Obrazy i wideo w wsadach
Na tej stronie
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, obiektyimageivideo - 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