Написване на ефективни подкани за видео
На тази страница
Обновено на 3 ноември 2026 г. Въз основа на страниците Video Overview и Video Generation от xAI и тяхното ръководство за подкани за изображения: xAI Ви моли да опишете целия кадър, включително движението на камерата, осветлението и звука. Правилото „максимум две или три изречения“ от предишната версия не фигурира на никоя страница на xAI; всъщност ръководството за изображения препоръчва четири до шест изречения за едно изображение. Този урок обхваща също 1080p за модели 1.5, деветте съотношения на страните и аудио записа, генериран по подразбиране. Източници: Video Overview · Video Generation · Image Prompting Guide.
Изкуството на видео подканата
Качеството на генерираното видео зависи пряко от прецизността на Вашата подкана, а видео подканата изисква повече от тази за изображение. Докато статичното описание е достатъчно за създаване на илюстрация, видео подканата трябва да предаде и движението, временността и динамиката на сцената – а тъй като видеото се извежда със звукова пътека, и това, което чувате в него. Подкана, която перфектно описва обстановката, но никога не посочва какво се движи, рискува да произведе почти замръзнал кадър, технически анимиран, но визуално безжизнен. Този урок Ви учи как да структурирате описанията си, за да извлечете максимума от моделите Grok Imagine Video.
Четирите компонента на доброто описание
Една ефективна видео подкана артикулира четири слоя информация и Вие работите върху всеки от тях поотделно.
Първият е субектът: основният елемент или елементи на сцената, описани с достатъчна прецизност, така че моделът да не трябва да измисля. Написването на „птица“ оставя полето широко отворено; написването на „колибри с иридисциращи сини и зелени пера“ фиксира външния вид и прави Вашите генерации по-последователни от опит на опит.
Следва действието, най-решаващият компонент във видеото. Не е достатъчно да кажете, че нещо се движи; трябва да уточните движението, неговата посока и интензивност. „Птица, която лети“ е намерение, а не режисьорска инструкция. „Колибри, което се храни от червен цвят на хибискус, бързо махащо с криле“ дава на модела жест, цел и ритъм.
Третият слой е околната среда: мястото, светлината, времето и настроението. Простото „в градина“ оставя на модела да избере времето и сезона вместо Вас. „В буйна тропическа градина, златиста светлина в късния следобед, преминаваща през листата“ задава атмосферата и, между другото, посоката на светлината върху Вашия субект.
Накрая, визуалният стил, който определя рендирането: кинематографичен, документален, анимационен. Фраза като „кинематографичен стил, плитка дълбочина на рязкост, топли цветове“ установява рекламен регистър, докато „стилизирани 3D анимации, пастелна палитра“ Ви отвежда в съвсем различна вселена със същата входна сцена.
Редът има значение. Ръководството на xAI за подкани за изображения, написано за статични снимки, но полезно и тук, отбелязва, че подкана, започваща с настроение, филмов зърнестост или списък със забрани, произвежда полирана сцена, в която субектът е просто статист. Затова започнете със субекта и неговото действие, а стила оставете за края.
Два слоя, специфични за видеото: камера и звук
За текст-към-видео, xAI обобщава инструкцията си в едно изречение: опишете кадъра, включително движението на камерата, светлината и звука. Два от тези елементи не съществуват при статичните изображения.
Камерата се контролира с терминология за заснемане: статичен кадър, бавно приближаване, проследяващ кадър, гледка от дрон, таймлапс. Примерите в документацията на xAI ги използват такива, каквито са: бавно приближаване към подиум на писта, камера, плъзгаща се от слънчева врата към прозорец, кадър от дрон между върхове, таймлапс на разцъфващо цвете. Ако не кажете нищо, оставяте този избор на модела.
Светлината печели от това да бъде описана, както прави ръководството на xAI за изображения: нейният източник, посока и твърдост, достатъчно силни, за да остане субектът четим. „Твърдо следобедно слънце отляво“ казва на модела какво да освети; „хубава светлина“ не му казва нищо.
Звукът е част от резултата: генерираното видео включва аудио запис по подразбиране, със синхронизиране на устните при реч на grok-imagine-video-1.5 и неговата -lite версия. Затова опишете звуковия пейзаж, който искате – дъжд върху павета, мърморене в стая, тиха музика – или изключете записа с "generate_audio": false, ако ще добавите собствена звукова пътека при монтажа.
Една последна оперативна подробност променя начина, по който пишете: при моделите 1.5, текст-към-видео първо рендира статично изображение от подканата, след което го анимира. Следователно началната сцена трябва да се чете като остро изображение – субект, декор, светлина – а движението като това, което се случва след това.
Три подкани, три стила
Тези слоеве се комбинират различно в зависимост от дестинацията на клипа. За рекламна употреба се грижите за материала и светлината, а действието остава минимално, но перфектно описано:
A steaming cup of coffee on a rustic wooden table,
steam rising in gentle spirals. Natural side light from
the left, very slow zoom toward the cup, shallow depth of
field, advertising style. Muted coffee shop ambiance.
За визуализация на данни, предназначена за презентация, движението става структурно – то носи информацията – а стилът става умишлено сдържан. Това видео ще се възпроизвежда под жив коментар: генерирайте го без звук, с "generate_audio": false.
A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.
Накрая, при творческата анимация субектът може да бъде абстрактен, стига трансформацията да е описана прецизно:
Abstract geometric shapes transforming fluidly
into one another, vivid color palette on black background.
Camera slowly orbits the shapes, contemporary motion design
style, synth pads.
Отделете момент, за да идентифицирате във всеки от тези три блока къде се намират субектът, действието, околната среда и стилът, а след това камерата и звукът. Това упражнение за четене прави писането естествено впоследствие.
Съпоставяне на параметрите със съдържанието
Подканата не работи сама: продължителността, съотношението и разделителната способност трябва да ѝ отговарят. Продължителността варира от 1 до 15 секунди, като 8 са по подразбиране. Продължителност от 1 до 3 секунди е подходяща за единично действие, преход или рендиране в стил GIF; от 4 до 7 секунди получавате кратка сцена с начало и край; между 8 и 15 секунди навлизате в наративна последователност с развитие. Колкото по-дълго е видеото, толкова повече време отнема генерирането, а цената се брои за секунда: започнете с кратко и увеличавайте прогресивно.
Изберете съотношението въз основа на крайната дестинация. API предлага девет: 16:9 (по подразбиране) за широк екран, уеб и презентации, 9:16 за мобилни устройства, истории и Reels, 1:1 за публикации в социалните мрежи и миниатюри, 4:3 и 3:4 за презентации и портрети, 3:2 и 2:3 за фотографско рендиране, 21:9 за ултра-широк кино формат, 5:2 за банер или заглавка на сайт. При изображение-към-видео този избор отпада: изходът следва съотношението на изображението.
Що се отнася до разделителната способност, запазете 480p за прегледи и чернови – това е стойността по подразбиране и рендирането е по-бързо – след което преминете към 720p или 1080p, когато клипът влезе в продукция. 1080p съществува само при модели 1.5: нативно на grok-imagine-video-1.5, получено чрез мащабиране от 720p на неговата -lite версия, докато grok-imagine-video спира на 720p. За обикновени видеоклипове xAI препоръчва grok-imagine-video-1.5-lite, най-евтиният за секунда, и запазва grok-imagine-video-1.5 за референтни изображения, гласове, наложени изображения и нативно 1080p.
Какво кара една подкана да се провали
Пет капана се повтарят често. Първият е твърде неясната подкана: „красива сцена“ не съдържа никаква използваема информация. Вторият е подканата, която иска да разкаже всичко – множество субекти, множество локации, множество сцени за няколко секунди. За история с множество кадри следвайте примера Storyboard to Short Film от готварската книга на xAI: той разбива наратива на четири кадъра, генерира всеки поотделно, със своята сцена и движение на камерата, след което ги сглобява при монтажа. Третият, вече споменат, е липсата на описано движение, което води до статичен кадър. Четвъртият се крие в логическите конфликти: искането на „котка, летяща във вода“ поставя модела пред противоречие и резултатът вероятно ще бъде несвързан. Петият е списъкът с негативи – „без коли, без текст, без тълпа“. Ръководството на xAI за изображения отбелязва, че дълъг списък с елементи, които трябва да се избегнат, лесно се игнорира и запълва подканата с обекти, които в крайна сметка се появяват: вместо това опишете какво искате да видите.
Що се отнася до дължината, документацията на xAI не дава идеална мярка за видео и не определя границата, отвъд която твърде дълга подкана се отхвърля (грешка invalid_argument). Нейното ръководство за изображения предполага четири до шест изречения за едно изображение: субектът и неговите детайли, след това декорът, светлината и кадрирането. За видео кадър започнете от тази структура и добавете действие, камера и звук.
За практика напишете пълна подкана за три различни дестинации: фоново видео за уебсайт на ресторант, 3-секунден клип за Instagram история на марка дрехи и абстрактна анимация за техническа презентация. За всяка от тях проверете дали четирите слоя са налични, дали камерата и звукът са описани – или аудио записът е изключен – и дали продължителността и съотношението съответстват на предвидената употреба.
Ключови изводи
- Една добра видео подкана съдържа субект, действие, околна среда и стил, като започва със субекта
- xAI също така Ви моли да опишете движението на камерата, светлината и звука
- Аудио записът се генерира по подразбиране;
"generate_audio": falseдава видео без звук - Адаптирайте продължителността (от 1 до 15 сек, 8 по подразбиране), съотношението (девет формата) и разделителната способност (до 1080p при модели 1.5) към крайната употреба
- История с множество кадри се генерира кадър по кадър, след което се монтира
- Опишете какво искате да видите, а не какво не искате