SpaceXAI: Grok Imagine Video 1.5

Grok Imagine Video 1.5 to pełna wersja generacyjna rodziny wideo Grok Imagine. Producent podkreśla ruch, ciągłość fizyczną oraz efekty dźwiękowe, atmosferę i mowę generowane z obrazem. Text-to-video i image-to-video renderują w natywnym 1080p, a generacja prowadzona referencjami zapewnia większą kontrolę nad tym, kto lub co pojawia się w scenie. Użyteczny rezultat to krótki film z audio, na przykład prezentacja produktu, rozmowa postaci lub precyzyjnie zainscenizowane przejście między kotwicami wizualnymi.

W text-to-video opisz podmiot ujęcia, scenerię, akcję, ruch kamery, światło i dźwięk. Producent wyjaśnia, że 1.5 wewnętrznie generuje obraz początkowy, a następnie go animuje; pośredni obraz nie jest zwracany. W image-to-video dostarczony obraz staje się pierwszą klatką, a prompt opisuje dalsze zdarzenia. Przygotuj go z już obecnym pożądanym kadrowaniem i widocznymi szczegółami. Wynikowy klip image-to-video podąża za proporcjami źródłowego obrazu, więc pionowa realizacja potrzebuje odpowiedniego przycięcia początkowego.

Reference-to-video nadaje obrazom inną rolę: prowadzą osoby, przedmioty, ubrania lub miejsca bez automatycznego ustalania pierwszej klatki. Udokumentowany limit to do 14 obrazów referencyjnych, z wyjściem do 15 sekund w 720p. Przypisz każdemu obrazowi jasną rolę i identyfikuj go pozycją na liście referencji. W składni promptu producenta pierwsza referencja to <IMAGE_0>, następnie <IMAGE_1> i tak dalej. Gdy przypięty jest też obraz otwierający, zajmuje pierwszy indeks, a osobne referencje zaczynają się od następnego. Kolejność ma znaczenie, gdy brief odróżnia osobę, produkt i scenerię.

Oryginalny brief referencyjny może umieścić postać obok krzesła z jednego obrazu, w pokoju z drugiego, z powolnym zbliżeniem do detalu materiału krzesła. Ułatw rozróżnienie podmiotu i kluczowego produktu w referencjach. Producent zaleca jedną rolę i stałe miejsce każdej referencji, małą obsadę i nieruchome rekwizyty przy wielu wejściach. Sprawdź przeniesienie kształtu i oznaczeń zamierzonego obiektu do sceny oraz to, czy kamera ujawnia detal żądany w briefie.

Reference-to-video może też przypisać do trzech gotowych głosów. W prompcie określ osobno zamierzonego mówcę i jego głos, używając udokumentowanych pozycyjnych referencji głosowych, i podaj dokładny dialog do wypowiedzenia. Model obsługuje mowę zsynchronizowaną z ustami. W krótkiej wymianie napisz kwestie pozostawiające czas na odpowiedź i sprawdź przypisanie mówców oraz ruch ust w wynikowym klipie. Referencja głosu wybiera tożsamość mówcy; wskazówki kamery i sceny nadal muszą opisywać pokazanie postaci.

Parametry pierwszej i ostatniej klatki kotwiczą granice ujęcia, a maksymalnie cztery klatki kluczowe pozwalają przypiąć obrazy w chwilach pośrednich. Przewodnik klatek kluczowych producenta umieszcza te chwile ściśle wewnątrz klipu na siatce jednej trzeciej sekundy; dwie kotwice trafiające do tego samego przedziału czasu są odrzucane. Przygotuj kotwice należące do tej samej sceny i opisz ruch między nimi. W odsłonięciu produktu początek może pokazywać zamkniętą ekspozycję, a ostatnia klatka odsłonięty obiekt. W pętli ten sam obraz może służyć jako pierwsza i ostatnia klatka. Odsłuchaj i obejrzyj całe przejście, zamiast oceniać tylko przypięte obrazy.

Zwykłe text-to-video i image-to-video obsługują klipy 1–15 sekund oraz wyjście 480p, 720p lub natywne 1080p. Reference-to-video jest ograniczone do 720p. Kadrowanie oparte na tekście obejmuje 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 i 5:2. Dobierz długość i kształt do akcji oraz miejsca użycia. Producent domyślnie generuje audio i dokumentuje opcję niemego wideo. Brief może określić kwestię, bliskie efekty dźwiękowe i odległe dźwięki otoczenia, aby dźwięk wnosił wkład do tej samej sceny, zamiast stawać się nieokreślonym tłem.

Udokumentowany proces generacji jest asynchroniczny: zwraca identyfikator żądania, a następnie ukończony wynik z adresem klipu i czasem trwania. Przykładowy wynik wskazuje film MP4, a hostowany adres wyjściowy jest tymczasowy. Przygotowując montaż, zachowaj ukończony klip i wejściowy brief. Sprawdź ciągłość, trwałość obiektów, ruch, kadrowanie i dźwięk względem zamierzonego ujęcia. Pośredni zapis przetwarzania pomaga śledzić pracę, natomiast odtwarzalne wideo jest materiałem do oceny.

Różnice wersji wpływają na plan. Lite obsługuje proste generowanie z tekstu lub animację pojedynczego obrazu, z opcją 1080p powiększoną z 720p. Pełne 1.5 dodaje obrazy referencyjne, gotowe głosy i przypięte klatki. Klasyczny Grok Imagine Video zapewnia edycję i rozszerzanie istniejących filmów. Osobne wartości szybkości Video 1.5 Fast z wydania dotyczą tego nazwanego wariantu, więc nie definiują stałego czasu ukończenia tego modelu. W dłuższej sekwencji inscenizuj spójne krótkie ujęcia i oceniaj ciągłość postaci, produktu i dźwięku przy zestawianiu klipów.