Kaip rašyti efektyvius vaizdo įrašų užklausos tekstus
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 3 d. Remiantis xAI puslapiais Video Overview ir Video Generation bei jų vaizdų kūrimo vadovu: xAI prašo aprašyti visą kadrą, įskaitant kameros judėjimą, šviesą ir garsą. Ankstesnėje versijoje buvusi „maksimaliai du ar trys sakiniai“ taisyklė nerandama nė viename xAI puslapyje; priešingai, vaizdų vadove vienam paveikslėliui rekomenduojama naudoti keturis–šešis sakinius. Šioje pamokoje taip pat aptariamas 1080p raiškos palaikymas 1.5 modeliams, devyni kraštinių santykiai ir pagal nutylėjimą generuojamas garso takelis. Šaltiniai: Video Overview · Video Generation · Image Prompting Guide.
Vaizdo įrašo užklausos teksto menas
Sugeneruoto vaizdo įrašo kokybė tiesiogiai priklauso nuo tavo užklausos teksto tikslumo, o vaizdo įrašui sukurti reikia daugiau nei statiniam paveikslėliui. Jei iliustracijai pakanka statinio aprašymo, tai vaizdo įrašo užklausoje turi atsispindėti scenos judesys, laikiškumas ir dinamika, o kadangi vaizdo įrašas išvedamas su garso takeliu – ir tai, ką jame girdi. Užklausa, tobulai aprašanti aplinką, bet nieko nepasakanti apie judesį, rizikuoja sukurti beveik sustingusį kadrą – techniškai animuotą, bet vizualiai negyvą. Ši pamoka išmokys tave struktūruoti aprašymus, kad iš Grok Imagine Video modelių gautum geriausią rezultatą.
Keturi gero aprašymo komponentai
Efektyvus vaizdo įrašo užklausos tekstas apima keturis informacijos sluoksnius, su kuriais dirbi atskirai.
Pirmasis – objektas: pagrindinis scenos elementas arba elementai, aprašyti taip tiksliai, kad modelis nieko neišgalvotų. Rašant „paukštis“ paliekamas didelis laisvės laipsnis; rašant „kolibris su blizgančiomis mėlynomis ir žaliomis plunksnomis“ fiksuojama išvaizda ir daromi tavo kartojami bandymai nuoseklesni.
Toliau eina veiksmas – svarbiausias vaizdo įrašo komponentas. Nepakanka pasakyti, kad kažkas juda; turi nurodyti patį judesį, jo kryptį ir intensyvumą. „Skrendantis paukštis“ yra tik ketinimas, o ne režūrinė instrukcija. „Kolibris, mintantis raudonu hibisko žiedu, greitai plasnojantis sparnais“ modeliui suteikia gestą, taikinį ir ritmą.
Trečiasis sluoksnis – aplinka: vieta, šviesa, orai ir nuotaika. Paprastas „sode“ palieka modeliui pasirinkti paros laiką ir sezoną. „Vešliais tropiniais sodais, pro lapus prasiskverbianti auksinė vėlyvo popietės šviesa“ nustato atmosferą ir kartu – šviesos kryptį tavo objektui.
Galiausiai, vizualinis stilius, nulemiantis atvaizdavimą: kinematografiškas, dokumentinis, animacinis. Frazė „kinematografiškas stilius, mažas lauko gylis, šiltos spalvos“ sukuria reklaminį skambesį, o „stilizuota 3D animacija, pastelinių spalvų paletė“ perkelia tave į visiškai kitą visatą su ta pačia įvesties scena.
Eiliškumas svarbus. xAI vaizdų kūrimo vadove, skirtame statiniams paveikslėliams, bet naudingame ir čia, pastebima, kad užklausa, prasidedanti nuotaika, filmo grūdėtumu ar draudimų sąrašu, sukuria išpuoselėtą sceną, kurioje objektas tampa tik foniniu statistu. Todėl pradėk nuo objekto ir jo veiksmo, o stilių palik pabaigai.
Du specifiniai vaizdo įrašo sluoksniai: kamera ir garsas
Kurdama tekstą į vaizdo įrašą, xAI savo instrukciją apibendrina vienu sakiniu: aprašyk kadrą, įskaitant kameros judėjimą, šviesą ir garsą. Du iš šių elementų statiniuose paveikslėliuose neegzistuoja.
Kamera valdoma naudojant filmavimo terminiją: statinis kadras, lėtas priartinimas, sekantis kadras, drono vaizdas, laiko intervalas (timelapse). xAI dokumentacijos pavyzdžiuose jie naudojami tiesiogiai: lėtas priartinimas į podiumą ant bėgimo takelio, kamera, slystanti nuo saulėtų durų prie lango, drono kadras tarp viršūnių, žiedo skleidimosi laiko intervalo įrašas. Jei nieko nepasakysi, šį pasirinkimą paliksi modeliui.
Šviesą naudinga aprašyti taip, kaip tai daroma xAI vaizdų vadove: jos šaltinis, kryptis ir kietumas, pakankamai aiškiai, kad objektas liktų įskaitomas. „Kietė popietės saulė iš kairės“ modeliui pasako, ką apšviesti; „graži šviesa“ nepasako nieko.
Garsas yra rezultato dalis: sugeneruotas vaizdo įrašas pagal nutylėjimą turi garso takelį, įskaitant sinchronizuotą lūpų judėjimą kalbant grok-imagine-video-1.5 ir jo -lite versijoje. Todėl aprašyk norimą garso kraštovaizdį – lietus ant grindinio, kambario ūžesys, rami muzika – arba išjunk takelį naudodamas "generate_audio": false, jei montažo metu dėsi savo garso takelį.
Dar viena operacinė detalė keičia tavo rašymo būdą: 1.5 modeliuose tekstas į vaizdo įrašą pirmiausia iš užklausos sugeneruoja statinį paveikslėlį, o tada jį animuoja. Todėl pradinė scena turi būti suvokiama kaip ryškus vaizdas – objektas, dekoracijos, šviesa, – o judesys – kaip tai, kas vyksta toliau.
Trys užklausos tekstai, trys stiliai
Šie sluoksniai derinami skirtingai, priklausomai nuo vaizdo įrašo paskirties. Reklaminiais tikslais rūpiniesi medžiagiškumu ir šviesa, o veiksmas lieka minimalus, bet tobulai aprašytas:
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.
Duomenų vizualizacijai, skirtai prezentacijai, judesys tampa struktūriniu – jis neša informaciją, – o stilius tampa tyčia santūrus. Šis vaizdo įrašas bus rodomas gyvo komentaro fone: generuok jį be garso, naudodamas "generate_audio": false.
A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.
Galiausiai, kūrybinėje animacijoje objektas gali būti abstraktus, su sąlyga, kad transformacija aprašyta tiksliai:
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.
Skirk šiek tiek laiko kiekviename iš šių trijų blokų identifikuoti, kur yra objektas, veiksmas, aplinka ir stilius, o tada – kamera ir garsas. Šis skaitymo pratimas vėliau padės rašyti natūraliau.
Parametrų derinimas su turiniu
Užklausos tekstas neveikia vienas: trukmė, kraštinių santykis ir raiška turi jam atitikti. Trukmė svyruoja nuo 1 iki 15 sekundžių, pagal nutylėjimą – 8. 1–3 sekundžių trukmė tinka vienam veiksmui, perėjimui arba GIF stiliaus atvaizdavimui; nuo 4 iki 7 sekundžių gauni trumpą sceną su pradžia ir pabaiga; tarp 8 ir 15 sekundžių įžengi į naratyvinę seką su vystymusi. Kuo ilgesnis vaizdo įrašas, tuo daugiau laiko užtrunka generavimas, o kaina skaičiuojama už sekundę: pradėk nuo trumpų ir didink palaipsniui.
Kraštinių santykį pasirink pagal galutinę paskirtį. API siūlo devynis: 16:9 (pagal nutylėjimą) – plačiaekraniui, web ir prezentacijoms, 9:16 – mobiliems telefonams, „Stories“ ir „Reels“, 1:1" – socialinių tinklų įrašams ir miniatiūroms, 4:3ir3:4– prezentacijoms ir portretams,3:2ir2:3– fotografiniam atvaizdavimui,21:9– itin plataus kino formato,5:2` – antraštėms arba svetainės viršutinei juostai. Kuriant vaizdo įrašą iš paveikslėlio (image-to-video), šis pasirinkimas išnyksta: išvestis atitinka paveikslėlio kraštinių santykį.
Kalbant apie raišką, peržiūroms ir juodraščiams palik 480p – tai numatytoji reikšmė, o atvaizdavimas greitesnis, – o kai vaizdo įrašas pereina į gamybą, pereik prie 720p arba 1080p. 1080p egzistuoja tik 1.5 modeliuose: natūraliai grok-imagine-video-1.5, o jo -lite versijoje gaunama didinant 720p raišką, tuo tarpu grok-imagine-video sustoja ties 720p. Paprastiems vaizdo įrašams xAI rekomenduoja grok-imagine-video-1.5-lite – pigiausią už sekundę, – o grok-imagine-video-1.5 palieka etaloniniams paveikslėliams, balsams, privalomiems paveikslėliams ir gimtajai 1080p raiškai.
Kas lemia užklausos teksto nesėkmę
Pasitaiko penkios dažnos klaidos. Pirmoji – pernelyg miglotas užklausos tekstas: „graži scena“ neturi jokios naudojamos informacijos. Antroji – užklausa, norinti papasakoti viską: keli objektai, kelios vietos, kelios scenos per kelias sekundes. Daugelio kadrų istorijai sek Storyboard to Short Film pavyzdžiu iš xAI receptų knygos: ji suskaido naratyvą į keturis kadrus, kiekvieną generuoja atskirai su savo scena ir kameros judesiu, o tada surenka montažo metu. Trečioji, jau minėta, – aprašyto judesio nebuvimas, dėl kurio gaunamas statinis kadras. Ketvirtoji slypi loginiuose prieštaravimuose: prašyti „katės, skrendančios vandenyje“ pastato modelį prieš akivaizdų prieštaravimą, ir rezultatas greičiausiai bus nenuoseklus. Penktoji – neigiamų elementų sąrašas: „jokių automobilių, jokio teksto, jokios minios“. xAI vaizdų vadove pažymima, kad ilgo vengtinų elementų sąrašo modelis lengvai nepaiso ir užpildo užklausą objektais, kurie galiausiai atsiranda: vietoj to aprašyk tai, ką nori matyti.
Kalbant apie ilgį, xAI dokumentacijoje nenurodoma ideali vaizdo įrašo užklausos apimtis ir nekvantifikuojama riba, viršijus kurią per ilgas užklausos tekstas atmetamas (invalid_argument klaida). Jos vaizdų vadove vienam paveikslėliui siūloma keturi–šeši sakiniai: objektas ir jo detalės, tada dekoracijos, šviesa ir kadruotė. Vaizdo įrašo kadrui pradėk nuo šios struktūros ir pridėk veiksmą, kamerą bei garsą.
Praktikai parašyk pilną užklausos tekstą trims skirtingoms paskirtims: foniniam vaizdo įrašui restorano svetainei, 3 sekundžių klipui drabužių prekės ženklo „Instagram“ istorijai ir abstrakčiai animacijai techninei prezentacijai. Kiekvienu atveju patikrink, ar присутni visi keturi sluoksniai, ar aprašyta kamera ir garsas (arba išjungtas garso takelis), ir ar trukmė bei kraštinių santykis atitinka numatytą naudojimą.
Svarbiausi punktai
- Geras vaizdo įrašo užklausos tekstas apima objektą, veiksmą, aplinką ir stilių, pradedant objektu
- xAI taip pat prašo aprašyti kameros judėjimą, šviesą ir garsą
- Garso takelis generuojamas pagal nutylėjimą;
"generate_audio": falsesukuria vaizdo įrašą be garso - Pritaikyk trukmę (nuo 1 iki 15 s, pagal nutylėjimą 8), kraštinių santykį (devyni formatai) ir raišką (iki 1080p 1.5 modeliuose) galutiniam naudojimui
- Daugelio kadrų istorija generuojama kadras po kadro, o tada montuojama
- Aprašyk tai, ką nori matyti, o ne tai, ko nenori matyti