Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Endpoint /v1/videos/generations: Az első videód

1. lecke 12 közül Frissítve 2026. november 3. Középhaladó
Ezen az oldalon
  1. Videó generálása szövegből
  2. A kérés felépítése
  3. Egy első végpontok közötti (end-to-end) hívás
  4. Hang, alapértelmezetten
  5. Főbb megállapítások

Frissítve: 2026. november 3. az xAI videós dokumentációja alapján: három videómodell érhető el (grok-imagine-video-1.5, annak -lite változata és a grok-imagine-video), a felbontás az 1.5-ös modelleknél eléri az 1080p-t, a videók alapértelmezetten tartalmaznak hangsávot (generate_audio), a sebességkorlátok másodpercenkénti kérésekben (RPS) számítanak, és a régi verzióban szereplő size paraméter nem jelenik meg az API-referenciában. Források: Videógenerálás · Árazás.

Videó generálása szövegből

Az xAI API egy dedikált videó-endpointot tesz elérhetővé, a POST /v1/videos/generations útvonalat, amely írott leírásokat alakít át animált szekvenciákká a három Grok Imagine Video modell egyikének segítségével. Tekints rá úgy, mint egy stúdióra, amit igény szerint hívhatsz: leírsz egy jelenetet, a modell életre kelti, te pedig egy szerkesztésre kész MP4-fájlt kapsz vissza. Promóciós klipek, koncepció-vizualizációk, illusztrációs animációk – minden ilyen felhasználási eset ezen az egyetlen endpointon keresztül fut, ezért először ezt boncolgatjuk részletesen.

A fenti példa betekintést nyújt az elvárható kimenetbe. Mielőtt megírnád az első kérésedet, tartsd észben azt a négy határt, amely mindent keretez, amit ezekkel a modellekkel létrehozol.

1-15 mp
Videónkénti időtartam
1080p
Maximális felbontás
0,02 USD-től
Generált másodpercenként
9
Elérhető képarányok

A kérés felépítése

A kérés törzse egy megnyugtatóan egyszerű JSON-objektum. Megadod a modellt, megírod a promptot (utasítást), és három formázási paraméterrel keretezed az eredményt.

{
  "model": "grok-imagine-video",
  "prompt": "A dolphin jumping in a sunset",
  "duration": 5,
  "aspect_ratio": "16:9",
  "resolution": "720p"
}

Íme az egyes mezők pontos jelentése:

  • model: grok-imagine-video-1.5 (a legújabb), annak gazdaságos változata, a grok-imagine-video-1.5-lite (amit az xAI egyszerű videókhoz ajánl), vagy a grok-imagine-video (az előző generáció, amelyet még mindig használunk ebben a tanfolyamban a példákhoz)
  • prompt: a kívánt jelenet szöveges leírása
  • duration: időtartam másodpercben, 1 és 15 között (alapértelmezetten 8)
  • aspect_ratio: képarány (alapértelmezetten 16:9; lehetséges értékek: 9:16, 1:1, 4:3, 3:4, 3:2, 2:3, 21:9, 5:2)
  • resolution: 480p (alapértelmezett), 720p vagy 1080p – utóbbit a grok-imagine-video-1.5 natívan rendereli szöveg-ből-videó és kép-ből-videó módban; a -lite verziónál 720p-ből történő felskálázással állítják elő; a grok-imagine-video esetén pedig nem elérhető, mivel ez a modell maximum 720p-ig megy el

Két pontra most azonnal fel kell hívnom a figyelmedet. A grok-imagine-video modell ára másodpercenként 0,050 USD a generált videó után (a grok-imagine-video-1.5 esetén 0,08 USD, a -lite verziónál 0,02 USD, 2026. november 3-i adatok szerint): egy öt másodperces szekvencia tehát az első modellel 0,25 USD-be kerül, függetlenül attól, hány próbálkozásból sikerült elkészíteni. A sebességkorlát pedig másodpercenkénti kérésekben (RPS) számít, a csapatod szintjétől függően: a videómodelleknél a belépő szinten ez 10 kérés, ami normál használat mellett kényelmes tartalék, de tömeges kötegek indításakor korlátozó tényezővé válhat.

A legfontosabb azonban, hogy a generálás aszinkron. A POST hívásod nem ad vissza videót: egy request_id-t kapsz, és ezután neked kell lekérdezned az állapotot mindaddig, amíg a fájl elkészül. Ezt a lekérdezési mechanizmust a tanfolyam későbbi részében egy teljes leckében tárgyaljuk; most csak jegyezd meg, hogy az azonnali válasz egy visszaigazolás, nem pedig az eredmény maga.

Egy első végpontok közötti (end-to-end) hívás

Lépjünk át a gyakorlatba curl segítségével. Az alábbi kérés egy öt másodperces szekvenciát rendel meg 720p felbontásban, fekvő formátumban.

curl -X POST "https://api.x.ai/v1/videos/generations" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "grok-imagine-video",
    "prompt": "A cat playing with a ball of yarn in a bright living room",
    "duration": 5,
    "aspect_ratio": "16:9",
    "resolution": "720p"
  }'

A válasz elfér egy sorban:

{
  "request_id": "vid_abc123def456"
}

Őrizd meg gondosan ezt az azonosítót. Ez az egyetlen módja annak, hogy visszanyerd a videót, ha a generálás befejeződött; egy olyan alkalmazás, amely elveszíti ezt az azonosítót, fizetett egy generálásért, amit sosem fog visszakapni. Egy valós szolgáltatásban még a lekérdezés (polling) elindítása előtt naplózod ezt az értéket.

Hang, alapértelmezetten

A generált videó alapértelmezetten tartalmaz hangsávot – a grok-imagine-video-1.5 és annak -lite változata esetén a beszéd szinkronban van az ajakmozgással. Ha némított videót szeretnél (például weboldal háttérnek, vagy olyan szerkesztéshez, ahol később adsz hozzá saját zenét), add hozzá a "generate_audio": false paramétert a kéréshez.

A kimenet keretezéséhez azonban az API csak az arányt (aspect_ratio) és a felbontást (resolution) ismeri: az API-referencia nem tartalmaz képpontméret-paramétert. Kép-ből-videó esetén a kimeneti arány mindig követi a forráskép arányát.

Főbb megállapítások

  • Az endpoint: POST /v1/videos/generations, használható modellek: grok-imagine-video-1.5, annak -lite változata vagy a grok-imagine-video
  • Az időtartam 1 és 15 másodperc között mozog (alapértelmezetten 8), a felbontás 480p és 1080p között (a grok-imagine-video esetén maximum 720p)
  • Az ár generált másodpercenként számítandó: 0,020 USD (-lite), 0,050 USD (grok-imagine-video) vagy 0,080 USD (grok-imagine-video-1.5)
  • A generálás aszinkron: kapsz egy request_id-t, amit utána lekérdezhetsz
  • Kilenc képarány áll rendelkezésre, hogy minden formátumhoz igazodhass
  • Alapértelmezetten generálódik egy hangsáv; a "generate_audio": false beállítással némított videót kapsz