Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Referenciaképek és rögzített képek

5. lecke 12 közül Frissítve 2026. november 2. Középhaladó
Ezen az oldalon
  1. Vizualitás biztosítása a modell számára
  2. Két paraméter, két szándék
  3. Referenciák hivatkozása a promptban
  4. A szabályok
  5. Konkrét képek rögzítése (grok-imagine-video-1.5)
  6. Mit tesznek lehetővé a referenciák?
  7. Referenciák kiválasztása és párosítása
  8. Főbb megállapítások

A leckét 2026. november 2-án írtuk át az xAI Reference-to-Video dokumentációja alapján: a referenciaképek konkrét személyek, tárgyak vagy ruházati elemek megjelenítését teszik lehetővé, amelyeket a prompt <IMAGE_0>, <IMAGE_1>… formában jelöl meg – nem csupán stílus átvitelére szolgálnak; a grok-imagine-video-1.5 modellen immár társíthatók az image paraméterrel (rögzített első kép), az utolsó képpel, kulcsképekkel és hangokkal. A korábbi verzió tévesen állította, hogy az image és a reference_images paraméterek összeférhetetlenek lennének. Források: Reference-to-Video · Reference Videos.

Vizualitás biztosítása a modell számára

A képek közvetlen animálása nem az egyetlen módja annak, hogy vizuális tartalmat adj a modellnek. Az xAI videó API-ja egy második mechanizmust is kínál: a referenciaképeket. Ezek nem a képet mozdítják meg olyannak, amilyen, hanem olyan elemeket szolgáltatnak, amelyeknek meg kell jelenniük a videóban – egy személy, egy termék, egy ruhadarab –, anélkül, hogy az előteret befagyasztanák. Ebben a leckében az image és a reference_images közötti határvonal megértése a kulcs.

Két paraméter, két szándék

Az image paraméter azt a képet szolgáltatja, amelyet animálni kell: ez lesz a videó első kockája, és annak tartalma kerül mozgásba. Ez az előző leckékben tárgyalt képből-videó (image-to-video) módszer.

A reference_images paraméter olyan képeket biztosít, amelyek elemeit a modell újrahasznosítja: egy modell arca, egy ing, egy parfümösüveg. Maga a jelenet a te promptod szerint alakul. Az xAI három tipikus felhasználási esetet említ: virtuális próbafülke, termékelhelyezés és visszatérő szereplőkkel rendelkező történetek. Minden referencia lehet nyilvános HTTPS URL, base64-kódolt adat vagy egy feltöltött fájl file_id-je, és egyetlen kérésben mindhárom formátum keverhető.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "Lassú követő felvétel egy fehér kifutón. A <IMAGE_0> modell a háttérből lép elő, és a kamera felé sétál; rajta van a <IMAGE_1> ing és egy fekete farmer. Lassított felvétel, magas minőség, részletes arcok.",
  "reference_images": [
    {"url": "https://exemple.com/mannequin.jpg"},
    {"url": "https://exemple.com/chemise.jpg"}
  ],
  "duration": 10,
  "aspect_ratio": "16:9",
  "resolution": "720p"
}

Referenciák hivatkozása a promptban

A prompt a lista pozíciója alapján azonosítja az egyes referenciákat: <IMAGE_0> az elsőnek, <IMAGE_1> a másodiknak, és így tovább. Ha az image paramétert is megadod az első kocka rögzítéséhez, az foglalja el a <IMAGE_0> helyet, és a referenciáid a <IMAGE_1>-től kezdődnek.

Több referencia esetén az xAI azt javasolja, hogy mindegyiknek adj egyetlen szerepet és fix helyet a jelenetben, tartsd korlátozottan a szereplők számát, és használj statikus kellékeket. Ha egy referencia egyszerre szolgál szereplőként és díszletként, vagy tíz tárgy mozog egyszerre, az zavaros jeleneteket eredményez.

A szabályok

Korlátgrok-imagine-video-1.5grok-imagine-video
Referenciaképekmax. 14max. 7
Időtartammax. 15 mpmax. 10 mp
Felbontásmax. 720pmax. 720p
Első kép rögzítése referenciákkal, utolsó kép, kulcsképekIgenNem
Hangok (reference_audios)max. 3 előre definiált hangNem

Az ilyen típusú kérésnek tartalmaznia kell legalább egy referenciaképet, hangot, utolsó képet vagy kulcsképet.

Konkrét képek rögzítése (grok-imagine-video-1.5)

A grok-imagine-video-1.5 modellen rögzíthetsz pontos képeket a videó meghatározott időpontjaiban:

  • image és last_frame együtt: a videó az első képből indul és az utolsón ér véget, a modell a kettő között interpolál.
  • last_frame önmagában: a modell kitalálja a nyitányt, és a rögzített képnél landol.
  • last_frame referenciákkal vagy hangokkal: az utolsó kép rögzített, a referenciák irányítják a többit; add hozzá az image paramétert az első kép rögzítéséhez is.
  • keyframes: legfeljebb négy kulcskép, mindegyikhez egy timestamp_s tartozik, amely szigorúan 0 és a videó időtartama között van; a horgonyok egyharmad másodperces rácshoz igazodnak, így két kulcsképnek legalább egyharmad másodperccel el kell térnie egymástól.
{
  "model": "grok-imagine-video-1.5",
  "prompt": "A virág lassan kinyílik a reggeli fényben",
  "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
}

Ugyanez a modell hangot is adhat a szereplőidnek: a reference_audios legfeljebb három előre definiált hangot fogad el, amelyeket a voice_id alapján jelölsz meg (az xAI szövegből-beszédbe hangkatalógusából, például eve vagy leo), és amelyeket a prompt <AUDIO_0>, <AUDIO_1>… formában hivatkozik meg.

Mit tesznek lehetővé a referenciák?

Az első és szakmai szempontból legköltséghatékonyabb felhasználási eset a folytonosság: ugyanaz a szereplő, ugyanaz a termék egyik videóból a másikba. Képzelj el egy tíz videóból álló kampányt, amelyet három hét alatt gyártasz: referenciák nélkül a termék alakja finoman megváltozik, és a kabalafigurának más lesz az arca klippről klippre. Ugyanazon referenciák szisztematikus biztosításával rögzíted azt, aminek változatlannak kell maradnia, és csak a prompt variálja a jelenetet.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "A <IMAGE_0> okostelefon egy minimalista íróasztalon helyezkedik el; a képernyője fokozatosan bekapcsol, lágy reggeli fényben",
  "reference_images": [
    {"url": "https://exemple.com/smartphone-officiel.jpg"}
  ],
  "duration": 6
}

A termékelhelyezés ugyanerre a logikára épül – a te üveged, a te cipőd egy kitalált jelenetben –, a virtuális próbafülke pedig továbbviszi ezt: egy személy és egy ruhadarab, mindegyik saját referencián, egyesülve ugyanabban a felvételben.

Referenciák kiválasztása és párosítása

Válassz éles, jól megvilágított képeket, ahol a újrahasznosítandó elem a képkocka nagy részét kitölti: egy semleges háttér előtt egyedül lefotózott ing jobban működik, mint egy tömegben viselt ing. Egy referencia, egy téma.

A prompt megírása követi a szereposztást: a referenciák hozzák az elemeket, a prompt írja le a jelenetet és a cselekvést. Nevezd meg az egyes referenciákat a címkejükkel ott, ahol közreműködnek, és légy egyértelmű a mozgást illetően, amit egyetlen kép sem hordoz.

Egy kérés kezelésekor a döntés egyetlen kérdésre vezethető vissza. Ha egy konkrét képet olyannak akarsz animálni, amilyen, használd az image paramétert. Ha egy új jelenetet szeretnél, ahol adott személyek vagy tárgyak jelennek meg, használd a reference_images paramétert. Ha a kezdetet, a végét vagy konkrét pillanatokat akarod vezérelni, használd a grok-imagine-video-1.5 rögzített képeit. Ha pedig egyik sem számít, önmagában a prompt is elegendő.

Főbb megállapítások

  • Az image egy képet animál, amely a videó első kockája lesz; a reference_images elemeket jelenít meg anélkül, hogy befagyasztaná az előteret.
  • A prompt pozíció alapján hivatkozik a referenciákra: <IMAGE_0>, <IMAGE_1>… (ha meg van adva, az image foglalja el a <IMAGE_0> helyet).
  • Legfeljebb 14 referencia a grok-imagine-video-1.5 modellen (15 mp), 7 a grok-imagine-video modellen (10 mp), max. 720p felbontás.
  • A grok-imagine-video-1.5 modellen az image, last_frame, keyframes és reference_audios kiegészítik a referenciákat.
  • Referenciánként egy szerep, korlátozott szereplőgárda, statikus kellékek.