SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 est l’édition complète de génération de la famille vidéo Grok Imagine. Le producteur met l’accent sur le mouvement, la continuité physique et les effets sonores, l’ambiance et la parole générés avec l’image. La génération de vidéo à partir de texte ou d’une image s’effectue nativement en 1080p, tandis que la génération guidée par des références offre davantage de contrôle sur les personnes ou les objets présents dans une scène. Le résultat utile est une courte vidéo avec son audio, par exemple une présentation de produit, un échange entre personnages ou une transition mise en scène avec précision entre des repères visuels.

Pour la génération de vidéo à partir de texte, décrivez le sujet du plan, le décor, l’action, le mouvement de caméra, l’éclairage et le son. Le producteur explique que la version 1.5 génère une image de départ en interne, puis l’anime ; cette image fixe intermédiaire n’est pas renvoyée. Pour la génération à partir d’une image, celle fournie devient la première image du clip et le prompt décrit la suite. Préparez-la avec le cadrage souhaité et les détails visibles déjà présents. Le clip issu de cette image suit son rapport largeur/hauteur : une livraison verticale nécessite donc un recadrage initial adapté.

La génération de vidéo à partir de références donne un autre rôle aux images : elles guident les personnes, objets, vêtements ou lieux sans fixer automatiquement l’image d’ouverture. La limite documentée est de 14 images de référence, avec une sortie de 15 secondes au maximum en 720p. Attribuez à chaque image un rôle clair dans la scène et identifiez-la par sa position dans la liste de références. Dans la syntaxe de prompt du producteur, la première référence est <IMAGE_0>, suivie de <IMAGE_1>, et ainsi de suite. Lorsqu’une image d’ouverture est également imposée, elle prend le premier indice et les références distinctes commencent à l’indice suivant. Cet ordre compte lorsqu’un brief distingue une personne, un produit et un décor.

Un brief de références peut placer un personnage à côté de la chaise fournie dans une image, dans la pièce fournie dans une autre, avec un lent rapprochement vers un détail du matériau de la chaise. Faites en sorte que le sujet et le produit principal soient faciles à distinguer dans les références. Le producteur conseille de donner à chaque référence un rôle et une place fixes, de limiter le nombre de personnages et de garder les accessoires immobiles lorsque de nombreux éléments sont fournis. Vérifiez que la forme et les inscriptions de l’objet prévu se retrouvent dans la scène, ainsi que la manière dont la caméra révèle le détail demandé dans le brief.

La génération à partir de références peut aussi attribuer jusqu’à trois voix prédéfinies. Identifiez séparément le personnage qui parle et sa voix dans le prompt, à l’aide des références vocales positionnelles documentées, et fournissez le dialogue exact qu’il doit prononcer. Le modèle prend en charge la parole avec synchronisation labiale. Pour un bref échange, écrivez des répliques qui laissent de la place à la réponse et vérifiez à la fois l’attribution des voix et les mouvements de bouche dans le clip obtenu. Une référence vocale choisit l’identité de la voix ; les consignes de caméra et de scène doivent toujours décrire comment les personnages sont montrés.

Les contrôles de première et de dernière image fixent les extrémités d’un plan, et jusqu’à quatre images clés peuvent imposer des images à des moments intermédiaires. Le guide du producteur place ces instants strictement à l’intérieur du clip, sur une grille d’un tiers de seconde ; deux repères qui aboutissent au même créneau temporel sont rejetés. Préparez des repères qui appartiennent à la même scène et décrivez le mouvement entre eux. Pour révéler un produit, l’ouverture peut montrer le présentoir fermé et l’image finale l’objet dévoilé. Pour une boucle, la même image peut servir de première et de dernière image. Écoutez et regardez toute la transition au lieu de juger uniquement les images imposées.

La génération habituelle à partir de texte ou d’une image prend en charge des clips de 1 à 15 secondes et des sorties 480p, 720p ou 1080p natives. La génération à partir de références est limitée à la 720p. Les cadrages à partir de texte comprennent 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 et 5:2. Choisissez la durée et le format en fonction de l’action et de l’usage prévu. Le producteur génère du son par défaut et documente une option de vidéo muette. Un brief peut préciser la réplique, les effets proches et l’ambiance lointaine afin que le son contribue à la même scène au lieu de devenir un fond indéfini.

Le processus de génération documenté est asynchrone : il renvoie un identifiant de requête, puis un résultat terminé contenant l’adresse du clip et sa durée. L’exemple de résultat pointe vers une vidéo MP4, dont l’adresse hébergée est temporaire. Conservez le clip terminé et le brief d’entrée lorsque vous préparez un montage. Vérifiez la continuité, la persistance des objets, le mouvement, le cadrage et le son par rapport au plan prévu. Un enregistrement intermédiaire de traitement sert à suivre le travail, tandis que la vidéo lisible constitue le livrable à examiner.

Les différences entre versions influencent la préparation. Lite gère les animations simples à partir de texte ou d’une seule image, avec une option 1080p obtenue par agrandissement de la 720p. La version 1.5 complète ajoute les images de référence, les voix prédéfinies et les images imposées. L’édition classique de Grok Imagine Video fournit la modification et le prolongement des vidéos existantes. Les chiffres de vitesse publiés séparément pour Video 1.5 Fast concernent cette variante nommée et ne définissent donc pas de délai fixe d’achèvement pour ce modèle. Pour une séquence plus longue, préparez de courts plans cohérents et vérifiez la continuité des personnages, des produits et du son lorsque vous assemblez les clips.