grok-imagine-video-1.5-preview

Criação de uma cena em vídeo

O Grok Imagine Video 1.5 é um modelo da xAI para gerar vídeos a partir de descrições textuais e material visual. O método Ailoot atual publica a geração a partir de texto; modos adicionais do próprio modelo permitem animar uma imagem, utilizar referências e definir fotogramas de referência da cena.

O resultado é criado de forma assíncrona: depois de a tarefa ser submetida, a prontidão é verificada através do seu identificador. Segundo a xAI, o processo pode demorar vários minutos, consoante a complexidade da cena, a duração e a resolução. Receber o identificador de uma tarefa ainda não significa que o vídeo esteja pronto.

Duração, proporções e resolução

O vídeo criado tem uma duração entre 1 e 15 segundos. Pode escolher-se 1:1, 16:9, 9:16, 4:3, 3:4, 3:2 ou 2:3; para texto, o formato padrão é 16:9. Na animação de uma imagem, as suas proporções são preservadas por predefinição.

Para a geração a partir de texto e de uma imagem inicial, estão disponíveis 480p, 720p e 1080p. O valor predefinido é 480p; o modo com referências está limitado a 720p. A resolução 1080p não se aplica a todos os modos apenas por estar disponível no modelo.

Controlo do aspeto visual

No modo com referências, a xAI aceita até 7 imagens. Estas definem pessoas, objetos, roupa e outras características visuais, sem fixarem o fotograma inicial. Esta forma de trabalho destina-se a cenas com uma personagem recorrente, demonstração de produtos e preservação do aspeto pretendido entre cenas.

Primeiro, último e fotogramas intermédios

A versão 1.5 permite fixar o primeiro fotograma exato, o último fotograma exato ou ambos. Se apenas o último for definido, o modelo constrói o início e chega à imagem indicada. Quando os dois extremos são definidos, cria o movimento entre eles; a instrução textual pode especificar o movimento e o trabalho da câmara.

Para estruturar o vídeo por dentro, é possível fixar até 4 fotogramas-chave. O tempo de cada um tem de ser estritamente posterior ao início e anterior ao fim; a posição é definida numa grelha de 1/3 de segundo. Dois fotogramas que sejam arredondados para a mesma posição da grelha são rejeitados. Para o evitar, deixe pelo menos 1/3 de segundo entre eles. O primeiro e o último fotogramas são definidos separadamente destes quatro fotogramas intermédios.

Os fotogramas de referência podem ser combinados com referências visuais e vozes predefinidas. Se pelo menos um fotograma estiver fixado, a descrição textual é opcional: a própria sequência de imagens define a cena. Os fotogramas-chave não podem ser utilizados com o modo de edição de vídeo. Estas capacidades da xAI não significam que estejam disponíveis na geração Ailoot publicada a partir de texto.

Som e vozes

Por predefinição, o vídeo criado contém uma faixa sonora; está também previsto um resultado sem som. No modo da xAI com referências de voz, podem escolher-se até 3 vozes predefinidas e associá-las aos participantes que falam na cena.

O envio de um ficheiro de áudio próprio como amostra de voz não é uma capacidade geral deste modelo: a xAI disponibiliza-o separadamente mediante pedido. Uma voz predefinida e áudio carregado são tipos de entrada diferentes.

Modos de trabalho

A geração a partir de texto cria uma nova cena; uma imagem inicial define o seu início; as referências orientam o aspeto; os fotogramas fixados definem pontos visuais no tempo. Cada modo tem os seus próprios limites, pelo que as configurações de uma forma de trabalho não podem ser aplicadas incondicionalmente a outra.