Przejdź do głównej treści
Polski— Wybierz język
Menu

Endpoint /v1/videos/generations: Twój pierwszy film

Lekcja 1 z 12 Zaktualizowano 3 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Generowanie wideo z tekstu
  2. Struktura żądania
  3. Pierwsze wywołanie end-to-end
  4. Dźwięk domyślnie
  5. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. na podstawie dokumentacji wideo xAI: dostępne są trzy modele wideo (grok-imagine-video-1.5, jego wersja -lite oraz grok-imagine-video), rozdzielczość sięga 1080p w modelach 1.5, filmy domyślnie posiadają ścieżkę dźwiękową (generate_audio), limity szybkości są liczone w żądaniach na sekundę, a parametr size znany ze starszej wersji nie występuje w dokumentacji API. Źródła: Video Generation · Pricing.

Generowanie wideo z tekstu

API xAI udostępnia dedykowany punkt końcowy dla wideo, POST /v1/videos/generations, który przekształca opis tekstowy w sekwencję animowaną, wykorzystując jeden z trzech modeli Grok Imagine Video. Potraktuj to jak studio na żądanie: opisujesz scenę, model wprawia ją w ruch, a Ty otrzymujesz plik MP4 gotowy do edycji. Klipy promocyjne, wizualizacje koncepcyjne, animacje ilustracyjne – wszystkie te przypadki użycia obsługiwane są przez ten sam endpoint, dlatego najpierw przeanalizujemy go dokładnie.

Powyższy przykład daje Ci wyobrażenie o oczekiwanym rezultacie. Zanim napiszesz swoje pierwsze żądanie, pamiętaj o czterech granicach, które określają wszystko, co tworzysz za pomocą tych modeli.

1-15s
Czas trwania filmu
1080p
Maksymalna rozdzielczość
od 0,02 $
Za wygenerowaną sekundę
9
Dostępne proporcje

Struktura żądania

Treść żądania to obiekt JSON o uspokajającej prostocie. Deklarujesz model, piszesz prompt (polecenie) i określasz wynik za pomocą trzech parametrów formatujących.

{
  "model": "grok-imagine-video",
  "prompt": "A dolphin jumping in a sunset",
  "duration": 5,
  "aspect_ratio": "16:9",
  "resolution": "720p"
}

Oto dokładne znaczenie każdego pola:

  • model: grok-imagine-video-1.5 (najnowszy), jego ekonomiczna wersja grok-imagine-video-1.5-lite (rekomendowana przez xAI do prostych filmów) lub grok-imagine-video (poprzednia generacja, nadal używana w przykładach z tego kursu)
  • prompt: Twój tekstowy opis pożądanej sceny
  • duration: czas trwania w sekundach, od 1 do 15 (domyślnie 8)
  • aspect_ratio: proporcje obrazu (domyślnie 16:9; dostępne też: 9:16, 1:1, 4:3, 3:4, 3:2, 2:3, 21:9, 5:2)
  • resolution: 480p (domyślnie), 720p lub 1080p – ta ostatnia jest renderowana natywnie przez grok-imagine-video-1.5 w trybach text-to-video i image-to-video, uzyskiwana przez podwyższanie rozdzielczości z 720p w wersji -lite, a niedostępna w grok-imagine-video, który kończy na 720p

Dwa punkty zasługują na natychmiastowe podkreślenie. Model grok-imagine-video kosztuje 0,050 $ za sekundę wygenerowanego wideo (0,08 $ za grok-imagine-video-1.5, 0,02 $ za jego wersję -lite, według stanu na 3 listopada 2026 r.): pięciosekundowa sekwencja kosztuje Cię zatem 0,25 $ w przypadku pierwszego modelu, niezależnie od liczby prób, jakie podjąłeś, aby ją uzyskać. Limit szybkości jest liczony w żądaniach na sekundę, w zależności od poziomu Twojego zespołu: 10 na poziomie podstawowym dla modeli wideo to komfortowy margines do normalnego użytku, który staje się ograniczeniem podczas uruchamiania masowych partii zadań.

Co najważniejsze, generowanie jest asynchroniczne. Twoje wywołanie POST nie zwraca wideo: zwraca request_id, a następnie to do Ciebie należy odpytywanie o status, aż plik będzie gotowy. Mechanizm ten (polling) jest tematem osobnej lekcji później w kursie; na razie zapamiętaj tylko, że natychmiastowa odpowiedź to potwierdzenie przyjęcia, a nie wynik.

Pierwsze wywołanie end-to-end

Przejdźmy do praktyki z użyciem curla. Poniższe żądanie zamawia pięciosekundową sekwencję w rozdzielczości 720p i formacie poziomym.

curl -X POST "https://api.x.ai/v1/videos/generations" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "grok-imagine-video",
    "prompt": "A cat playing with a ball of yarn in a bright living room",
    "duration": 5,
    "aspect_ratio": "16:9",
    "resolution": "720p"
  }'

Odpowiedź mieści się w jednej linii:

{
  "request_id": "vid_abc123def456"
}

Zachowaj ten identyfikator bezpiecznie. To jedyny sposób na pobranie wideo po zakończeniu generowania, a aplikacja, która go utraci, zapłaciła za generowanie, którego nigdy nie odzyska. W prawdziwym serwisie logujesz go, zanim jeszcze rozpoczniesz odpytywanie o status.

Dźwięk domyślnie

Wygenerowane wideo domyślnie zawiera ścieżkę dźwiękową – w przypadku grok-imagine-video-1.5 i jego wersji -lite mowa jest zsynchronizowana z ruchem ust. Aby uzyskać wideo bez dźwięku, przeznaczone np. jako tło strony lub do edycji, w której dodasz własną muzykę, dodaj do żądania "generate_audio": false.

Jeśli chodzi o ramy wyjścia, API zna tylko proporcje (aspect_ratio) i definicję (resolution): dokumentacja API nie zawiera parametru rozmiaru w pikselach. W trybie image-to-video proporcje wyjścia zawsze podążają za proporcjami obrazu źródłowego.

Kluczowe wnioski

  • Endpoint to POST /v1/videos/generations, obsługujący modele grok-imagine-video-1.5, jego wersję -lite lub grok-imagine-video
  • Czas trwania wynosi od 1 do 15 sekund (domyślnie 8), rozdzielczość od 480p do 1080p (maksymalnie 720p dla grok-imagine-video)
  • Cena liczona jest za wygenerowaną sekundę: 0,020 $ (-lite), 0,050 $ (grok-imagine-video) lub 0,080 $ (grok-imagine-video-1.5)
  • Generowanie jest asynchroniczne: otrzymujesz request_id, aby później odpytywać o status
  • Dostępnych jest dziewięć proporcji obrazu, dostosowanych do wszystkich formatów
  • Ścieżka dźwiękowa jest generowana domyślnie; "generate_audio": false daje wideo bez dźwięku