Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Jak psát efektivní prompty pro videa

Lekce 2 z 12 Aktualizováno 3. listopadu 2026 Mírně pokročilý
Na této stránce
  1. Umění tvorby video promptu
  2. Čtyři složky dobrého popisu
  3. Dvě vrstvy specifické pro video: kamera a zvuk
  4. Tři prompty, tři styly
  5. Přizpůsobení parametrů obsahu
  6. Co způsobuje selhání promptu
  7. Klíčové poznatky

Aktualizováno 3. listopadu 2026. Na základě stránek Video Overview a Video Generation od xAI a jeho průvodce zadáváním promptů pro obrázky: xAI po tobě chce, abys popsal celý záběr, včetně pohybu kamery, světla a zvuku. Pravidlo „maximálně dvě až tři věty“ z předchozí verze se na žádné stránce xAI nevyskytuje; průvodce pro obrázky naopak doporučuje čtyři až šest vět pro jeden snímek. Tato lekce také pokrývá rozlišení 1080p pro modely řady 1.5, devět poměrů stran a zvukovou stopu generovanou ve výchozím nastavení. Zdroje: Video Overview · Video Generation · Image Prompting Guide.

Umění tvorby video promptu

Kvalita vygenerovaného videa závisí přímo na přesnosti tvého promptu a zadání pro video vyžaduje více než zadání pro obrázek. Zatímco k vytvoření ilustrace stačí statický popis, prompt pro video musí nést také pohyb, časovost a dynamiku scény – a protože je video vybaveno zvukovou stopou, také to, co v něm slyšíš. Prompt, který dokonale popisuje prostředí, ale nikdy neříká, co se hýbe, riskuje vznik téměř zamrzlého záběru, technicky animovaného, ale vizuálně bez života. Tato lekce tě naučí strukturovat popisy tak, abys z modelů Grok Imagine Video vytěžil maximum.

Čtyři složky dobrého popisu

Efektivní video prompt artikuluje čtyři vrstvy informací a na každé z nich pracuješ samostatně.

První je subjekt: hlavní prvek nebo prvky scény, popsané s dostatečnou přesností, aby model nemusel nic vymýšlet. Napsat „pták“ nechává pole dokořán; napsat „kolibřík s duhovým modrým a zeleným peřím“ uzamkne vzhled a zajistí konzistentnější výsledky od jednoho pokusu k druhému.

Dále přichází akce, nejdůležitější složka videa. Nestačí říct, že se něco hýbe; musíš specifikovat pohyb, jeho směr a intenzitu. „Létající pták“ je záměr, nikoliv režijní pokyn. „Kolibřík sající nektar z červeného květu ibišku, křídla rychle mávají“ dává modelu konkrétní gesto, cíl a rytmus.

Třetí vrstvou je prostředí: místo, světlo, počasí a nálada. Prosté „v zahradě“ nechává na modelu, aby za tebe vybral denní dobu a roční období. „V bujné tropické zahradě, zlaté světlo pozdního odpoledne pronikající listovím“ nastavuje atmosféru a mimochodem i směr osvětlení tvého subjektu.

Nakonec vizuální styl, který určuje vykreslení: filmový, dokumentární, animovaný. Fráze jako „filmový styl, malá hloubka ostrosti, teplé barvy“ Establishuje reklamní ráz, zatímco „stylizovaná 3D animace, pastelová paleta“ tě vezme do zcela jiného vesmíru se stejnou vstupní scénou.

Na pořadí záleží. Průvodce zadáváním promptů pro obrázky od xAI, psaný pro statické snímky, ale užitečný i zde, upozorňuje, že prompt začínající náladou, filmovým zrnem nebo seznamem zákazů vytvoří uhlazenou scénu, kde je subjekt pouhou kulisou. Začni tedy subjektem a jeho akcí a styl si nech na konec.

Dvě vrstvy specifické pro video: kamera a zvuk

Pro převod textu na video shrnuje xAI svůj pokyn do jedné věty: popiš záběr, včetně pohybu kamery, světla a zvuku. Dva z těchto prvků u statických obrázků neexistují.

Kameru ovládáš pomocí filmařské slovní zásoby: statický záběr, pomalý nájezd, jízda kamery, pohled z dronu, časosběr. Příklady v dokumentaci xAI je používají přesně takto: pomalý nájezd na molo přistávací dráhy, kamera klouzající od slunných dveří k oknu, záběr z drony mezi vrcholky hor, časosběr rozkvétajícího květu. Pokud nic neřekneš, necháš tuto volbu na modelu.

Světlo profituje z popisu podle průvodce pro obrázky od xAI: jeho zdroj, směr a tvrdost, dostatečně silný na to, aby zůstal subjekt čitelný. „Tvrdé odpolední slunce zleva“ říká modelu, co má osvětlit; „hezké světlo“ mu neříká nic.

Zvuk je součástí výsledku: vygenerované video obsahuje ve výchozím nastavení zvukovou stopu, včetně synchronizace pohybu rtů u modelu grok-imagine-video-1.5 a jeho verze -lite. Popiš tedy zvukovou kulisu, kterou chceš – déšť na dláždění, šum místnosti, jemná hudba – nebo stopu vypni pomocí "generate_audio": false, pokud plánuješ v postprodukci přidat vlastní soundtrack.

Jeden poslední provozní detail mění způsob, jakým píšeš: u modelů řady 1.5 nejprve text-to-video vyrenderuje ze promptu statický obrázek a ten následně animuje. Výchozí scéna tedy musí působit jako ostrý snímek – subjekt, dekorace, světlo – a pohyb jako to, co se děje poté.

Tři prompty, tři styly

Tyto vrstvy se kombinují různě v závislosti na účelu klipu. Pro reklamní využití dbáš na materiál a světlo a akce zůstává minimální, ale dokonale popsaná:

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.

Pro vizualizaci dat určenou do prezentace se pohyb stává strukturálním – nese informaci – a styl se stává záměrně střízlivým. Toto video bude běžet na pozadí živého komentáře: vygeneruj jej bez zvuku pomocí "generate_audio": false.

A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.

V kreativní animaci konečně může být subjekt abstraktní, za předpokladu, že je transformace popsána přesně:

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.

Vezmi si chvíli času a v každém z těchto tří bloků identifikuj, kde se nachází subjekt, akce, prostředí a styl, a následně kamera a zvuk. Toto čtecí cvičení ti poté usnadní přirozené psaní.

Přizpůsobení parametrů obsahu

Prompt nefunguje sám o sobě: délka, poměr stran a rozlišení mu musí odpovídat. Délka se pohybuje od 1 do 15 sekund, výchozí hodnota je 8. Délka 1 až 3 sekundy vyhovuje jedné akci, přechodu nebo vykreslení ve stylu GIF; od 4 do 7 sekund získáš krátkou scénu s začátkem a koncem; mezi 8 a 15 sekundami vstupuješ do narativní sekvence s vývojem. Čím delší video, tím více času generování zabere a cena se počítá za sekundu: začni krátce a postupně prodlužuj.

Poměr stran vybírej podle konečného určení. API nabízí devět možností: 16:9 (výchozí) pro širokoúhlé formáty, web a prezentace, 9:16 pro mobily, stories a Reels, 1:1 pro příspěvky na sociálních sítích a náhledové obrázky, 4:3 a 3:4 pro prezentace a portréty, 3:2 a 2:3 pro fotografický vzhled, 21:9 pro ultraširoký kinematografický formát, 5:2 pro banner nebo záhlaví webu. U převodu obrázku na video tato volba odpadá: výstup následuje poměr stran vstupního obrázku.

Co se týče rozlišení, pro náhledy a koncepty ponech 480p – toto je výchozí hodnota a vykreslení je rychlejší – a přejdi na 720p nebo 1080p, až půjde klip do produkce. Rozlišení 1080p existuje pouze u modelů řady 1.5: nativně u grok-imagine-video-1.5, získané převzorkováním ze 720p u jeho verze -lite, zatímco grok-imagine-video končí u 720p. Pro jednoduchá videa xAI doporučuje grok-imagine-video-1.5-lite, který je nejlevnější na sekundu, a grok-imagine-video-1.5 vyhrazuje pro referenční obrázky, hlasy, vnucené obrázky a nativní 1080p.

Co způsobuje selhání promptu

Často se opakují čtyři úskalí. Prvním je příliš vágní prompt: „krásná scéna“ neobsahuje žádné použitelné informace. Druhým je prompt, který chce říct vše – více subjektů, více lokalit, více scén během několika sekund. Pro příběh s více záběry následuj příklad Storyboard to Short Film z kuchařky xAI: rozdělí vyprávění na čtyři záběry, každý vygeneruje samostatně s vlastní scénou a pohybem kamery a následně je sestaví v postprodukci. Třetím, již zmíněným, je absence popsaného pohybu, což vede ke statickému záběru. Čtvrté spočívá v logických konfliktech: požadavek „kočka létající ve vodě“ staví model před rozpor a výsledek bude pravděpodobně nekonzistentní. Pátým je seznam negativ – „žádná auta, žádný text, žádný dav“. Průvodce pro obrázky od xAI poznamenává, že dlouhý seznam prvků k vyvarování se snadno ignoruje a plní prompt objekty, které se nakonec stejně objeví: místo toho popiš, co chceš vidět.

Co se týče délky, dokumentace xAI neuvádí ideální míru pro video a nekvantifikuje limit, po jehož překročení je příliš dlouhý prompt odmítnut (chyba invalid_argument). Její průvodce pro obrázky navrhuje čtyři až šest vět pro jeden snímek: subjekt a jeho detaily, poté dekorace, světlo a kompozice. Pro video záběr vycházej z této struktury a přidej akci, kameru a zvuk.

Pro procvičení si napiš úplný prompt pro tři různé účely: videosmyčku na pozadí pro web restaurace, 3sekundový klip pro Instagram Story módní značky a abstraktní animaci pro technickou prezentaci. U každého ověř, že jsou přítomny čtyři vrstvy, že jsou popsány kamera a zvuk – nebo je zvuková stopa vypnuta – a že délka a poměr stran odpovídají zamýšlenému použití.

Klíčové poznatky

  • Dobrý video prompt obsahuje subjekt, akci, prostředí a styl, přičemž začíná subjektem
  • xAI také požaduje popis pohybu kamery, světla a zvuku
  • Zvuková stopa je generována ve výchozím nastavení; "generate_audio": false vytvoří němý záznam
  • Přizpůsob délku (1 až 15 s, výchozí 8), poměr stran (devět formátů) a rozlišení (až 1080p u modelů 1.5) konečnému použití
  • Příběh s více záběry se generuje záběr po záběru a následně stříhá
  • Popisuj, co chceš vidět, nikoliv co nechceš