizieren Sie vorgesehenen Sprecher und Stimme separat im Prompt mit den dokumentierten positionsbezogenen Stimmreferenzen und geben Sie den genauen Dialogwortlaut an. Das Modell unterstützt lippensynchrone Sprachausgabe. Schreiben Sie für einen kurzen Austausch Zeilen, die Raum für die Antwort lassen, und prüfen Sie im entstehenden Clip sowohl Sprecherzuordnung als auch Mundbewegung. Eine Stimmreferenz wählt die Sprecheridentität; Kamera- und Szenenregie müssen weiterhin beschreiben, wie die Figuren gezeigt werden.

Die Anfangs- und Endbildsteuerung verankert die Endpunkte einer Einstellung; bis zu vier Keyframes können Bilder zu Zwischenzeitpunkten festlegen. Der Keyframe-Leitfaden des Herstellers platziert diese Zeiten strikt innerhalb des Clips auf einem Raster mit Drittelsekundenabständen; zwei Anker, die auf dieselbe Rasterposition fallen, werden abgelehnt. Bereiten Sie Anker vor, die zur selben Szene gehören, und beschreiben Sie die Bewegung dazwischen. Für eine Produktenthüllung könnte der Anfang die geschlossene Präsentation zeigen und das Endbild das enthüllte Objekt. Für eine Schleife kann dasselbe Bild als Anfangs- und Endbild dienen. Hören und sehen Sie den Übergang durch, statt nur die festgelegten Bilder zu beurteilen.

Gewöhnliches Text- und Bild-zu-Video unterstützen Clips von 1–15 Sekunden und 480p-, 720p- oder native 1080p-Ausgabe. Referenz-zu-Video ist auf 720p begrenzt. Textgesteuerte 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 Form passend zu Handlung und Ziel. Der Hersteller erzeugt standardmäßig Audio und dokumentiert eine Option für stumme Videos. Ein Briefing kann gesprochene Zeile, nahe Effekte und entfernte Umgebungsgeräusche festlegen, damit Ton zu derselben Szene beiträgt, statt ein unbestimmter Hintergrund zu werden.

Der dokumentierte Generierungsablauf ist asynchron: Er liefert eine Anfragekennung und anschließend ein fertiges Ergebnis mit Clipadresse und Dauer. Das Beispielergebnis verweist auf ein MP4-Video; seine gehostete Ausgabeadresse ist vorübergehend. Bewahren Sie bei der Schnittvorbereitung den fertigen Clip und das Eingabebriefing auf. Prüfen Sie Kontinuität, das Erhaltenbleiben von Objekten, Bewegung, Bildausschnitt und Ton anhand der vorgesehenen Einstellung. Ein Zwischenstand der Verarbeitung ist zur Arbeitsverfolgung nützlich; das abspielbare Video ist das zu prüfende Ergebnis.

Versionsunterschiede beeinflussen die Planung. Lite übernimmt einfache Text- oder Einzelbildanimation mit einer aus 720p hochskalierten 1080p-Option. Vollständiges 1.5 ergänzt Referenzbilder, voreingestellte Stimmen und festgelegte Bilder. Die klassische Grok-Imagine-Video-Version bietet Bearbeitung und Erweiterung vorhandener Videos. Die separaten Geschwindigkeitsangaben zur Veröffentlichung von Video 1.5 Fast betreffen diese benannte Variante und definieren deshalb keine feste Fertigstellungszeit für dieses Modell. Inszenieren Sie für eine längere Abfolge zusammenhängende kurze Einstellungen und prüfen Sie beim Zusammenstellen der Clips Figuren-, Produkt- und Klangkontinuität.