grok-imagine-video-1.5

Tạo cảnh video

Grok Imagine Video 1.5 là mô hình của xAI để tạo video từ mô tả văn bản và tư liệu hình ảnh. Phương thức Ailoot hiện tại công bố tạo từ văn bản; những chế độ bổ sung của chính mô hình cho phép tạo chuyển động từ ảnh, dùng ảnh tham chiếu và đặt khung hình mốc của cảnh.

Kết quả được tạo bất đồng bộ: sau khi đặt tác vụ, trạng thái sẵn sàng được kiểm tra bằng mã định danh. Theo xAI, quá trình có thể mất nhiều phút tùy độ phức tạp cảnh, thời lượng và độ phân giải. Nhận mã tác vụ chưa có nghĩa video đã hoàn thành.

Thời lượng, tỷ lệ và độ phân giải

Video được tạo dài từ 1 đến 15 giây. Có thể chọn 1:1, 16:9, 9:16, 4:3, 3:4, 3:2 hoặc 2:3; với văn bản, mặc định là 16:9. Khi tạo chuyển động từ ảnh, mặc định giữ tỷ lệ ảnh.

Tạo từ văn bản và ảnh mở đầu có 480p, 720p và 1080p. Mặc định dùng 480p; chế độ ảnh tham chiếu giới hạn 720p. Không thể áp dụng 1080p cho mọi chế độ chỉ vì mô hình có độ phân giải đó.

Điều khiển diện mạo

Trong chế độ ảnh tham chiếu, xAI nhận tối đa 7 ảnh. Chúng xác định người, đồ vật, quần áo và các đặc điểm hình ảnh khác, không cố định khung hình mở đầu. Cách này dành cho cảnh có nhân vật lặp lại, trình diễn sản phẩm và giữ diện mạo mong muốn giữa những cách dàn dựng.

Khung hình đầu, cuối và trung gian

Phiên bản 1.5 cho phép cố định chính xác khung đầu, khung cuối hoặc cả hai. Nếu chỉ đặt khung cuối, mô hình tự xây dựng mở đầu và đi đến ảnh đã chỉ định. Với hai ranh giới đã đặt, mô hình tạo chuyển động giữa chúng; chỉ dẫn văn bản có thể làm rõ chuyển động và cách máy quay hoạt động.

Để phân cảnh bên trong video, có thể cố định tối đa 4 khung hình chính. Thời điểm mỗi khung phải nằm hẳn sau bắt đầu và trước kết thúc; khớp theo lưới 1/3 giây. Hai khung làm tròn về cùng mốc lưới bị từ chối. Để tránh điều đó, giữ khoảng cách tối thiểu 1/3 giây. Khung đầu và cuối được đặt riêng với bốn khung trung gian này.

Khung hình mốc có thể kết hợp với ảnh tham chiếu và giọng đặt sẵn. Nếu có ít nhất một khung được cố định, mô tả văn bản là tùy chọn: chính chuỗi ảnh xác định cảnh. Không thể dùng khung hình chính cùng chế độ chỉnh sửa video. Những khả năng của xAI không có nghĩa chúng sẵn có trong phương thức Ailoot đã công bố để tạo từ văn bản.

Âm thanh và giọng

Video được tạo mặc định có âm thanh đi kèm; cũng có thể nhận kết quả không tiếng. Trong chế độ tham chiếu giọng của xAI, có thể chọn tối đa 3 giọng đặt sẵn và gắn với những người nói trong cảnh.

Truyền tệp âm thanh riêng làm mẫu giọng không phải khả năng chung của mô hình này: xAI cung cấp riêng theo yêu cầu. Giọng đặt sẵn và âm thanh tải lên là hai loại đầu vào khác nhau.

Các chế độ làm việc

Tạo từ văn bản xây dựng cảnh mới; ảnh mở đầu đặt điểm bắt đầu; ảnh tham chiếu định hướng diện mạo; khung cố định xác định mốc hình ảnh theo thời gian. Mỗi chế độ có giới hạn riêng, nên không thể vô điều kiện chuyển cài đặt từ cách này sang cách khác.