SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 adalah edisi generasi penuh dari keluarga video Grok Imagine. Produsen menekankan gerak, kesinambungan fisik, serta efek bunyi, suasana, dan ucapan yang dihasilkan bersama gambar. Teks ke video dan gambar ke video dirender pada 1080p bawaan, sedangkan generasi berpanduan referensi memberikan kendali lebih besar atas siapa atau apa yang muncul dalam adegan. Hasil yang berguna adalah video pendek beserta audionya, seperti presentasi produk, percakapan karakter, atau transisi yang ditata secara presisi antara acuan visual.

Untuk teks ke video, jelaskan subjek, latar, tindakan, gerak kamera, pencahayaan, dan bunyi shot. Produsen menjelaskan bahwa 1.5 menghasilkan gambar awal secara internal lalu menganimasikannya; gambar diam antara tidak dikembalikan. Untuk gambar ke video, gambar yang diberikan menjadi bingkai pertama dan prompt menjelaskan apa yang terjadi berikutnya. Siapkan gambar itu dengan pembingkaian serta detail visual yang sudah sesuai. Klip gambar ke video yang dihasilkan mengikuti rasio aspek gambar sumber, sehingga keluaran vertikal memerlukan pemangkasan awal yang sesuai.

Referensi ke video memberi gambar peran berbeda: gambar memandu orang, objek, pakaian, atau lokasi tanpa otomatis menetapkan bingkai pembuka. Batas yang didokumentasikan adalah hingga 14 gambar referensi, dengan keluaran hingga 15 detik pada 720p. Tetapkan peran yang jelas pada setiap gambar dalam adegan dan identifikasi berdasarkan posisinya dalam daftar referensi. Dalam sintaks prompt produsen, referensi pertama adalah <IMAGE_0>, disusul <IMAGE_1>, dan seterusnya. Ketika gambar pembuka juga ditetapkan, gambar itu mengambil indeks pertama dan referensi terpisah dimulai dari indeks berikutnya. Urutan ini penting ketika arahan membedakan orang, produk, dan latar.

Arahan referensi orisinal dapat menempatkan karakter di samping kursi dari satu gambar, di dalam ruangan dari gambar lain, dengan gerak perlahan menuju detail material kursi. Pastikan subjek dan produk utama mudah dibedakan dalam referensi. Pembuatnya menyarankan memberi setiap referensi satu peran dan tempat tetap, menjaga jumlah pemeran kecil, serta properti diam ketika menggunakan banyak masukan. Tinjau apakah bentuk dan penandaan objek yang dimaksud terbawa ke adegan, serta apakah kamera mengungkap detail yang diminta dalam arahan.

Referensi ke video juga dapat menetapkan hingga tiga suara prasetel. Identifikasi penutur yang dimaksud dan suaranya secara terpisah dalam prompt, menggunakan referensi suara berdasarkan posisi yang didokumentasikan, lalu berikan dialog persis yang harus diucapkan penutur. Model mendukung ucapan tersinkron dengan bibir. Untuk percakapan singkat, tulis kalimat yang menyisakan ruang bagi balasan dan periksa atribusi penutur maupun gerak mulut pada klip hasilnya. Referensi suara memilih identitas bicara; arahan kamera dan adegan tetap perlu menjelaskan bagaimana karakter ditampilkan.

Kendali bingkai pertama dan terakhir menambatkan titik awal serta akhir shot, dan hingga empat bingkai kunci dapat menetapkan gambar pada waktu antara. Panduan bingkai kunci pembuatnya menempatkan waktu tersebut secara ketat di dalam klip pada kisi sepertiga detik; dua acuan yang jatuh pada slot waktu yang sama ditolak. Siapkan acuan yang termasuk adegan yang sama dan jelaskan gerak di antaranya. Untuk pengungkapan produk, pembukaan dapat menampilkan pajangan tertutup dan bingkai akhir objek yang terungkap. Untuk loop, gambar yang sama dapat menjadi bingkai pertama serta terakhir. Dengarkan dan tonton sepanjang transisi, alih-alih hanya menilai gambar yang ditetapkan.

Teks ke video dan gambar ke video biasa mendukung klip 1–15 detik serta keluaran 480p, 720p, atau 1080p bawaan. Referensi ke video terbatas pada 720p. Pembingkaian berbasis teks mencakup 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9, dan 5:2. Pilih durasi serta bentuk sesuai tindakan dan tujuan. Pembuatnya menghasilkan audio secara bawaan dan mendokumentasikan pilihan video senyap. Arahan dapat menentukan kalimat lisan, efek di dekat subjek, dan suasana jauh agar bunyi berkontribusi pada adegan yang sama, bukan menjadi latar yang tidak ditentukan.

Alur generasi yang didokumentasikan bersifat asinkron: alur mengembalikan pengenal permintaan, lalu hasil lengkap dengan lokasi dan durasi klip. Contoh hasil menunjuk video MP4, dan lokasi keluaran yang dihosting bersifat sementara. Simpan klip lengkap serta arahan masukan ketika menyiapkan suntingan. Periksa kesinambungan, keberadaan objek yang konsisten, gerakan, pembingkaian, dan bunyi terhadap shot yang dimaksud. Catatan pemrosesan antara berguna untuk melacak pekerjaan, sedangkan video yang dapat diputar adalah artefak yang ditinjau.

Perbedaan versi memengaruhi rencana. Lite menangani teks sederhana atau animasi satu gambar, dengan pilihan 1080p yang ditingkatkan dari 720p. Versi 1.5 penuh menambahkan gambar referensi, suara prasetel, dan bingkai yang ditetapkan. Edisi klasik Grok Imagine Video menyediakan penyuntingan serta perpanjangan video yang ada. Angka kecepatan Video 1.5 Fast yang terpisah dalam rilis berlaku untuk varian bernama itu, sehingga tidak menentukan waktu penyelesaian tetap untuk model ini. Untuk urutan lebih panjang, tata shot pendek yang koheren dan tinjau kesinambungan karakter, produk, serta bunyi ketika merangkai klip.