Εικόνες Αναφοράς και Καρφιτσωμένες Εικόνες
Σε αυτήν τη σελίδα
Μάθημα ξαναγραμμένο στις 2 Νοεμβρίου 2026 με βάση την τεκμηρίωση Reference-to-Video της xAI: οι εικόνες αναφοράς κάνουν συγκεκριμένα πρόσωπα, αντικείμενα ή ρούχα να εμφανίζονται, οριζόμενα από το prompt ως
<IMAGE_0>,<IMAGE_1>… — όχι απλώς για να επιβάλουν ένα στυλ. Στοgrok-imagine-video-1.5, μπορούν πλέον να συνοδεύουν τοimage, μια καρφιτσωμένη τελευταία εικόνα, keyframes και φωνές. Η παλιά έκδοση ισχυριζόταν ότι τοimageκαι τοreference_imagesήταν ασυμβίβαστα. Πηγές: Reference-to-Video · Reference Videos.
Παροχή Οπτικών Στοιχείων στο Μοντέλο
Η άμεση εμψύχωση μιας εικόνας δεν είναι ο μοναδικός τρόπος παροχής οπτικών στοιχείων στο μοντέλο. Το API βίντεο της xAI προσφέρει έναν δεύτερο μηχανισμό: τις εικόνες αναφοράς. Αντί να κινούν την εικόνα ως έχει, παρέχουν στοιχεία που το βίντεο πρέπει να κάνει να εμφανιστούν — ένα πρόσωπο, ένα προϊόν, ένα είδος ένδυσης — χωρίς να παγώνουν το προσκήνιο. Η κατανόηση του ορίου μεταξύ image και reference_images είναι το κλειδί αυτού του μαθήματος.
Δύο Παράμετροι, Δύο Προθέσεις
Η παράμετρος image παρέχει την εικόνα προς εμψύχωση: γίνεται το πρώτο καρέ του βίντεο και το περιεχόμενό της τίθεται σε κίνηση. Αυτό είναι το image-to-video από τα προηγούμενα μαθήματα.
Η παράμετρος reference_images παρέχει εικόνες των οποίων το μοντέλο επαναχρησιμοποιεί τα στοιχεία: το πρόσωπο ενός μοντέλου, ένα πουκάμισο, ένα μπουκάλι αρώματος. Η ίδια η σκηνή ακολουθεί το prompt σας. Η xAI αναφέρει τρεις τυπικές χρήσεις: εικονική δοκιμή ρούχων (virtual try-on), τοποθέτηση προϊόντος και ιστορίες με επαναλαμβανόμενους χαρακτήρες. Κάθε αναφορά είναι ένα δημόσιο URL HTTPS, δεδομένα κωδικοποιημένα σε base64 ή το file_id ενός μεταφορτωμένου αρχείου, και μπορείτε να αναμείξετε και τις τρεις μορφές σε ένα μόνο αίτημα.
{
"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"
}
Αναφορά στις Εικόνες Αναφοράς μέσα στο Prompt
Το prompt ορίζει κάθε αναφορά βάσει της θέσης της στη λίστα: <IMAGE_0> για την πρώτη, <IMAGE_1> για τη δεύτερη, και ούτω καθεξής. Εάν παρέχετε επίσης image για να καρφιτσώσετε το πρώτο καρέ, αυτό καταλαμβάνει τη θέση <IMAGE_0>, και οι αναφορές σας ξεκινούν από το <IMAGE_1>.
Με πολλαπλές αναφορές, η xAI συνιστά να δίνετε σε κάθε μία έναν μοναδικό ρόλο και μια σταθερή θέση στη σκηνή, διατηρώντας περιορισμένο το κάστ και χρησιμοποιώντας στατικά αντικείμενα. Μια αναφορά που λειτουργεί ταυτόχρονα ως χαρακτήρας και σκηνικό, ή δέκα αντικείμενα που κινούνται ταυτόχρονα, παράγουν μπερδεμένες σκηνές.
Οι Κανόνες
| Όριο | grok-imagine-video-1.5 | grok-imagine-video |
|---|---|---|
| Εικόνες αναφοράς | 14 το μέγιστο | 7 το μέγιστο |
| Διάρκεια | 15 δευτ. το μέγιστο | 10 δευτ. το μέγιστο |
| Ανάλυση | 720p το μέγιστο | 720p το μέγιστο |
| Πρώτη εικόνα καρφιτσωμένη με αναφορές, τελευταία εικόνα, keyframes | Ναι | Όχι |
Φωνές (reference_audios) | 3 προκαθορισμένες φωνές το μέγιστο | Όχι |
Ένα αίτημα αυτού του τύπου πρέπει να περιέχει τουλάχιστον μία εικόνα αναφοράς, φωνή, τελευταία εικόνα ή keyframe.
Καρφίτσωμα Συγκεκριμένων Εικόνων (grok-imagine-video-1.5)
Στο grok-imagine-video-1.5, μπορείτε να ορίσετε ακριβείς εικόνες σε δεδομένες χρονικές στιγμές του βίντεο:
imageκαιlast_frameμαζί: το βίντεο ξεκινά από την πρώτη εικόνα και τελειώνει στην τελευταία, με το μοντέλο να κάνει παρεμβολή μεταξύ των δύο- Μόνο
last_frame: το μοντέλο επινοεί το άνοιγμα και καταλήγει στην καρφιτσωμένη εικόνα last_frameμε αναφορές ή φωνές: η τελευταία εικόνα είναι καρφιτσωμένη, οι αναφορές καθοδηγούν τα υπόλοιπα· προσθέστεimageγια να καρφιτσώσετε και την πρώτηkeyframes: έως τέσσερα keyframes, το καθένα με έναtimestamp_sαυστηρά μεταξύ 0 και της διάρκειας του βίντεο· οι άγκυρες ευθυγραμμίζονται σε πλέγμα του ενός τριτού του δευτερολέπτου, επομένως δύο keyframes πρέπει να απέχουν τουλάχιστον ένα τρίτο του δευτερολέπτου
{
"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
}
Το ίδιο μοντέλο μπορεί να δώσει φωνές στους χαρακτήρες σας: το reference_audios δέχεται έως τρεις προκαθορισμένες φωνές, οριζόμενες από το voice_id τους (από τον κατάλογο φωνών κειμένου-προς-ομιλία της xAI, π.χ. eve ή leo), τις οποίες το prompt αναφέρει ως <AUDIO_0>, <AUDIO_1>…
Τι Κάνουν Δυνατό οι Αναφορές
Η πρώτη περίπτωση χρήσης, και η πιο συμφέρουσα από άποψη κόστους σε επαγγελματικό πλαίσιο, είναι η συνέχεια: ο ίδιος χαρακτήρας, το ίδιο προϊόν, από το ένα βίντεο στο άλλο. Φανταστείτε μια καμπάνια δέκα βίντεο που παράγεται σε τρεις εβδομάδες: χωρίς αναφορές, το προϊόν αλλάζει subtly σχήμα και η μασκότ αλλάζει πρόσωπο από το ένα κλιπ στο άλλο. Παρέχοντας συστηματικά τις ίδιες αναφορές, αγκυρώνετε ό,τι πρέπει να παραμείνει ίδιο, και μόνο το prompt διαφοροποιεί τη σκηνή.
{
"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
}
Η τοποθέτηση προϊόντος ακολουθεί την ίδια λογική — το μπουκάλι σας, το παπούτσι σας σε μια επινοημένη σκηνή — και η εικονική δοκιμή ρούχων (virtual try-on) το προχωράει ακόμη περισσότερο: ένα πρόσωπο και ένα ένδυμα, το καθένα στη δική του αναφορά, ενωμένα στο ίδιο πλάνο.
Επιλογή και Συνδυασμός των Αναφορών σας
Επιλέξτε ευκρινείς, καλά φωτισμένες εικόνες όπου το στοιχείο προς επαναχρησιμοποίηση καταλαμβάνει το μεγαλύτερο μέρος του κάδρου: ένα πουκάμισο φωτογραφημένο μόνο του σε ουδέτερο φόντο λειτουργεί καλύτερα από ένα πουκάμισο φορεμένο μέσα σε πλήθος. Μία αναφορά, ένα θέμα.
Η συγγραφή του prompt ακολουθεί την κατανομή των ρόλων: οι αναφορές φέρνουν τα στοιχεία, το prompt περιγράφει τη σκηνή και τη δράση. Ονομάστε κάθε αναφορά με την ετικέτα της εκεί που παρεμβαίνει, και μείνετε ρητοί σχετικά με την κίνηση, την οποία καμία εικόνα δεν μεταφέρει.
Όταν αντιμετωπίζετε ένα αίτημα, η απόφαση ανάγεται σε μία ερώτηση. Εάν θέλετε να εμψυχώσετε μια συγκεκριμένη εικόνα ως έχει, χρησιμοποιήστε το image. Εάν θέλετε μια νέα σκηνή όπου εμφανίζονται δεδομένα πρόσωπα ή αντικείμενα, χρησιμοποιήστε το reference_images. Εάν θέλετε να ελέγξετε την αρχή, το τέλος ή συγκεκριμένες στιγμές, χρησιμοποιήστε τις καρφιτσωμένες εικόνες του grok-imagine-video-1.5. Και εάν τίποτα από αυτά δεν έχει σημασία, το prompt μόνο του αρκεί.
Βασικά σημεία
- Το
imageεμψυχώνει μια εικόνα που γίνεται η πρώτη του βίντεο· τοreference_imagesκάνει στοιχεία να εμφανιστούν χωρίς να παγώνει το προσκήνιο - Το prompt αναφέρει τις αναφορές βάσει θέσης:
<IMAGE_0>,<IMAGE_1>… (τοimageκαταλαμβάνει το<IMAGE_0>όταν παρέχεται) - Έως 14 αναφορές στο
grok-imagine-video-1.5(15 δευτ.), 7 στοgrok-imagine-video(10 δευτ.), 720p το μέγιστο - Στο
grok-imagine-video-1.5, ταimage,last_frame,keyframesκαιreference_audiosσυμπληρώνουν τις αναφορές - Ένας ρόλος ανά αναφορά, περιορισμένο κάστ, στατικά αντικείμενα