Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Hatékony videós promptok írása

2. lecke 12 közül Frissítve 2026. november 3. Középhaladó
Ezen az oldalon
  1. A videós prompt művészete
  2. Egy jó leírás négy összetevője
  3. Két videóra jellemző réteg: kamera és hang
  4. Három prompt, három stílus
  5. Paraméterek igazítása a tartalomhoz
  6. Mi okozza a prompt kudarcát
  7. Főbb megállapítások

Frissítve: 2026. november 3. Az xAI Video Overview és Video Generation oldalai, valamint képgenerálási útmutatója alapján: az xAI azt kéri, hogy írd le a teljes jelenetet, beleértve a kamera mozgását, a fényviszonyokat és a hangot. A korábbi verzióra jellemző „maximum két-három mondat“ szabály az xAI egyetlen oldalán sem szerepel; sőt, a képgenerálási útmutató egyetlen képnél is négy-hat mondatot javasol. Ez a lecke tárgyalja az 1080p felbontást az 1.5-ös modelleknél, a kilenc képarányt és az alapértelmezetten generált hangsávot. Források: Video Overview · Video Generation · Image Prompting Guide.

A videós prompt művészete

A generált videó minősége közvetlenül függ a promptod pontosságától, és egy videós prompt többet igényel, mint egy képes. Míg egy statikus leírás elegendő egy illusztráció létrehozásához, addig egy videós promptnak hordoznia kell a jelenet mozgását, időbeliségét és dinamikáját – és mivel a videó hanggal készül, azt is, amit hallani fogsz benne. Egy olyan prompt, amely tökéletesen leír egy helyszínt, de sosem említi, mi mozog, szinte befagyott felvételt eredményezhet: technikailag animált, de vizuálisan élettelen jelenetet. Ez a lecke megtanít arra, hogyan strukturáld a leírásaidat, hogy a legtöbbet hozd ki a Grok Imagine Video modellekből.

Egy jó leírás négy összetevője

Egy hatékony videós prompt négy információs réteget fogalmaz meg, és mindegyiken külön-külön dolgoznod kell.

Az első a téma: a jelenet fő eleme vagy elemei, elég pontosan leírva ahhoz, hogy a modellnek ne kelljen kitalálnia semmit. Ha azt írod, hogy „egy madár“, széles teret engedsz a modellnek; ha azt írod, hogy „egy irizáló kék és zöld tollazatú kolibri“, rögzíted a megjelenést, és konzisztensebbé teszed a generálásokat próbáról próbára.

Ezt követi a cselekvés, ami a videó legdöntőbb összetevője. Nem elég azt mondani, hogy valami mozog; meg kell határoznod a mozgást, annak irányát és intenzitását. A „repülő madár“ egy szándék, nem pedig rendezési utasítás. A „piros hibiszkusz virágról táplálkozó kolibri, gyorsan csapkodó szárnyakkal“ gesztust, célpontot és ritmust ad a modellnek.

A harmadik réteg a környezet: a helyszín, a fény, az időjárás és a hangulat. Az egyszerű „egy kertben“ kifejezés a modellre bízza az évszak és a napszak kiválasztását. A „dús trópusi kertben, a lombozaton átszűrődő aranyos késő délutáni fény“ megteremti az atmoszférát, és mellékesen meghatározza a fény irányát a témádon.

Végül jön a vizuális stílus, amely meghatározza a megjelenítést: filmes, dokumentarista, animált. Egy olyan kifejezés, mint „filmes stílus, kis mélységélesség, meleg színek“ reklámjellegű keretet ad, míg a „stilizált 3D animáció, pasztell paletta“ teljesen más univerzumba repít ugyanazzal a bemeneti jelenettel.

A sorrend számít. Az xAI képgenerálási útmutatója – bár állóképekre íródott, itt is hasznos – rámutat, hogy ha a prompt hangulattal, filmszemcsésséggel vagy tiltólistával kezdődik, az egy csiszolt jelenetet eredményez, ahol a téma csupán háttérszereplővé válik. Ezért mindig a témával és annak cselekvésével kezdj, a stílust pedig hagyd a végére.

Két videóra jellemző réteg: kamera és hang

A szövegből videó (text-to-video) esetében az xAI egyetlen mondatban foglalja össze az utasítást: írd le a felvételt, beleértve a kamera mozgását, a fényt és a hangot. Ezen elemek közül kettő nem létezik állóképeknél.

A kamerát filmes szakkifejezésekkel irányítod: statikus felvétel, lassú zoom, követő felvétel, drónnézet, időzített felvétel (timelapse). Az xAI dokumentációjában szereplő példák ezeket változatlanul használják: lassú zoom egy kifutópódiumra, kamera úszása egy napos ajtótól egy ablakig, drónfelvétel csúcsok között, időzített felvétel egy virág kinyílásáról. Ha nem írsz semmit, ezt a döntést a modellre bízod.

A fényt érdemes az xAI képes útmutatója szerint leírni: forrás, irány és keménység, elég erősen ahhoz, hogy a téma olvasható maradjon. A „kemény délutáni napfény balról“ megmondja a modellnek, mit világítson meg; a „szép fény“ semmit sem mond neki.

A hang a eredmény része: a generált videó alapértelmezetten tartalmaz hangsávot, szinkronizált beszéddel a grok-imagine-video-1.5 és annak -lite verzióján. Írd le tehát a kívánt hangzásvilágot – eső az aszfalton, szobazúgás, lágy zene –, vagy vágd ki a sávot a "generate_audio": false paraméterrel, ha a vágás során saját hangot teszel alá.

Egy utolsó működési részlet megváltoztatja az írásmódot: az 1.5-ös modelleknél a szövegből videó először egy állóképet renderel a prompt alapján, majd azt animálja. A kezdőjelenetnek ezért éles képként kell olvashatónak lennie – téma, díszlet, fény –, a mozgás pedig azt írja le, ami ezután történik.

Három prompt, három stílus

Ezek a rétegek a klip céljától függően eltérően kombinálódnak. Reklámcélra az anyaghasználatra és a fényre helyezed a hangsúlyt, a cselekvés pedig minimális, de tökéletesen leírt marad:

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.

Az előadásokhoz szánt adatvizualizáció esetén a mozgás strukturálissá válik – ez hordozza az információt –, a stílus pedig szándékosan visszafogott. Ez a videó élő kommentár alatt fut: generáld hang nélkül, a "generate_audio": false paraméterrel.

A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.

Végül a kreatív animációknál a téma lehet absztrakt is, feltéve, hogy az átalakulást pontosan leírod:

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.

Szánj egy percet arra, hogy mindhárom blokkban azonosítsd, hol van a téma, a cselekvés, a környezet és a stílus, majd a kamera és a hang. Ez az olvasási gyakorlat természetessé teszi majd az írást.

Paraméterek igazítása a tartalomhoz

A prompt nem önmagában működik: az időtartamnak, a képaránynak és a felbontásnak igazodnia kell hozzá. Az időtartam 1 és 15 másodperc között mozog, alapértelmezetten 8 másodperc. Az 1–3 másodperces időtartam egyetlen cselekvéshez, átmenethez vagy GIF-szerű megjelenítéshez illik; 4–7 másodpercnél már van eleje és vége egy rövid jelenetnek; 8 és 15 másodperc között pedig narratív szekvenciába lépsz fejlődéssel. Minél hosszabb a videó, annyi több időt vesz igénybe a generálás, és az ár másodpercenként számítódik: kezdj röviddel, és fokozatosan növeljed.

A képarányt a végső felhasználási hely alapján válaszd ki. Az API kilencet kínál: 16:9 (alapértelmezett) szélesvásznú webes tartalmakhoz és prezentációkhoz, 9:16 mobilhoz, storykhoz és Reelsekhez, 1:1 közösségi médiás posztokhoz és bélyegképekhez, 4:3 és 3:4 prezentációkhoz és portrékhoz, 3:2 és 2:3 fotószerű megjelenítéshez, 21:9 ultra-széles moziformátumhoz, 5:2 bannerhez vagy weboldal fejlécéhez. Képből videó (image-to-video) esetén ez a választás megszűnik: a kimenet követi a kép képarányát.

Ami a felbontást illeti, előnézetekhez és vázlatokhoz tartsd meg a 480p-t – ez az alapértelmezett érték, és gyorsabb a renderelés –, majd amikor a klip gyártásba kerül, lépj feljebb 720p-re vagy 1080p-re. Az 1080p csak az 1.5-ös modelleken érhető el: natívan a grok-imagine-video-1.5-ön, míg a -lite verzióján a 720p felskálázásával érhető el; a grok-imagine-video viszont maximum 720p-ig megy. Egyszerű videókhoz az xAI a grok-imagine-video-1.5-lite modellt javasolja, mivel ez a legolcsóbb másodpercenként, a grok-imagine-video-1.5-öt pedig referenciaképekhez, hangokhoz, rögzített képekhez és natív 1080p-hez tartja fenn.

Mi okozza a prompt kudarcát

Öt buktató fordul elő gyakran. Az első a túl homályos prompt: a „egy szép jelenet“ nem tartalmaz használható információt. A második az a prompt, amely mindent el akar mondani – több téma, több helyszín, több jelenet néhány másodpercben. Egy több beállításból álló történethez kövesd az xAI cookbook Storyboard to Short Film példáját: ez négy felvételre bontja a narratívát, mindegyiket külön generálja a saját jelenetével és kameramozgásával, majd a vágás során illeszti őket össze. A harmadik, amire már utaltunk, a leírt mozgás hiánya, ami statikus felvételt eredményez. A negyedik a logikai ellentmondásokban rejlik: ha azt kéred, hogy „egy macska repüljön a vízben“, a modellt ellentmondás elé állítod, és az eredmény valószínűleg inkoherens lesz. Az ötödik a tiltólisták használata – „nincs autó, nincs szöveg, nincs tömeg“. Az xAI képes útmutatója megjegyzi, hogy a kerülendő elemek hosszú listáját a modell könnyen figyelmen kívül hagyja, és olyan tárgyakkal tölti fel a promptot, amelyek végül mégis megjelennek: ehelyett írd le, mit szeretnél látni.

Ami a hosszat illeti, az xAI dokumentációja nem ad ideális mértéket videóhoz, és nem számszerűsíti azt a határt, amelyen túl a túl hosszú promptot elutasítják (invalid_argument hiba). A képes útmutatójuk négy-hat mondatot javasol egyetlen képnél: a téma és annak részletei, majd a díszlet, a fény és a keretezés. Egy videós felvételhez indulj ki ebből a szerkezetből, és add hozzá a cselekvést, a kamerát és a hangot.

Gyakorlásképpen írj egy teljes promptot három különböző célra: egy háttérvideót egy étterem weboldalához, egy 3 másodperces klipet egy ruházati márka Instagram storyjához, és egy absztrakt animációt egy technikai prezentációhoz. Mindegyiknél ellenőrizd, hogy a négy réteg jelen van-e, hogy a kamera és a hang le van-e írva – vagy a hangsáv ki van-e kapcsolva –, valamint hogy az időtartam és a képarány illeszkedik-e a tervezett felhasználáshoz.

Főbb megállapítások

  • Egy jó videós prompt tartalmazza a témát, a cselekvést, a környezetet és a stílust, a témával kezdve
  • Az xAI azt is kéri, hogy írd le a kamera mozgását, a fényt és a hangot
  • A hangsáv alapértelmezetten generálódik; a "generate_audio": false paraméterrel néma videót kapsz
  • Igazítsd az időtartamot (1–15 mp, alapértelmezett 8), a képarányt (kilenc formátum) és a felbontást (akár 1080p az 1.5-ös modelleken) a végső felhasználáshoz
  • A több beállításból álló történetet felvételről felvételre generáld, majd vágd össze
  • Írd le, mit szeretnél látni, ahelyett, hogy azt írnád, mit nem