Przejdź do głównej treści
Polski— Wybierz język
Menu

Twórz skuteczne prompty wideo

Lekcja 2 z 12 Zaktualizowano 3 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Sztuka tworzenia promptów wideo
  2. Cztery składniki dobrego opisu
  3. Dwie warstwy specyficzne dla wideo: kamera i dźwięk
  4. Trzy prompty, trzy style
  5. Dopasowanie parametrów do treści
  6. Co powoduje niepowodzenie promptu
  7. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. Na podstawie stron Video Overview i Video Generation od xAI oraz jego przewodnika po promptach obrazowych: xAI prosi o opisanie całego ujęcia, w tym ruchu kamery, światła i dźwięku. Zasada „maksymalnie dwa lub trzy zdania“ z poprzedniej wersji nie pojawia się na żadnej stronie xAI; wręcz przeciwnie, przewodnik po obrazach zaleca od czterech do sześciu zdań dla pojedynczego obrazu. Lekcja ta omawia również rozdzielczość 1080p dla modeli 1.5, dziewięć proporcji obrazu oraz domyślnie generowaną ścieżkę dźwiękową. Źródła: Video Overview · Video Generation · Image Prompting Guide.

Sztuka tworzenia promptów wideo

Jakość wygenerowanego wideo zależy bezpośrednio od precyzji Twojego promptu, a prompt wideo wymaga więcej niż prompt obrazowy. Tam, gdzie statyczny opis wystarcza do stworzenia ilustracji, prompt wideo musi przenosić również ruch, temporalność i dynamikę sceny – a ponieważ wideo jest输出owane z dźwiękiem, również to, co w nim słyszysz. Prompt, który idealnie opisuje scenerię, ale nigdy nie mówi, co się porusza, ryzykuje wygenerowanie niemal zamarzniętego ujęcia, technicznie animowanego, ale wizualnie pozbawionego życia. Ta lekcja nauczy Cię strukturyzować opisy, aby wyciągnąć to, co najlepsze z modeli Grok Imagine Video.

Cztery składniki dobrego opisu

Skuteczny prompt wideo artykułuje cztery warstwy informacji, nad którymi pracujesz osobno.

Pierwszą jest temat: główny element lub elementy sceny, opisane z taką precyzją, aby model nie musiał niczego wymyślać. Napisanie „ptak“ pozostawia szerokie pole do interpretacji; napisanie „koliber z iryzującymi niebiesko-zielonymi piórami“ ustala wygląd i sprawia, że Twoje generacje są bardziej spójne od jednej próby do drugiej.

Następnie przychodzi akcja, najbardziej decydujący składnik w wideo. Nie wystarczy powiedzieć, że coś się porusza; musisz określić ruch, jego kierunek i intensywność. „Latający ptak“ to intencja, a nie instrukcja reżyserska. „Koliber żywiący się z czerwonego kwiatu hibiskusa, szybko machający skrzydłami“ daje modelowi gest, cel i rytm.

Trzecią warstwą jest otoczenie: miejsce, światło, pogoda i nastrój. Proste „w ogrodzie“ pozostawia modelowi wybór pory dnia i pory roku. „W bujnym tropikalnym ogrodzie, złote światło późnego popołudnia filtrujące się przez liście“ ustawia atmosferę i, przy okazji, kierunek padania światła na Twój temat.

Na koniec, styl wizualny, który determinuje rendering: kinowy, dokumentalny, animowany. Fraza taka jak „styl kinowy, mała głębia ostrości, ciepłe kolory“ ustanawia rejestr reklamowy, podczas gdy „stylizowana animacja 3D, pastelowa paleta“ przenosi Cię do zupełnie innego wszechświata przy tej samej scenie wejściowej.

Kolejność ma znaczenie. Przewodnik po promptach obrazowych xAI, napisany dla obrazów statycznych, ale przydatny również tutaj, zauważa, że prompt rozpoczynający się od nastroju, ziarna filmowego lub listy zakazów produkuje wypolerowaną scenę, w której temat jest jedynie statystą w tle. Zacznij więc od tematu i jego akcji, a styl zostaw na koniec.

Dwie warstwy specyficzne dla wideo: kamera i dźwięk

W przypadku tekstu na wideo (text-to-video), xAI podsumowuje swoją instrukcję w jednym zdaniu: opisz ujęcie, w tym ruch kamery, światło i dźwięk. Dwa z tych elementów nie istnieją w obrazach statycznych.

Kamera jest kontrolowana za pomocą słownictwa filmowego: ujęcie statyczne, powolny najazd (zoom), jazda kamery (tracking shot), widok z drona, timelapse. Przykłady w dokumentacji xAI używają ich wprost: powolny najazd na podium wybiegu, kamera ślizgająca się od słonecznych drzwi do okna, ujęcie z drona między szczytami, timelapse kwiatu rozkwitającego. Jeśli nic nie powiesz, pozostawiasz ten wybór modelowi.

Światło zyskuje na opisaniu zgodnie z przewodnikiem po obrazach xAI: jego źródło, kierunek i twardość, wystarczająco mocno, aby temat pozostał czytelny. „Twarde popołudniowe słońce z lewej strony“ mówi modelowi, co oświetlić; „miłe światło“ nie mówi mu niczego.

Dźwięk jest częścią wyniku: wygenerowane wideo domyślnie zawiera ścieżkę dźwiękową, z synchronizacją ruchu ust (lip-sync) w modelu grok-imagine-video-1.5 i jego wersji -lite. Opisz więc krajobraz dźwiękowy, jakiego chcesz – deszcz na chodniku, szum pokoju, cicha muzyka – lub wyłącz ścieżkę za pomocą "generate_audio": false, jeśli zamierzasz nałożyć własną muzykę podczas montażu.

Ostatni szczegół operacyjny zmienia sposób pisania: w modelach 1.5, tekst na wideo najpierw renderuje obraz statyczny z promptu, a następnie go animuje. Scena początkowa musi więc czytać się jako ostry obraz – temat, dekoracja, światło – a ruch jako to, co dzieje się dalej.

Trzy prompty, trzy style

Te warstwy łączą się inaczej w zależności od przeznaczenia klipu. Do celów reklamowych dbasz o materiał i światło, a akcja pozostaje minimalna, ale idealnie opisana:

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.

Do wizualizacji danych przeznaczonych do prezentacji, ruch staje się strukturalny – niesie informację – a styl staje się celowo stonowany. To wideo będzie odtwarzane pod żywy komentarz: wygeneruj je bez dźwięku, używając "generate_audio": false.

A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.

Wreszcie, w kreatywnej animacji, temat może być abstrakcyjny, pod warunkiem że transformacja jest opisana precyzyjnie:

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.

Poświęć chwilę, aby zidentyfikować w każdym z tych trzech bloków, gdzie znajduje się temat, akcja, otoczenie i styl, a następnie kamera i dźwięk. To ćwiczenie analityczne sprawi, że późniejsze pisanie stanie się naturalne.

Dopasowanie parametrów do treści

Prompt nie działa w izolacji: czas trwania, proporcje i rozdzielczość muszą do niego odpowiadać. Czas trwania waha się od 1 do 15 sekund, domyślnie 8. Czas trwania od 1 do 3 sekund pasuje do pojedynczej akcji, przejścia lub renderingu w stylu GIF; od 4 do 7 sekund otrzymujesz krótką scenę z początkiem i końcem; między 8 a 15 sekundami wchodzisz w sekwencję narracyjną z ewolucją. Im dłuższe wideo, tym więcej czasu zajmuje generowanie, a cena liczona jest za sekundę: zacznij od krótkich form i zwiększaj je stopniowo.

Wybierz proporcje w oparciu o ostateczne przeznaczenie. API oferuje dziewięć opcji: 16:9 (domyślnie) dla formatu panoramicznego, sieci i prezentacji, 9:16 dla urządzeń mobilnych, relacji (Stories) i Reels, 1:1 dla postów społecznościowych i miniaturek, 4:3 i 3:4 dla prezentacji i portretów, 3:2 i 2:3 dla renderingu fotograficznego, 21:9 dla ultra-szerokiego formatu kinowego, 5:2 dla banera lub nagłówka strony. W przypadku obrazu na wideo (image-to-video) ten wybór znika: wynik podąża za proporcjami obrazu wejściowego.

Jeśli chodzi o rozdzielczość, zachowaj 480p do podglądów i szkiców – jest to wartość domyślna, a rendering jest szybszy – a następnie przejdź do 720p lub 1080p, gdy klip trafia do produkcji. 1080p istnieje tylko w modelach 1.5: natywnie w grok-imagine-video-1.5, uzyskiwane przez podwyższenie rozdzielczości (upsampling) z 720p w jego wersji -lite, podczas gdy grok-imagine-video kończy na 720p. Do prostych wideo xAI rekomenduje grok-imagine-video-1.5-lite, najtańszy w przeliczeniu na sekundę, a grok-imagine-video-1.5 rezerwuje dla obrazów referencyjnych, głosów, narzuconych obrazów i natywnego 1080p.

Co powoduje niepowodzenie promptu

Pięć pułapek powtarza się często. Pierwszą jest prompt zbyt ogólny: „piękna scena“ nie zawiera żadnych użytecznych informacji. Drugą jest prompt, który chce opowiedzieć wszystko – wiele tematów, wiele lokalizacji, wiele scen w ciągu kilku sekund. Dla historii wieloujęciowej podążaj za przykładem Storyboard to Short Film z cookbooka xAI: dzieli on narrację na cztery ujęcia, generuje każde z osobna, z własną sceną i ruchem kamery, a następnie składa je w montażu. Trzecia, już wspomniana, to brak opisanego ruchu, co daje w rezultacie statyczne ujęcie. Czwarta leży w logicznych konfliktach: proszenie o „kota latającego w wodzie“ stawia model przed sprzecznością, a wynik prawdopodobnie będzie niespójny. Piąta to lista negatywów – „bez samochodów, bez tekstu, bez tłumu“. Przewodnik po obrazach xAI zauważa, że długa lista elementów do uniknięcia jest łatwo ignorowana i wypełnia prompt obiektami, które ostatecznie się pojawiają: zamiast tego opisz to, co chcesz zobaczyć.

Jeśli chodzi o długość, dokumentacja xAI nie podaje idealnej miary dla wideo i nie kwantyfikuje limitu, poza którym zbyt długi prompt zostanie odrzucony (błąd invalid_argument). Jej przewodnik po obrazach sugeruje od czterech do sześciu zdań dla pojedynczego obrazu: temat i jego szczegóły, następnie dekoracja, światło i kadrowanie. Dla ujęcia wideo zacznij od tej struktury i dodaj akcję, kamerę oraz dźwięk.

Aby poćwiczyć, napisz pełny prompt dla trzech różnych przeznaczeń: wideo w tle dla strony internetowej restauracji, 3-sekundowy klip do relacji na Instagramie dla marki odzieżowej oraz abstrakcyjna animacja do prezentacji technicznej. Przy każdym z nich sprawdź, czy obecne są cztery warstwy, czy kamera i dźwięk są opisane (lub czy ścieżka dźwiękowa jest wyłączona) oraz czy czas trwania i proporcje odpowiadają zamierzonemu zastosowaniu.

Kluczowe wnioski

  • Dobry prompt wideo zawiera temat, akcję, otoczenie i styl, zaczynając od tematu
  • xAI prosi również o opisanie ruchu kamery, światła i dźwięku
  • Ścieżka dźwiękowa jest generowana domyślnie; "generate_audio": false daje wideo bez dźwięku
  • Dostosuj czas trwania (od 1 do 15 s, domyślnie 8), proporcje (dziewięć formatów) i rozdzielczość (do 1080p w modelach 1.5) do ostatecznego zastosowania
  • Historia wieloujęciowa jest generowana ujęcie po ujęciu, a następnie montowana
  • Opisuj to, co chcesz zobaczyć, a nie to, czego nie chcesz