Przejdź do głównej treści
Polski— Wybierz język
Menu

Obrazy i wideo w wsadach

Lekcja 9 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Masowa generacja multimodalna
  2. Wsadowe generowanie obrazów
  3. Wsadowa edycja obrazów
  4. Wsadowe generowanie wideo
  5. Edycja i rozszerzanie wideo
  6. Korzystanie z Python SDK
  7. Cennik treści multimodalnych
  8. Wygaśnięcie URL-i wyników
  9. Mieszany potok multimodalny
  10. Kluczowe wnioski

Zaktualizowano 2 listopada 2026 r. na podstawie dokumentacji xAI: rabat na wsady wynosi 20% dla kwalifikujących się modeli tekstowych (a nie 50%), przykłady遵循ują API REST oraz oficjalny xai-sdk (client.batch.*; API wsadowe xAI nie używa formatu OpenAI, SDK OpenAI nie ma zastosowania), a API Responses ma pierwszeństwo przed Chat Completions, które są przestarzałym punktem końcowym w xAI. Źródła: Batch API · REST Reference · Batch Pricing.

Masowa generacja multimodalna

API wsadowe nie ogranicza się tylko do tekstu. Możesz przesyłać żądania generowania i edycji obrazów, a także generowania, edycji i rozszerzania wideo. Ta możliwość otwiera drogę do kompletnych potoków multimodalnych: piszesz opisy i tworzysz odpowiadające im wizualizacje w jednej operacji.

Wsadowe generowanie obrazów

Punkt końcowy /v1/images/generations działa w trybie wsadowym tak samo jak w trybie synchronicznym. Wybierz format za pomocą aspect_ratio, definicję za pomocą resolution ("1k", "1.5k" lub "2k") oraz liczbę obrazów za pomocą n:

{"custom_id": "img-001", "method": "POST", "url": "/v1/images/generations", "body": {"model": "grok-imagine-image-2.0", "prompt": "Minimalist logo for a fintech startup, white background, vector style", "n": 1, "aspect_ratio": "1:1", "resolution": "1k"}}
{"custom_id": "img-002", "method": "POST", "url": "/v1/images/generations", "body": {"model": "grok-imagine-image-2.0", "prompt": "Isometric illustration of a datacenter", "n": 1, "aspect_ratio": "16:9", "resolution": "1k"}}

Wsadowa edycja obrazów

Punkt końcowy /v1/images/edits modyfikuje istniejący obraz, przekazywany w obiekcie image: może to być url (publiczny adres lub dane zakodowane w base64) lub file_id przesłanego pliku.

{"custom_id": "edit-001", "method": "POST", "url": "/v1/images/edits", "body": {"model": "grok-imagine-image-2.0", "prompt": "Replace the background with a solid white background", "image": {"url": "https://example.com/photo.jpg"}}}

W trybie wsadowym edycja pomaga przetwarzać katalogi: ujednolicać tła, dodawać elementy lub stosować tę samą retusz do setek grafik.

Wsadowe generowanie wideo

Punkt końcowy /v1/videos/generations (lub /v1/videos) generuje wideo o długości od 1 do 15 sekund (duration, domyślnie 8), w rozdzielczościach 480p, 720p lub 1080p:

{"custom_id": "vid-001", "method": "POST", "url": "/v1/videos/generations", "body": {"model": "grok-imagine-video-1.5", "prompt": "Smooth animation of a bar chart growing progressively", "duration": 8, "resolution": "720p"}}

Przetwarzanie wideo jest bardziej zasobożerne niż tekstu czy obrazów, więc te żądania mogą zajmować więcej czasu w ramach wsadu.

Edycja i rozszerzanie wideo

Punkt końcowy /v1/videos/edits modyfikuje istniejące wideo, a /v1/videos/extensions rozszerza je o segment trwający od 2 do 10 sekund. Przekaż wideo źródłowe w obiekcie video (URL pliku .mp4 lub file_id):

{"custom_id": "vid-edit-001", "method": "POST", "url": "/v1/videos/edits", "body": {"model": "grok-imagine-video", "prompt": "Slow down the scene", "video": {"url": "https://example.com/clip.mp4"}}}
{"custom_id": "vid-ext-001", "method": "POST", "url": "/v1/videos/extensions", "body": {"model": "grok-imagine-video", "prompt": "The camera slowly pulls back and reveals a sunset", "video": {"url": "https://example.com/clip.mp4"}, "duration": 6}}

Korzystanie z Python SDK

SDK przygotowuje te żądania za pomocą dedykowanych metod, a następnie dodaje je do wsadu tak samo jak żądania tekstowe:

from xai_sdk import Client

client = Client()
batch = client.batch.create(batch_name="catalog_visuals")

requetes = [
    client.image.prepare(
        prompt="Product shot of wireless headphones, dark background, studio lighting",
        model="grok-imagine-image-2.0",
        batch_request_id="prod-42-img",
    ),
    client.video.prepare(
        prompt="The headphones rotate slowly on a turntable, dramatic lighting",
        model="grok-imagine-video-1.5",
        batch_request_id="prod-42-vid",
    ),
]
client.batch.add(batch_id=batch.batch_id, batch_requests=requetes)

Cennik treści multimodalnych

Ważna uwaga: rabat na wsady dotyczy wyłącznie kwalifikujących się modeli tekstowych. Obrazy i wideo są rozliczane według stawki standardowej, nawet w trybie wsadowym – według stanu na 2 listopada 2026 r. jest to 0,04 USD za obraz z modelem grok-imagine-image-2.0 (0,02 USD z grok-imagine-image) oraz 0,08 USD za sekundę wideo z modelem grok-imagine-video-1.5 (0,02 USD w wersji -lite, 0,05 USD z grok-imagine-video).

Korzyścią ze stosowania wsadów dla treści multimodalnych nie jest cena, lecz aspekty operacyjne: możesz przesłać setki generacji w jednej operacji, bez konieczności zarządzania tyloma wywołaniami czy obawiania się limitów częstotliwości.

Wygaśnięcie URL-i wyników

Wyniki obrazów i wideo są dostarczane jako podpisane adresy URL, które wygasają po jednej godzinie. Jest to krytyczne ograniczenie: pobierz pliki natychmiast po uzyskaniu wyników.

import mimetypes

import requests


def telecharger_medias(resultats, dossier):
    """Downloads images and videos as soon as results are retrieved."""
    for r in resultats:
        reponse = r.proto.response
        if reponse.HasField("image_response"):
            url = r.image_response.url
        elif reponse.HasField("video_response"):
            url = r.video_response.url
        else:
            continue  # text result
        fichier = requests.get(url, timeout=120)
        fichier.raise_for_status()
        type_mime = fichier.headers.get("Content-Type", "").split(";")[0]
        extension = mimetypes.guess_extension(type_mime) or ".bin"
        with open(f"{dossier}/{r.batch_request_id}{extension}", "wb") as f:
            f.write(fichier.content)

Nigdy nie przechowuj podpisanych adresów URL do późniejszego użycia: zapisz pliki we własnej przestrzeni dyskowej (S3, GCS, dysk lokalny).

Mieszany potok multimodalny

Konkretny przypadek użycia: tworzenie kompletnych kart produktów, zawierających tekst i grafikę, w tym samym wsadzie:

{"custom_id": "prod-42-desc", "method": "POST", "url": "/v1/responses", "body": {"model": "grok-4.3", "input": "Write a marketing description for a high-end wireless headphone.", "max_output_tokens": 300}}
{"custom_id": "prod-42-img", "method": "POST", "url": "/v1/images/generations", "body": {"model": "grok-imagine-image-2.0", "prompt": "Product shot of premium wireless headphones, dark gradient background, studio lighting"}}

Wspólny prefiks w identyfikatorach (prod-42-desc, prod-42-img) ułatwia grupowanie wyników tekstowych i graficznych dla tego samego produktu.

Kluczowe wnioski

  • Obrazy (generowanie, edycja) i wideo (generowanie, edycja, rozszerzanie) działają w trybie wsadowym
  • Parametry odpowiadają specyfikacji API: aspect_ratio, resolution, obiekty image i video
  • Obrazy i wideo pozostają w stawkach standardowych, bez rabatów za wsady
  • Podpisane adresy URL wyników wygasają po jednej godzinie: pobierz je natychmiast
  • Wspólny prefiks w identyfikatorach grupuje wyniki dla tego samego produktu