SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 es la edición completa de generación de la familia de vídeo Grok Imagine. El fabricante destaca el movimiento, la continuidad física y los efectos sonoros, el ambiente y la voz generados junto con la imagen. Texto a vídeo e imagen a vídeo se generan a 1080p nativos, mientras que la generación guiada por referencias aporta más control sobre quién o qué aparece en una escena. El resultado útil es un vídeo corto con su audio, como una presentación de producto, un intercambio entre personajes o una transición escenificada con precisión entre referencias visuales fijadas.

Para texto a vídeo, describa el sujeto del plano, el escenario, la acción, el movimiento de cámara, la iluminación y el sonido. El fabricante explica que 1.5 genera internamente una imagen inicial y después la anima; la imagen intermedia no se devuelve. Para imagen a vídeo, una imagen proporcionada se convierte en el primer fotograma y la instrucción describe lo que ocurre después. Prepare esa imagen con el encuadre deseado y los detalles visibles ya presentes. El clip resultante de imagen a vídeo sigue la relación de aspecto de la imagen de origen, por lo que una entrega vertical necesita un recorte inicial adecuado.

Referencia a vídeo asigna a las imágenes una función distinta: orientan personas, objetos, ropa o localizaciones sin fijar automáticamente el fotograma inicial. El límite documentado es de hasta 14 imágenes de referencia, con salida de hasta 15 segundos a 720p. Asigne a cada imagen una función clara en la escena e identifíquela por su posición en la lista de referencias. En la sintaxis de instrucciones del fabricante, la primera referencia es <IMAGE_0>, seguida de <IMAGE_1> y así sucesivamente. Cuando también se fija una imagen inicial, esta ocupa el primer índice y las referencias independientes comienzan en el siguiente. Este orden importa cuando el encargo distingue una persona, un producto y un escenario.

Un encargo original con referencias podría situar a un personaje junto a la silla de una imagen, dentro de la habitación de otra, con un acercamiento lento al detalle del material de la silla. Mantenga fáciles de distinguir el sujeto y el producto principal en las referencias. El fabricante aconseja asignar a cada referencia una función y una posición fijas, limitar el reparto y mantener estáticos los objetos cuando se utilizan muchas entradas. Revise si la forma y las marcas del objeto previsto se trasladan a la escena, además de si la cámara revela el detalle solicitado en el encargo.

Referencia a vídeo también puede asignar hasta tres voces predefinidas. Identifique por separado en la instrucción al hablante previsto y su voz, utilizando las referencias posicionales de voz documentadas, y proporcione el diálogo exacto que debe decir. El modelo admite voz con sincronización labial. Para un intercambio breve, escriba frases que dejen espacio para la respuesta y examine tanto la atribución del hablante como el movimiento de la boca en el clip resultante. Una referencia de voz selecciona la identidad hablada; las indicaciones de cámara y escena deben seguir describiendo cómo se muestran los personajes.

Los controles de primer y último fotograma fijan los extremos de un plano, y hasta cuatro fotogramas clave pueden fijar imágenes en momentos intermedios. La guía de fotogramas clave del fabricante sitúa esos tiempos estrictamente dentro del clip en una cuadrícula de un tercio de segundo; se rechazan dos anclajes que correspondan a la misma posición temporal. Prepare anclajes que pertenezcan a la misma escena y describa el movimiento entre ellos. Para revelar un producto, el comienzo podría mostrar el expositor cerrado y el fotograma final el objeto descubierto. Para un bucle, la misma imagen puede servir como primer y último fotograma. Escuche y observe toda la transición, en lugar de juzgar solo las imágenes fijadas.

La conversión habitual de texto e imagen a vídeo admite clips de 1–15 segundos y salida de 480p, 720p o 1080p nativos. Referencia a vídeo está limitada a 720p. El encuadre basado en texto incluye 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 y 5:2. Elija la duración y la forma según la acción y el destino. El fabricante genera audio de forma predeterminada y documenta una opción de vídeo silencioso. Un encargo puede especificar la frase hablada, efectos cercanos y ambiente lejano para que el sonido contribuya a la misma escena en lugar de convertirse en un fondo sin especificar.

El flujo documentado de generación es asíncrono: devuelve un identificador de solicitud y después un resultado completado con la ubicación del clip y su duración. El ejemplo de resultado apunta a un vídeo MP4 y su ubicación de salida alojada es temporal. Conserve el clip completado y el encargo de entrada al preparar una edición. Compruebe la continuidad, la persistencia de objetos, el movimiento, el encuadre y el sonido frente al plano previsto. Un registro intermedio de procesamiento es útil para seguir el trabajo, mientras que el vídeo reproducible es el recurso que debe revisarse.

Las diferencias de versión afectan al plan. Lite gestiona animación sencilla a partir de texto o una sola imagen, con su opción de 1080p ampliada desde 720p. La versión completa 1.5 añade imágenes de referencia, voces predefinidas y fotogramas fijados. La edición clásica Grok Imagine Video permite editar y ampliar vídeos existentes. Las cifras de velocidad de la variante independiente Video 1.5 Fast corresponden a esa variante con nombre propio, por lo que no definen un tiempo fijo de finalización para este modelo. Para una secuencia más larga, prepare planos cortos coherentes y revise la continuidad de personajes, productos y sonido al disponer juntos los clips.