Képek animálása kép-videó funkcióval
Ezen az oldalon
Frissítve: 2026. november 2. az xAI videó API referenciája alapján: a forráskép egy
imageobjektumban helyezkedik el ({"url": ...}vagy{"file_id": ...}), nem pedig egyszerű szöveges karakterláncként. Források: Kép-videó · Videó referencia.
Keltsd életre a képeidet
Az xAI API nem csupán a semmiből generál videókat. Képes meglévő képeket is animálni – veszi a birtokodban lévő vizuális tartalmat, és mozgásba lendíti. Ezt a „kép-videó“ (image-to-video) funkciót hívjuk így, ami megváltoztatja a munka jellegét: nem azt kéred a modelltől, hogy kitaláljon egy jelenetet, hanem azt, hogy folytassa a tiedet. Erre van szükséged, ha egy termékleírást reklámmá kell alakítani, egy szerkesztői illusztrációt közösségi médiára szántál, vagy egy ügyfél által már jóváhagyott márkavizuált szeretnél mozgóképpé tenni.
Az image paraméter
Technikailag minden azon múlik, hogy hozzáadsz egy image objektumot, amely azonosítja a forrásvizuált a url (nyilvános cím vagy base64-kódolt adat) vagy a Files API-n keresztül feltöltött fájl file_id-je alapján.
{
"model": "grok-imagine-video",
"prompt": "Animáld ezt a jelenetet széleffectussal a hajban",
"image": {"url": "https://exemple.com/photo-portrait.jpg"},
"duration": 5
}
A modell elemzi a megadott képet, megőrzi annak vizuális tartalmát, és belevíti a prompt által leírt mozgást. Három feltétel szabályozza ezt a hívást: a képnek elérhetőnek kell lennie (nyilvános URL, base64 adat vagy feltöltött fájl), JPEG, PNG vagy WebP formátumúnak, a promptnak pedig a kívánt mozgást kell leírnia, nem magát a képet – a modell már látja azt, és a felesleges újra-leírás csak pazarolja a figyelmet.
Írj promptot, amikor a kép már beszél
Ez a lecke legfontosabb váltása. A szöveg-videó (text-to-video) esetében a prompt viszi a prímet: téma, helyszín, stílus, cselekvés. A kép-videó esetén az első három adott, neked csak a negyedikkel kell foglalkoznod. Egy jó animációs prompt tehát olyan, mint egy rendezői utasítás egy operatőrnek, aki már ott áll a díszlet előtt.
Először arra fókuszálj, minek kell mozognia: nevezd meg az elemet és a gesztus jellegét: „a levelek gyengéden zizegnek a szélben“, „a folyó vize lassan folyik“, „a karakter jobbra fordítja a fejét“. Ezután adhatsz egy réteg dinamikus hangulatot is, ami nem egy konkrét tárgyra vonatkozik, hanem az általános atmoszférára – „a napfény fokozatosan szűrődik át a felhőkön“, “enyhe eső kezd el esni”. Két szokást le kell szoknod: ne írd le újra a képet (egy „hegyi táj“ semmit nem ad hozzá), és ne kérj radikális átalakítást a tartalmában – ez nem ennek a végpontnak a feladata.
Három konkrét példa
Egy termékfotó, mondjuk egy bársonypárnán pihenő óra, alkalmas egyszerű mechanikus mozgásra és fényjátékra. A négyzetes formátum illik a célzott közösségi média feedhez.
{
"model": "grok-imagine-video",
"prompt": "Az óra lassú forgása a tengelye körül, fényvillanások csillognak a számlapon",
"image": {"url": "https://exemple.com/montre.jpg"},
"duration": 5,
"aspect_ratio": "1:1"
}
Egy tájkép – itt egy hajnali hegyi tó – lehetővé tesz több egyidejű mozgást is, feltéve, hogy azok lassúak és természetesek. A hosszabb időtartam indokolt, mert a szálló köd eloszlása olyan effektus, amelynek idő kell, hogy lecsengjen.
{
"model": "grok-imagine-video",
"prompt": "Enyhe fodrozódás a tó felszínén, a reggeli köd lassan oszlik, madarak repülnek át az égen",
"image": {"url": "https://exemple.com/lac-montagne.jpg"},
"duration": 8,
"aspect_ratio": "16:9"
}
Végül egy portré visszafogottságot kíván: néhány másodperc elég, és a mozgásnak mikroszkopikusnak kell maradnia, különben az egész átbukik a hátborzongatóba. A függőleges formátum előkészíti a közzétételt storyként.
{
"model": "grok-imagine-video",
"prompt": "Az alany gyengéden pislog és halványan elmosolyodik, a haját könnyű szellő mozgatja",
"image": {"url": "https://exemple.com/portrait.jpg"},
"duration": 3,
"aspect_ratio": "9:16"
}
Hol teszi igazán próbára ez a megközelítés a különbséget
A kép-videó funkció ott találja meg a természetes helyét, ahol már léteznek vizuális eszközök. Az e-kereskedelemben egy fotókatalógust videóhirdetések készletévé alakít új forgatás nélkül. A közösségi médiában új életet lehel a statikus bejegyzésekbe, amelyeknél megakadt a bevonódás. Prezentációkban animálja a diákat és illusztrációkat, amelyek sosem indokoltak volna gyártási költségvetést. Kreatív munkák esetén pedig lehetővé teszi, hogy elhanyagolható költséggel felfedezd ugyanannak a műnek az animált variációit.
Három korlát hűti ezt a lelkesedést, és jobb, ha ismered őket, mielőtt eredményt ígérsz. A modell általában tiszteli a forráskép kompozícióját, de torzulások jelenhetnek meg a finom részleteknél – tipográfia, kezek, ismétlődő minták. A komplex mozgások, mint egy sétáló karakter vagy egy gyorsuló jármű, jelentősen nehezebben elérhetők, mint a szél, víz vagy fény apró mozgásai; irányítsd a kéréseidet ez utóbbiak felé. Végül az eredmény minősége szorosan függ a forráskép felbontásától: egy gyenge vizuális bemenet sosem produkál tiszta videót kimenetként.
Főbb megállapítások
- Az
imageparaméter elfogad egy URL-t az animálandó képhez - A promptnak a mozgást kell leírnia, nem a képet
- A finom mozgások (szél, víz, fény) hozzák a legjobb eredményt
- A kép-videó ideális e-kereskedelemhez és közösségi médiához
- A forráskép minősége közvetlenül befolyásolja az eredményt