跳到主要内容

Grok Video 1.5

xAI 的 Grok Imagine 视频模型 —— 把文字、首帧图或参考图变成电影感短片。时长弹性独一档:1 到 15 秒任选。

能力​

特性支持情况
文生视频支持
图生视频支持（首帧）
参考生视频支持（最多 3 张图像）
分辨率480p、720p、1080p
画面比例自适应、1:1、16:9、9:16、4:3、3:4、3:2、2:3
时长1–15 秒连续（步长 1 秒）
帧率24 fps
原生音频支持 —— 常开（口型同步对白、环境音、音效）
种子不支持
反向提示词不支持

1 秒下限​

大多数视频模型的时长下限是 3–4 秒,Grok 可以低到 1 秒,这解锁了:

  • 微循环与 stinger —— logo 亮相、UI 转场、社媒片头。
  • 廉价运动测试 —— 在花钱生成 10 秒长镜头之前,先验证一个构图动起来好不好看。

自适应比例​

与图像侧兄弟一样,Grok Video 支持自适应比例 —— 模型从提示词推断最佳画幅,图生视频模式下继承输入图的形状。

参考输入​

最多 3 张参考图。首帧模式下图像是硬锚点（片子精确从那一帧开始);参考模式下图像松散地引导身份与风格。

原生音频​

每段片子都自带同步音轨 —— 没有关闭开关。对白与说话角色口型同步,环境音与音效踩点到位。想让角色说话,把台词放进引号;想塑造音轨,描述声音景观("远处警笛、雨打玻璃")。

提示词技巧​

  • 镜头先行。 "缓慢推近"、"向右环绕"、"急速变焦" —— Grok 对运镜语法跟随得很好。
  • 把声音也写进去。 音频总会生成 —— 不给指令的音轨是浪费掉的通道。引号写对白,点名环境音。
  • 分辨率对准用途。 480p 出运动草稿,1080p 出交付;时长范围在各档一致。
  • 短片只放一个动作节拍。 1–3 秒时提示一个动作（"火柴点燃"),不要写成序列。

局限​

  • 参考图最多 3 张;不支持视频或音频参考输入
  • 无首末帧插值
  • 无种子 / 不可复现
  • 无反向提示词

另请参阅​