Obrázky jako reference a připnuté obrázky
Na této stránce
Lekce přepracována 2. listopadu 2026 na základě dokumentace Reference-to-Video od xAI: referenční obrázky umožňují zobrazit konkrétní lidi, objekty nebo oblečení označené v promptu jako
<IMAGE_0>,<IMAGE_1>… – nejen k vynucení stylu; u modelugrok-imagine-video-1.5mohou nyní doprovázet parametrimage, připnutý poslední obrázek, klíčové snímky (keyframes) a hlasy. Stará verze tvrdila, žeimageareference_imagesjsou neslučitelné. Zdroje: Reference-to-Video · Reference Videos.
Jak modelu předat vizuální obsah
Přímá animace obrázku není jediným způsobem, jak modelu poskytnout vizuální vstup. Video API od xAI nabízí druhý mechanismus: referenční obrázky. Místo toho, aby se obrázek hýbal tak, jak je, poskytují prvky, které se musí ve videu objevit – osoba, produkt, kus oblečení – aniž by se zmrazilo popředí. Pochopení rozdílu mezi image a reference_images je klíčem k této lekci.
Dva parametry, dva záměry
Parametr image poskytuje obrázek k animaci: stává se prvním snímkem videa a jeho obsah se uvede do pohybu. Toto je image-to-video z předchozích lekcí.
Parametr reference_images poskytuje obrázky, jejichž prvky model znovu využije: obličej modelky, košili, flakon parfému. Samotná scéna se řídí tvým promptem. xAI uvádí tři typická použití: virtuální vyzkoušení (virtual try-on), product placement a příběhy s opakujícími se postavami. Každá reference je veřejná URL adresa HTTPS, data kódovaná v base64 nebo file_id nahraného souboru a všechny tři formy můžeš v jedné žádosti kombinovat.
{
"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"
}
Odkazování na reference v promptu
Prompt označuje každou referenci její pozicí v seznamu: <IMAGE_0> pro první, <IMAGE_1> pro druhou a tak dále. Pokud také poskytneš image pro připnutí prvního snímku, zabere <IMAGE_0> a tvé reference začínají od <IMAGE_1>.
Při práci s více referencemi xAI doporučuje dát každé z nich jednu roli a pevné místo ve scéně, udržovat obsazení omezené a používat statické rekvizity. Reference sloužící současně jako postava i kulisa nebo deset objektů pohybujících se najednou vytvářejí matoucí scény.
Pravidla
| Limit | grok-imagine-video-1.5 | grok-imagine-video |
|---|---|---|
| Referenční obrázky | max. 14 | max. 7 |
| Doba trvání | max. 15 s | max. 10 s |
| Rozlišení | max. 720p | max. 720p |
| První obrázek připnutý s referencemi, poslední obrázek, klíčové snímky | Ano | Ne |
Hlasy (reference_audios) | max. 3 předdefinované hlasy | Ne |
Žádost tohoto typu musí obsahovat alespoň jeden referenční obrázek, hlas, poslední obrázek nebo klíčové snímky.
Připínání konkrétních obrázků (grok-imagine-video-1.5)
U modelu grok-imagine-video-1.5 můžeš fixovat přesné obrázky v daných časech videa:
imagealast_framedohromady: video začíná prvním obrázkem a končí posledním, přičemž model mezi nimi interpoluje- pouze
last_frame: model vymyslí úvod a skončí na připnutém obrázku last_frames referencemi nebo hlasy: poslední obrázek je připnutý, reference řídí zbytek; přidejimagepro připnutí také prvního snímkukeyframes: až čtyři klíčové snímky, každý stimestamp_sstriktně mezi 0 a délkou videa; kotvy se přichytávají k mřížce po třetinách sekundy, takže dva klíčové snímky musí být od sebe vzdáleny alespoň o třetinu sekundy
{
"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
}
Stejný model umí tvým postavám propůjčit hlasy: reference_audios přijímá až tři předdefinované hlasy, označené jejich voice_id (z katalogu hlasů text-to-speech od xAI, například eve nebo leo), které prompt cituje jako <AUDIO_0>, <AUDIO_1>…
Co reference umožňují
Prvním případem použití a tím nejvýhodnějším v profesionálním kontextu je kontinuita: stejná postava, stejný produkt od jednoho videa k druhému. Představ si kampaň o deseti videích vyrobenou během tří týdnů: bez referencí by se produkt jemně měnil na tvaru a maskot by si z klipu na klip měnil obličej. Systematickým poskytováním stejných referencí ukotvíš to, co musí zůstat identické, a pouze prompt mění scénu.
{
"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
}
Product placement funguje na stejné logice – tvá láhev, tvá bota ve vymyšlené scéně – a virtuální vyzkoušení to posouvá ještě dál: osoba a oděv, každý na vlastní referenci, sjednocení v jednom záběru.
Výběr a párování referencí
Vyber si ostré, dobře osvětlené obrázky, kde prvek k opětovnému použití zabírá většinu rámu: košile vyfocená samotná na neutrálním pozadí funguje lépe než košile nošená v davu. Jedna reference, jeden subjekt.
Psaní promptu se řídí rozdělením rolí: reference přinášejí prvky, prompt popisuje scénu a akci. Pojmenuj každou referenci jejím tagem tam, kde zasahuje, a buď explicitní ohledně pohybu, který žádný obrázek nenesen.
Když čelíš požadavku, rozhodování se redukuje na jednu otázku. Pokud chceš animovat konkrétní obrázek tak, jak je, použij image. Pokud chceš novou scénu, kde se objeví daní lidé nebo objekty, použij reference_images. Pokud chceš řídit začátek, konec nebo konkrétní momenty, použij připnuté obrázky modelu grok-imagine-video-1.5. A pokud na ničem z toho nezáleží, samotný prompt stačí.
Klíčové poznatky
imageanimuje obrázek, který se stane prvním snímkem videa;reference_imagesnechává prvky se objevit bez zmrazení popředí- Prompt cituje reference podle pozice:
<IMAGE_0>,<IMAGE_1>… (imagezabere<IMAGE_0>, pokud je poskytnuto) - Až 14 referencí u
grok-imagine-video-1.5(15 s), 7 ugrok-imagine-video(10 s), max. 720p - U
grok-imagine-video-1.5doplňují reference parametryimage,last_frame,keyframesareference_audios - Jedna role na referenci, omezené obsazení, statické rekvizity