Grok Imagine Video 1.5: siedem referencji, ta sama twarz i głos w każdej scenie

👁 112 przeczytań

Imagine Video 1.5 daje do siedmiu obrazów referencyjnych na jedną generację, a każdy blokuje jedną rzecz: twarz, produkt albo lokację. Do tego referencja głosu, więc postać ma tę samą twarz i ten sam głos w każdej scenie. To jest różnica między pojedynczym klipem a serią, która się klei.

Co dokładnie doszło

Jak myśleć o referencjach - to jest sedno

Najłatwiej zrozumieć to jako trzy suwaki, z których każdy można zablokować osobno:

• Trzymasz postać, zmieniasz scenę - ta sama osoba w pięciu różnych miejscach
• Trzymasz scenę, zmieniasz postać - różni ludzie w tym samym wnętrzu
• Trzymasz oba, zmieniasz akcję - ta sama osoba w tym samym miejscu robi coś innego

Ten trzeci wariant jest najcenniejszy przy serii. Pozwala zbudować scenę po ujęciu, zamiast generować pięć niezależnych klipów i liczyć, że do siebie pasują.

Gotowe prompty do sprawdzenia

1. Ujęcie ze statywu - test podstawowy

Static tripod shot, no camera movement. A leather suitcase stands alone on an empty bus station bench at night. Steam drifts slowly across the frame from the left. Cold blue light from a single overhead lamp. 6 seconds, 16:9, 1080p.

Dlaczego statyw: ruch kamery jest najszybszą drogą do efektu taniej generacji. Model musi wtedy utrzymać spójność geometrii sceny w ruchu, a na tym najczęściej się wykłada. Nieruchoma kamera i ruch w kadrze wyglądają dużo lepiej przy tym samym modelu.

2. Postać w serii ujęć

Najpierw wygeneruj obraz postaci, potem użyj go jako referencji:

Scena 1: Slow push-in on the character standing at a rain-streaked window, looking out. She does not move. 5 seconds.
Scena 2: Same character, now seated at a kitchen table, turning a coffee cup slowly in both hands. Static shot. 5 seconds.
Scena 3: Same character walking away down a narrow corridor, seen from behind. Static shot. 5 seconds.

W każdej generacji podajesz ten sam obraz referencyjny postaci. Twarz zostaje.

3. Produkt w ruchu

Static macro shot. A matte black cosmetic bottle on a white surface. A single drop of water runs down the label. Soft studio light from the left, one long shadow. No hands, no text, no people. 4 seconds, 1:1.

Cztery zasady, których nauczyłem się na własnych klipach

To są moje obserwacje z pracy z generatorami wideo, nie zalecenia producenta:

1. Pisz prompty po angielsku, zawsze. Polskie prompty dają wyraźnie słabsze wyniki w każdym generatorze, z którym pracowałem.
2. Nigdy nie proś o napisy ani tekst w kadrze. Generatory wideo robią z liter bełkot. Tekst dokładaj w montażu.
3. Cztery do sześciu sekund na ujęcie. Dłuższe generacje rozjeżdżają się pod koniec - postać zaczyna się zmieniać, tło płynie.
4. Statyw zamiast ruchu kamery. Powtarzam to celowo drugi raz, bo to jest jedna zmiana, która daje największą poprawę.

Przez API

Model nazywa się grok-imagine-video-1.5. Wywołanie przyjmuje prompt, listę adresów obrazów referencyjnych, długość, proporcje i rozdzielczość:

client.video.generate(prompt="...", model="grok-imagine-video-1.5", reference_image_urls=[...], duration=6, aspect_ratio="16:9", resolution="720p")

Referencje obrazu, generowanie z tekstu i natywne 1080p są w API. Referencja głosu jest dostępna na żądanie, czyli trzeba o nią poprosić osobno.

Czego nie oczekiwać

• Nie zrobisz z tego filmu w jednym kliknięciu. To narzędzie do ujęć, nie do scen. Montaż nadal jest po Twojej stronie.
• Dźwięk wymaga sprawdzenia. Producent pisze o lepszym audio, ale przy poważnej pracy i tak podkładasz własne.
• Referencja głosu nie jest domyślnie w API - dostępna na żądanie.
• Długie ujęcia nadal się rozjeżdżają. To ograniczenie całej kategorii, nie tego modelu.

Realny układ pracy

1. Wygeneruj postać jako obraz w generatorze grafiki i zapisz go - to Twoja referencja na całą serię.
2. Zrób to samo z lokacją, jeśli ma się powtarzać.
3. Generuj ujęcia po 4-6 sekund, za każdym razem z tymi samymi referencjami.
4. Montuj i dokładaj dźwięk poza generatorem.
5. Napisy dopiero w montażu, nigdy w promptcie.

Ta kolejność wygląda na oczywistą, ale większość ludzi zaczyna od generowania ujęć i dopiero przy trzecim odkrywa, że nic do siebie nie pasuje.

Najczęstsze pytania

Ile referencji mogę podać?

Do siedmiu na jedną generację. Każda blokuje jeden element - twarz, produkt albo lokację.

Czy da się zrobić wideo bez obrazu startowego?

Tak, generowanie z samego tekstu jest ogólnie dostępne na grok.com/imagine oraz w aplikacjach na iOS i Androida.

Jaka rozdzielczość?

Natywne 1080p dla generowania z tekstu i z obrazu.

Czy postać zachowa ten sam głos?

Tak, przy podaniu obrazu postaci i referencji głosu oba trzymają się w każdej scenie. W API ta funkcja jest dostępna na żądanie.

Jak długie mogą być ujęcia?

Parametr długości ustawiasz w wywołaniu. Z praktyki: cztery do sześciu sekund daje najbardziej stabilny wynik, dłuższe generacje rozjeżdżają się pod koniec.