Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Kuvaviitteet ja kiinnitetyt kuvat

Oppitunti 5 / 12 Päivitetty 2. marraskuuta 2026 Keskitasoinen
Tällä sivulla
  1. Visuaalisen syötteen antaminen mallille
  2. Kaksi parametria, kaksi tarkoitusta
  3. Viitteiden nimeäminen kehotteessa
  4. Säännöt
  5. Tiettyjen kuvien kiinnittäminen (grok-imagine-video-1.5)
  6. Mitä viitteet mahdollistavat
  7. Viitteiden valinta ja yhdistäminen
  8. Keskeiset asiat

Oppitunti kirjoitettu uudelleen 2. marraskuuta 2026 perustuen xAI:n Reference-to-Video-dokumentaatioon: kuvaviitteet tuovat videoon tiettyjä henkilöitä, esineitä tai vaatteita, joita kehotteessa merkitään tunnisteilla <IMAGE_0>, <IMAGE_1>… – ei pelkän tyylin määräämiseksi. Mallissa grok-imagine-video-1.5 ne voivat nyt esiintyä yhdessä parametrin image, kiinnitetyn viimeisen kuvan, avainkehysten ja äänien kanssa. Vanha versio väitti, että image ja reference_images olisivat yhteensopimattomia. Lähteet: Reference-to-Video · Reference Videos.

Visuaalisen syötteen antaminen mallille

Kuvan suora animointi ei ole ainoa tapa syöttää visuaalista materiaalia mallille. xAI:n video-API tarjoaa toisen mekanismin: kuvaviitteet (reference images). Sen sijaan, että kuvaa liikutettaisiin sellaisenaan, viitekuvat tarjoavat elementtejä, jotka videon täytyy tuoda esiin – esimerkiksi henkilön, tuotteen tai vaatekappaleen – ilman, että etuala jäätyy paikalleen. Tämän oppitunnin ydin on ymmärtää rajanveto parametrien image ja reference_images välillä.

Kaksi parametria, kaksi tarkoitusta

Parametri image tarjoaa kuvan, jota animoidaan: siitä tulee videon ensimmäinen kehys, ja sen sisältö saatetaan liikkeelle. Tämä on edellisillä oppitunneilla käsitelty image-to-video -toiminto.

Parametri reference_images tarjoaa kuvia, joiden elementtejä malli käyttää uudelleen: esimerkiksi mallin kasvot, paidan tai hajuvesipullon. Itse kohtaus rakentuu antamasi kehotteen (prompt) mukaan. xAI mainitsee kolme tyypillistä käyttötapausta: virtuaalinen sovitus (virtual try-on), tuotesijoittelu ja tarinat toistuvilla hahmoilla. Jokainen viite voi olla julkinen HTTPS-URL, base64-koodattua dataa tai ladatun tiedoston file_id, ja voit yhdistää kaikki nämä muodot samaan pyyntöön.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "Hidas seuraava kuvaus valkoisella kiitotiellä. Malli kohteesta <IMAGE_0> saapuu taustalta ja kävelee kohti kameraa; hänellä on yllään paita kohteesta <IMAGE_1> ja mustat farkut. Hidastettu, korkealaatuinen, yksityiskohtaiset kasvot.",
  "reference_images": [
    {"url": "https://exemple.com/mannequin.jpg"},
    {"url": "https://exemple.com/chemise.jpg"}
  ],
  "duration": 10,
  "aspect_ratio": "16:9",
  "resolution": "720p"
}

Viitteiden nimeäminen kehotteessa

Kehote määrittää jokaisen viitteen sen sijainnin perusteella listassa: <IMAGE_0> ensimmäiselle, <IMAGE_1> toiselle ja niin edelleen. Jos tarjoat myös parametrin image kiinnittääksesi ensimmäisen kehyksen, se vie paikan <IMAGE_0>, jolloin viitteesi alkavat tunnisteesta <IMAGE_1>.

Kun käytössä on useita viitteitä, xAI suosittelee antamaan kullekin niistä yhden selkeän roolin ja kiinteän paikan kohtauksessa, pitämään hahmolistauksen rajoitettuna ja käyttämään staattisia rekvisiittoja. Viite, joka toimii samanaikaisesti sekä hahmona että lavasteena, tai kymmenen samaan aikaan liikkuvaa esinettä, tuottavat sekavia kohtauksia.

Säännöt

Raja-arvogrok-imagine-video-1.5grok-imagine-video
KuvaviitteetEnintään 14Enintään 7
KestoEnintään 15 sEnintään 10 s
ResoluutioEnintään 720pEnintään 720p
Ensimmäinen kuva kiinnitettynä viitteiden, viimeisen kuvan ja avainkehysten kanssaKylläEi
Äänet (reference_audios)Enintään 3 esiasetettua ääntäEi

Tällaisen pyynnön on sisällettävä vähintään yksi kuvaviite, ääni, viimeinen kuva tai avainkehys.

Tiettyjen kuvien kiinnittäminen (grok-imagine-video-1.5)

Mallissa grok-imagine-video-1.5 voit kiinnittää tarkkoja kuvia videon tiettyihin ajankohtiin:

  • image ja last_frame yhdessä: video alkaa ensimmäisestä kuvasta ja päättyy viimeiseen, mallin interpoloidessa näiden välillä
  • Vain last_frame: malli keksii alun ja päätyy kiinnitettyyn kuvaan
  • last_frame yhdessä viitteiden tai äänien kanssa: viimeinen kuva kiinnitetään, viitteet ohjaavat loput; lisää image kiinnittääksesi myös alun
  • keyframes: enintään neljä avainkehystä, joista jokaisella on timestamp_s ehdottomasti suurempi kuin 0 ja pienempi kuin videon kesto; ankkurit lukittuvat kolmasosasekunnin ruudukkoon, joten kahden avainkehyksen välin on oltava vähintään kolmasosa sekuntia
{
  "model": "grok-imagine-video-1.5",
  "prompt": "Kukka aukeaa hitaasti aamuvalossa",
  "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
}

Sama malli voi antaa äänen hahmoillesi: reference_audios hyväksyy enintään kolme esiasetettua ääntä, jotka määritetään niiden voice_id:llä (xAI:n tekstistä puheeksi -ääniluettelosta, esimerkiksi eve tai leo). Kehote viittaa niihin tunnisteilla <AUDIO_0>, <AUDIO_1>…

Mitä viitteet mahdollistavat

Ensimmäinen ja ammattimaisessa kontekstissa kustannustehokkain käyttötapa on jatkuvuus: sama hahmo, sama tuote videosta toiseen. Kuvittele kolmen viikon aikana tuotettu kymmenen videon kampanja: ilman viitteitä tuotteen muoto muuttuu hienovaraisesti ja maskotti vaihtaa kasvojaan klipistä toiseen. Toimittamalla systemaattisesti samat viitteet ankkuroit ne asiat, joiden on pysyttävä identtisinä, ja vain kehote muuttaa kohtausta.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "Älypuhelin kohteesta <IMAGE_0> lepää minimalistisella työpöydällä; sen näyttö syttyy vähitellen, pehmeä aamuvalo",
  "reference_images": [
    {"url": "https://exemple.com/smartphone-officiel.jpg"}
  ],
  "duration": 6
}

Tuotesijoittelu noudattaa samaa logiikkaa – pullosi tai kenkäsi keksityssä kohtauksessa – ja virtuaalinen sovitus vie tämän vielä pidemmälle: henkilö ja vaatekappale, kumpikin omalla viitekuvallaan, yhdistyvät samaan otokseen.

Viitteiden valinta ja yhdistäminen

Valitse teräviä, hyvin valaistuja kuvia, joissa uudelleenkäytettävä elementti täyttää suurimman osan kuvasta: neutraalilla taustalla yksinään kuvattu paita toimii paremmin kuin väkijoukossa käytetty paita. Yksi viite, yksi kohde.

Kehotteen kirjoittaminen seuraa roolijakoa: viitteet tuovat elementit, kehote kuvailee kohtauksen ja toiminnan. Nimeä jokainen viite sen tunnisteella kohdassa, jossa se esiintyy, ja ole eksplisiittinen liikkeen suhteen, sillä mikään kuva ei sisällä liikeinformaatiota.

Kun kohtaat pyynnön, päätös tiivistyy yhteen kysymykseen. Jos haluat animoida tietyn kuvan sellaisenaan, käytä parametria image. Jos haluat uuden kohtauksen, jossa tietyt henkilöt tai esineet esiintyvät, käytä parametria reference_images. Jos haluat hallita alkua, loppua tai tiettyjä hetkiä, käytä mallin grok-imagine-video-1.5 kiinnitettyjä kuvia. Jos mikään näistä ei ole relevanttia, pelkkä kehote riittää.

Keskeiset asiat

  • image animoi kuvan, josta tulee videon ensimmäinen kehys; reference_images tuo elementtejä esiin jäädyttämättä etualaa
  • Kehote viittaa kuviin niiden sijainnin perusteella: <IMAGE_0>, <IMAGE_1>… (image vie paikan <IMAGE_0>, jos se on annettu)
  • Enintään 14 viitettä mallissa grok-imagine-video-1.5 (15 s), 7 mallissa grok-imagine-video (10 s), resoluutio enintään 720p
  • Mallissa grok-imagine-video-1.5 parametrit image, last_frame, keyframes ja reference_audios täydentävät viitteitä
  • Yksi rooli per viite, rajoitettu hahmolista, staattiset rekvisiitat