Премини към основното съдържание
Български— Изберете език
Меню

Референтни изображения и фиксирани изображения

Урок 5 от 12 Обновен 2 ноември 2026 г. Средно
На тази страница
  1. Предоставяне на визуални данни на модела
  2. Два параметъра, две намерения
  3. Цитиране на референции в подканата
  4. Правилата
  5. Фиксиране на конкретни изображения (grok-imagine-video-1.5)
  6. Какво позволяват референциите
  7. Избор и комбиниране на референции
  8. Ключови изводи

Урокът е пренаписан на 2 ноември 2026 г. въз основа на документацията Reference-to-Video от xAI: референтните изображения позволяват появата на конкретни хора, обекти или дрехи, обозначени в подкана като <IMAGE_0>, <IMAGE_1>… — не просто за налагане на стил; при grok-imagine-video-1.5 те вече могат да съпътстват image (фиксирано последно изображение), ключови кадри и гласове. Старата версия твърдеше, че image и reference_images са несъвместими. Източници: Reference-to-Video · Reference Videos.

Предоставяне на визуални данни на модела

Директното анимиране на изображение не е единственият начин да предоставите визуални елементи на модела. Видео API на xAI предлага втори механизъм: референтни изображения. Вместо да движат самото изображение, те предоставят елементи, които видеото трябва да включи — човек, продукт, предмет на облекло — без да замразяват предния план. Разбирането на границата между image и reference_images е ключът към този урок.

Два параметъра, две намерения

Параметърът image предоставя изображението за анимиране: то става първият кадър на видеото и съдържанието му се привежда в движение. Това е функцията image-to-video от предишните уроци.

Параметърът reference_images предоставя изображения, чиито елементи моделът използва повторно: лице на модел, риза, бутилка парфюм. Самата сцена следва Вашата подкана. xAI посочва три типични употреби: виртуално примеряване, продуктово позициониране и истории с повтарящи се герои. Всяко референтно изображение може да бъде публичен HTTPS URL, данни в кодиране base64 или file_id на качен файл, като можете да смесвате и трите форми в една заявка.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "Slow tracking shot on a white runway. The model from <IMAGE_0> enters from the background and walks toward the camera; they are wearing the shirt from <IMAGE_1> and black jeans. Slow motion, high quality, detailed faces.",
  "reference_images": [
    {"url": "https://exemple.com/mannequin.jpg"},
    {"url": "https://exemple.com/chemise.jpg"}
  ],
  "duration": 10,
  "aspect_ratio": "16:9",
  "resolution": "720p"
}

Цитиране на референции в подканата

Подканата обозначава всяка референция чрез нейната позиция в списъка: <IMAGE_0> за първата, <IMAGE_1> за втората и т.н. Ако предоставите и image, за да фиксирате първия кадър, то тя заема <IMAGE_0>, а Вашите референции започват от <IMAGE_1>.

При множество референции, xAI препоръчва да възложите на всяка от тях една единствена роля и фиксирано място в сцената, като ограничите броя на героите и използвате статични реквизити. Референция, която служи едновременно като герой и декор, или десет обекта, движещи се едновременно, водят до объркващи сцени.

Правилата

Ограничениеgrok-imagine-video-1.5grok-imagine-video
Референтни изображенияМакс. 14Макс. 7
ПродължителностМакс. 15 сек.Макс. 10 сек.
РезолюцияМакс. 720pМакс. 720p
Първо изображение фиксирано с реф., последно изображение, ключови кадриДаНе
Гласове (reference_audios)Макс. 3 предварително дефинирани гласаНе

Заявка от този тип трябва да съдържа поне едно референтно изображение, глас, последно изображение или ключови кадри.

Фиксиране на конкретни изображения (grok-imagine-video-1.5)

При grok-imagine-video-1.5 можете да фиксирате точни изображения в определени моменти от видеото:

  • image и last_frame заедно: видеото започва от първото изображение и завършва с последното, като моделът интерполира между двете.
  • Само last_frame: моделът измисля началото и завършва с фиксираното изображение.
  • last_frame с референции или гласове: последното изображение е фиксирано, референциите насочват останалата част; добавете image, за да фиксирате и началото.
  • keyframes: до четири ключови кадъра, всеки с timestamp_s строго между 0 и продължителността на видеото; котвите се привързват към мрежа от една трета от секундата, така че два ключови кадъра трябва да са раздалечени поне с една трета от секундата.
{
  "model": "grok-imagine-video-1.5",
  "prompt": "The flower opens slowly under the morning light",
  "image": {"url": "https://exemple.com/bouton-ferme.jpg"},
  "last_frame": {"url": "https://exemple.com/fleur-ouverte.jpg"},
  "keyframes": [
    {"image": {"url": "https://exemple.com/fleur-mi-ouverte.jpg"}, "timestamp_s": 3.0}
  ],
  "duration": 6
}

Същият модел може да придаде гласове на Вашите герои: reference_audios приема до три предварително дефинирани гласа, обозначени чрез техния voice_id (от каталога с гласове текст-към-говор на xAI, например eve или leo), които подканата цитира като <AUDIO_0>, <AUDIO_1>…

Какво позволяват референциите

Първият случай на употреба и най-рентабилният в професионален контекст, е непрекъснатостта: един и същ герой, един и същ продукт от едно видео към следващото. Представете си кампания от десет видеоклипа, произведена за три седмици: без референции продуктът променя леко формата си, а маскотът сменя лицето си от един клип към друг. Като предоставяте системно едни и същи референции, Вие закрепвате онова, което трябва да остане идентично, а само подканата варира сцената.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "The smartphone from <IMAGE_0> sits on a minimalist desk; its screen turns on gradually, soft morning light",
  "reference_images": [
    {"url": "https://exemple.com/smartphone-officiel.jpg"}
  ],
  "duration": 6
}

Продуктовото позициониране следва същата логика — Вашата бутилка, Вашата обувка в измислена сцена — а виртуалното примеряване отива още по-далеч: човек и дреха, всеки със своя референция, обединени в един и същи кадър.

Избор и комбиниране на референции

Изберете остри, добре осветени изображения, в които елементът за повторно използване заема по-голямата част от кадъра: риза, снимана сама на неутрален фон, работи по-добре от риза, носена в тълпа. Една референция, един обект.

Написването на подканата следва разпределението на ролите: референциите носят елементите, подканата описва сцената и действието. Именувайте всяка референция с нейния таг там, където тя участва, и бъдете изрични относно движението, което никое изображение не носи само по себе си.

Когато сте изправени пред дадена задача, решението се свежда до един въпрос. Ако искате да анимирате конкретно изображение такова, каквото е, използвайте image. Ако искате нова сцена, в която да се появят дадени хора или обекти, използвайте reference_images. Ако искате да контролирате началото, края или конкретни моменти, използвайте фиксираните изображения на grok-imagine-video-1.5. И ако нищо от това няма значение, самата подкана е достатъчна.

Ключови изводи

  • image анимира изображение, което става първо във видеото; reference_images кара елементите да се появят, без да замразява предния план.
  • Подканата цитира референциите по позиция: <IMAGE_0>, <IMAGE_1>… (image заема <IMAGE_0>, когато е предоставена).
  • До 14 референции при grok-imagine-video-1.5 (15 сек.), 7 при grok-imagine-video (10 сек.), макс. 720p.
  • При grok-imagine-video-1.5, image, last_frame, keyframes и reference_audios допълват референциите.
  • Една роля на референция, ограничен състав, статични реквизити.