Grok Imagine Video with Reference Guidance

Grok Imagine Video là dòng mô hình tạo video của xAI, dùng để tạo, tạo chuyển động, kéo dài và chỉnh sửa các clip ngắn. Atlas Cloud cung cấp các endpoint API riêng cho quy trình chuyển văn bản thành video, hình ảnh thành video, hình ảnh tham chiếu thành video, kéo dài và chỉnh sửa video.

Grok Imagine Video có thể tạo clip từ văn bản, tạo chuyển động cho một hình ảnh ban đầu hoặc sử dụng tối đa bảy hình ảnh tham chiếu để định hướng người, vật thể và phong cách. Các endpoint riêng biệt có thể tiếp tục một clip hiện có hoặc chỉnh sửa tệp MP4 bằng hướng dẫn ngôn ngữ tự nhiên.

Tạo khóa API Atlas Cloud và gửi yêu cầu POST có xác thực đến /api/v1/model/generateVideo. Chỉ định ID mô hình bắt buộc, prompt và mọi dữ liệu hình ảnh hoặc video mà route đó yêu cầu. Phản hồi bao gồm ID yêu cầu, trạng thái và các trường đầu ra.

Chọn text-to-video khi cảnh bắt đầu từ một prompt hoặc image-to-video khi hình ảnh được cung cấp phải trở thành khung hình đầu tiên. Reference-to-video cung cấp khả năng định hướng rộng hơn từ nhiều hình ảnh, trong khi extend-video và edit-video hoạt động trên các tệp MP4 hiện có.

Text-to-video và image-to-video hỗ trợ các clip dài từ 1 đến 15 giây ở độ phân giải 480p hoặc 720p. Reference-to-video hỗ trợ từ 1 đến 10 giây ở cùng các độ phân giải, với các tỷ lệ khung hình phổ biến gồm 16:9, 9:16, 1:1, 4:3, 3:4, 3:2 và 2:3. Các route mở rộng và chỉnh sửa có những giới hạn đầu vào riêng.

Có. xAI mô tả tính năng tạo âm thanh gốc là một phần của quy trình video Grok Imagine, cho phép tạo âm thanh và hình ảnh cùng lúc. Các schema được Atlas Cloud công bố cho những route này không cung cấp tùy chọn bật/tắt âm thanh riêng.

Cung cấp từ một đến bảy URL hình ảnh HTTPS công khai hoặc URI dữ liệu base64 thông qua endpoint reference-to-video. Các thẻ như <IMAGE_0> có thể liên kết từng hình ảnh tham chiếu với người, vật thể hoặc phong cách được mô tả trong prompt. Route này trả về các clip dài tối đa 10 giây ở độ phân giải 480p hoặc 720p.

Sử dụng extend-video với tệp MP4 dài từ 2 đến 15 giây và yêu cầu thêm từ 2 đến 10 giây hành động được điều khiển bằng prompt. Để thực hiện các thay đổi cụ thể, edit-video chấp nhận tệp MP4 không dài quá 8.7 giây và giữ nguyên thời lượng của tệp. Cả hai route đều giới hạn độ phân giải đầu ra ở mức 720p.

Mức giá tiêu chuẩn của Atlas Cloud là $0.05 mỗi giây cho text-to-video, image-to-video và reference-to-video. Extend-video và edit-video áp dụng mức giá tiêu chuẩn $0.07 mỗi giây. Chỉnh sửa được tính phí theo thời lượng video đầu vào vì đầu ra giữ nguyên thời lượng đó.

Trước tiên, hãy xác nhận endpoint đã chọn phù hợp với loại dữ liệu đầu vào và mọi prompt, URL hình ảnh hoặc URL video bắt buộc đều đã được cung cấp. Kiểm tra các giới hạn riêng của route về thời lượng, độ phân giải, tỷ lệ khung hình, số lượng hình ảnh tham chiếu và tệp MP4 trước khi gửi lại. Nếu yêu cầu thành công nhưng cảnh tạo ra không chính xác, hãy viết lại prompt với mô tả rõ ràng về chuyển động của chủ thể, chuyển động máy quay, nhịp độ và các chi tiết hình ảnh.