Piši učinkovite video upite
Na ovoj stranici
Ažurirano 3. studenoga 2026. Na temelju stranica Video Overview i Video Generation tvrtke xAI te njezinog vodiča za upite za slike: xAI traži da opišeš cijeli kadar, uključujući kretanje kamere, svjetlo i zvuk. Pravilo „najviše dvije ili tri rečenice“ iz prethodne verzije ne pojavljuje se ni na jednoj stranici xAI-ja; štoviše, vodič za slike preporučuje četiri do šest rečenica za jednu sliku. Ova lekcija također pokriva 1080p za modele 1.5, devet omjera slike i zvučni zapis koji se generira prema zadanim postavkama. Izvori: Video Overview · Video Generation · Image Prompting Guide.
Umjetnost video upita
Kvaliteta generiranog videa izravno ovisi o preciznosti tvog upita, a video upit zahtijeva više od upita za sliku. Dok statični opis sufficeira za izradu ilustracije, video upit mora prenijeti i pokret, vremensku dimenziju i dinamiku scene – a budući da video izlaz uključuje i zvučni zapis, također i ono što se u njemu čuje. Upit koji savršeno opisuje okruženje, a nikada ne navodi što se pomiče, riskira stvaranje gotovo zamrznutog kadra, tehnički animiranog, ali vizualno beživotnog. Ova će te lekcija naučiti kako strukturirati opise kako bi izvukao/la maksimum iz modela Grok Imagine Video.
Četiri komponente dobrog opisa
Učinkovit video upit artikulira četiri sloja informacija, a na svakom od njih radiš zasebno.
Prvi je subjekt: glavni element ili elementi scene, opisani s dovoljno preciznosti da model ne mora ništa izmišljati. Pisanje „ptica“ ostavlja polje široko otvorenim; pisanje „kolibrić s iridescentnim plavim i zelenim perjem“ fiksira izgled i čini tvoje generacije dosljednijima od jednog pokušaja do drugog.
Zatim slijedi radnja, najodlučnija komponenta u videu. Nije dovoljno reći da se nešto pomiče; moraš specificirati pokret, njegov smjer i intenzitet. „Ptica koja leti“ je namjera, a ne instrukcija za postavljanje scene. „Kolibrić koji se hrani na crvenom cvijetu hibiskusa, brzo mašući krilima“ modelu daje gestu, cilj i ritam.
Treći sloj je okruženje: mjesto, svjetlo, vrijeme i raspoloženje. Jednostavno „u vrtu“ prepušta modelu da odabere doba dana i godišnje doba umjesto tebe. „U bujnom tropskom vrtu, zlatno svjetlo kasnog poslijepodneva probija se kroz lišće“ postavlja atmosferu i, usputno, smjer svjetla na tvoj subjekt.
Konačno, vizualni stil, koji određuje render: filmski, dokumentarni, animirani. Fraza poput „filmski stil, plitka dubinska oštrina, tople boje“ uspostavlja reklamni registar, dok te „stilizirana 3D animacija, pastelna paleta“ vodi u potpuno drugačiji svemir s istom ulaznom scenom.
Redoslijed je bitan. Vodič xAI-ja za upite za slike, napisan za statične slike, ali koristan i ovdje, primjećuje da upit koji započinje raspoloženjem, zrnom filma ili popisom zabrana proizvodi uglađenu scenu u kojoj je subjekt tek statist u pozadini. Zato započni sa subjektom i njegovom radnjom, a stil ostavi za kraj.
Dva sloja specifična za video: kamera i zvuk
Za tekst-u-video, xAI sažima svoju instrukciju u jednu rečenicu: opiši kadar, uključujući kretanje kamere, svjetlo i zvuk. Dva od ovih elemenata ne postoje kod statičnih slika.
Kamerom se upravlja filmskim rječnikom: statični kadar, sporo zumiranje, vožnja kamerom (tracking shot), pogled dronom, ubrzani snimak (timelapse). Primjeri u dokumentaciji xAI-ja koriste ih kao takve: sporo zumiranje na podij modna piste, kamera koja klizi od sunčanih vrata do prozora, snimak dronom između vrhova, ubrzani snimak cvijeta koji cvjeta. Ako ništa ne kažeš, taj izbor prepuštaš modelu.
Svjetlo ima koristi od toga da bude opisano kako to čini vodič xAI-ja za slike: njegov izvor, smjer i tvrdoća, dovoljno snažno da subjekt ostane čitljiv. „Oštro poslijepodnevno sunce s lijeve strane“ govori modelu što treba osvijetliti; „lijepo svjetlo“ mu ne govori ništa.
Zvuk je dio rezultata: generirani video prema zadanim postavkama uključuje zvučni zapis, s usklađenim pokretima usana (lip-sync) na grok-imagine-video-1.5 i njegovoj -lite verziji. Stoga opiši zvučni pejzaž koji želiš – kiša na asfaltu, žamor u sobi, tiha glazba – ili isključi zapis s "generate_audio": false ako namjeravaš dodati vlastitu glazbenu podlogu u montaži.
Još jedna operativna detalj mijenja način na koji pišeš: na modelima 1.5, tekst-u-video prvo renderira statičnu sliku iz upita, a zatim je animira. Početna scena stoga mora djelovati kao oštra slika – subjekt, dekor, svjetlo – a pokret kao ono što se događa nakon toga.
Tri upita, tri stila
Ovi se slojevi različito kombiniraju ovisno o namjeni isječka. Za reklamnu upotrebu, brineš se za materijal i svjetlo, a radnja ostaje minimalna, ali savršeno opisana:
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.
Za vizualizaciju podataka namijenjenu prezentaciji, pokret postaje strukturalan – on prenosi informaciju – a stil postaje namjerno suzdržan. Ovaj će se video reproducirati uz komentar uživo: generiraj ga bez zvuka, s "generate_audio": false.
A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.
U kreativnoj animaciji konačno, subjekt može biti apstraktan, pod uvjetom da je transformacija precizno opisana:
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.
Odvoji trenutak da u svakom od ova tri bloka identificiraš gdje se nalaze subjekt, radnja, okruženje i stil, a zatim kamera i zvuk. Ova vježba čitanja čini pisanje prirodnim nakon toga.
Usklađivanje parametara sa sadržajem
Upit ne radi sam: trajanje, omjer i rezolucija moraju mu odgovarati. Trajanje se kreće od 1 do 15 sekundi, 8 je zadana vrijednost. Trajanje od 1 do 3 sekunde odgovara jednoj radnji, prijelazu ili renderu u GIF stilu; od 4 do 7 sekundi dobivaš kratku scenu s početkom i krajem; između 8 i 15 sekundi ulaziš u narativni slijed s razvojem. Što je video duži, to generiranje traje dulje, a cijena se obračunava po sekundi: započni kratko i postupno povećavaj.
Odaberi omjer na temelju konačne destinacije. API nudi devet opcija: 16:9 (zadano) za široki zaslon, web i prezentacije, 9:16 za mobitele, storije i Reels, 1:1 za objave na društvenim mrežama i minijature, 4:3 i 3:4 za prezentacije i portrete, 3:2 i 2:3 za fotografski render, 21:9 za ultra-široki filmski format, 5:2 za banner ili zaglavlje web-mjesta. Kod slike-u-video, ovaj izbor nestaje: izlaz prati omjer slike.
Što se tiče rezolucije, zadrži 480p za preglede i nacrte – to je zadana vrijednost, a render je brži – zatim prijeđi na 720p ili 1080p kada isječak ulazi u proizvodnju. 1080p postoji samo na modelima 1.5: izvorno na grok-imagine-video-1.5, dobiveno povećanjem razlučivosti (upsampling) s 720p na njegovoj -lite verziji, dok grok-imagine-video staje na 720p. Za jednostavne videe, xAI preporučuje grok-imagine-video-1.5-lite, najjeftiniji po sekundi, a grok-imagine-video-1.5 rezervira za referentne slike, glasove, nametnute slike i izvorni 1080p.
Što uzrokuje neuspjeh upita
Pet zamki često se ponavlja. Prva je previše nejasan upit: „lijepa scena“ ne sadrži nikakve iskoristive informacije. Druga je upit koji želi ispričati sve – više subjekata, više lokacija, više scena u nekoliko sekundi. Za priču s više kadrova, slijedi primjer Storyboard to Short Film iz xAI kuharice: ona razbija narativ na četiri kadra, generira svaki zasebno, sa svojom scenom i kretanjem kamere, a zatim ih sastavlja u montaži. Treća, već spomenuta, je odsutnost opisanog pokreta, što rezultira statičnim kadrom. Četvrta leži u logičkim sukobima: traženje „mačke koja leti u vodi“ stavlja model pred kontradikciju, a rezultat će vjerojatno biti nekoherentan. Peta je popis negacija – „bez automobila, bez teksta, bez gomile“. Vodič xAI-ja za slike napominje da se dug popis elemenata koje treba izbjegavati lako ignorira i ispunjava upit objektima koji na kraju ipak pojavljuju: umjesto toga opiši ono što želiš vidjeti.
Što se tiče duljine, dokumentacija xAI-ja ne daje idealnu mjeru za video i ne kvantificira granicu iznad koje se predugačak upit odbija (pogreška invalid_argument). Njezin vodič za slike sugerira četiri do šest rečenica za jednu sliku: subjekt i njegovi detalji, zatim dekor, svjetlo i kadrovanje. Za video kadar, kreni od ove strukture i dodaj radnju, kameru i zvuk.
Za vježbu, napiši potpuni upit za tri različite destinacije: pozadinski video za web-mjesto restorana, 3-sekundni isječak za Instagram storij modne marke i apstraktnu animaciju za tehničku prezentaciju. Na svakom provjeri jesu li prisutna četiri sloja, jesu li kamera i zvuk opisani – ili je zvučni zapis isključen – te odgovaraju li trajanje i omjer namjeni.
Ključne točke
- Dobar video upit sadrži subjekt, radnju, okruženje i stil, počevši od subjekta
- xAI također traži da opišeš kretanje kamere, svjetlo i zvuk
- Zvučni zapis se generira prema zadanim postavkama;
"generate_audio": falsedaje video bez zvuka - Prilagodi trajanje (1 do 15 s, 8 zadano), omjer (devet formata) i rezoluciju (do 1080p na modelima 1.5) konačnoj upotrebi
- Priča s više kadrova generira se kadar po kadar, a zatim montira
- Opiši ono što želiš vidjeti, a ne ono što ne želiš