Przejdź do głównej treści
Polski— Wybierz język
Menu

Obrazy referencyjne i przypięte obrazy

Lekcja 5 z 12 Zaktualizowano 2 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Dostarczanie modeli wizualnych
  2. Dwa parametry, dwie intencje
  3. Odwoływanie się do odniesień w prompcie
  4. Zasady
  5. Przypinanie konkretnych obrazów (grok-imagine-video-1.5)
  6. Co umożliwiają odniesienia
  7. Wybór i łączenie odniesień
  8. Kluczowe wnioski

Lekcja przepisana 2 listopada 2026 r. na podstawie dokumentacji Reference-to-Video od xAI: obrazy referencyjne pozwalają wyświetlić konkretne osoby, obiekty lub ubrania, oznaczone w prompcie jako <IMAGE_0>, <IMAGE_1>… – nie służą tylko narzuceniu stylu; w modelu grok-imagine-video-1.5 mogą teraz towarzyszyć parametrom image (przypięty ostatni kadr), klatkom kluczowym i głosom. Poprzednia wersja twierdziła, że image i reference_images są ze sobą niezgodne. Źródła: Reference-to-Video · Reference Videos.

Dostarczanie modeli wizualnych

Bezpośrednia animacja obrazu to nie jedyny sposób na dostarczenie treści wizualnych do modelu. Interfejs API wideo od xAI oferuje drugi mechanizm: obrazy referencyjne. Zamiast poruszać obrazem takim, jaki jest, dostarczają one elementy, które muszą pojawić się w wideo – osoba, produkt, element odzieży – bez zamrażania pierwszego planu. Zrozumienie granicy między image a reference_images jest kluczem do tej lekcji.

Dwa parametry, dwie intencje

Parametr image dostarcza obraz do animacji: staje się on pierwszą klatką wideo, a jego zawartość zostaje wprawiona w ruch. To podejście image-to-video z poprzednich lekcji.

Parametr reference_images dostarcza obrazy, których elementy model ponownie wykorzystuje: twarz modela, koszulę, butelkę perfum. Sama scena podąża za Twoim promptem. xAI wymienia trzy typowe zastosowania: wirtualne przymierzalnie, product placement oraz historie z powracającymi postaciami. Każde odniesienie może być publicznym adresem URL HTTPS, danymi zakodowanymi w base64 lub identyfikatorem file_id przesłanego pliku; w jednym żądaniu możesz mieszać wszystkie trzy formy.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "Slow tracking shot on a white runway. The model from <IMAGE_0> enters from the background and walks toward the camera; they are wearing the shirt from <IMAGE_1> and black jeans. Slow motion, high quality, detailed faces.",
  "reference_images": [
    {"url": "https://exemple.com/mannequin.jpg"},
    {"url": "https://exemple.com/chemise.jpg"}
  ],
  "duration": 10,
  "aspect_ratio": "16:9",
  "resolution": "720p"
}

Odwoływanie się do odniesień w prompcie

Prompt wskazuje każde odniesienie przez jego pozycję na liście: <IMAGE_0> dla pierwszego, <IMAGE_1> dla drugiego i tak dalej. Jeśli dostarczysz również image, aby przypiąć pierwszą klatkę, zajmuje ona miejsce <IMAGE_0>, a Twoje obrazy referencyjne zaczynają się od <IMAGE_1>.

Przy wielu odniesieniach xAI zaleca przypisanie każdemu z nich jednej roli i ustalonego miejsca w scenie, ograniczenie liczby postaci i używanie statycznych rekwizytów. Odnesienie pełniące jednocześnie funkcję postaci i dekoracji lub dziesięć obiektów poruszających się jednocześnie generuje mylące sceny.

Zasady

Limitgrok-imagine-video-1.5grok-imagine-video
Obrazy referencyjnemaks. 14maks. 7
Czas trwaniamaks. 15 smaks. 10 s
Rozdzielczośćmaks. 720pmaks. 720p
Pierwszy obraz przypięty z odniesieniami, ostatni obraz, klatki kluczoweTakNie
Głosy (reference_audios)maks. 3 predefined voicesNie

Żądanie tego typu musi zawierać co najmniej jeden obraz referencyjny, głos, ostatni obraz lub klatki kluczowe.

Przypinanie konkretnych obrazów (grok-imagine-video-1.5)

W modelu grok-imagine-video-1.5 możesz ustalić dokładne obrazy w określonych momentach wideo:

  • image i last_frame razem: wideo zaczyna się od pierwszego obrazu i kończy na ostatnim, a model interpoluje między nimi
  • Tylko last_frame: model wymyśla początek i ląduje na przypiętym obrazie
  • last_frame z odniesieniami lub głosami: ostatni obraz jest przypięty, odniesienia kierują resztą; dodaj image, aby przypiąć również początek
  • keyframes: do czterech klatek kluczowych, każda z parametrem timestamp_s ściśle między 0 a czasem trwania wideo; kotwice dopasowują się do siatki co jedną trzecią sekundy, więc dwie klatki kluczowe muszą być oddalone od siebie o co najmniej jedną trzecią sekundy
{
  "model": "grok-imagine-video-1.5",
  "prompt": "The flower opens slowly under the morning light",
  "image": {"url": "https://exemple.com/bouton-ferme.jpg"},
  "last_frame": {"url": "https://exemple.com/fleur-ouverte.jpg"},
  "keyframes": [
    {"image": {"url": "https://exemple.com/fleur-mi-ouverte.jpg"}, "timestamp_s": 3.0}
  ],
  "duration": 6
}

Ten sam model może nadać głosy Twoim postaciom: reference_audios akceptuje do trzech predefiniowanych głosów, wskazanych przez ich voice_id (z katalogu głosów text-to-speech xAI, np. eve lub leo), które prompt określa jako <AUDIO_0>, <AUDIO_1>…

Co umożliwiają odniesienia

Pierwszym przypadkiem użycia, a jednocześnie najbardziej opłacalnym w kontekście profesjonalnym, jest ciągłość: ta sama postać, ten sam produkt z jednego wideo do drugiego. Wyobraź sobie kampanię dziesięciu wideo realizowaną przez trzy tygodnie: bez odniesień produkt subtelnie zmienia kształt, a maskotka twarz z klipu na klip. Systematyczne dostarczanie tych samych odniesień kotwiczy to, co musi pozostać identyczne, a jedynie prompt zmienia scenę.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "The smartphone from <IMAGE_0> sits on a minimalist desk; its screen turns on gradually, soft morning light",
  "reference_images": [
    {"url": "https://exemple.com/smartphone-officiel.jpg"}
  ],
  "duration": 6
}

Product placement podlega tej samej logice – Twoja butelka, Twój but w wymyślonej scenie – a wirtualna przymierzalnia idzie o krok dalej: osoba i strój, każde na własnym odniesieniu, połączone w jednym ujęciu.

Wybór i łączenie odniesień

Wybieraj ostre, dobrze oświetlone obrazy, w których element do ponownego wykorzystania zajmuje większość kadru: koszula sfotografowana samotnie na neutralnym tle sprawdzi się lepiej niż koszula noszona w tłumie. Jedno odniesienie, jeden obiekt.

Pisanie promptu podąża za podziałem ról: odniesienia dostarczają elementy, prompt opisuje scenę i akcję. Nazywaj każde odniesienie jego tagiem w miejscu, w którym występuje, i bądź wyraźny co do ruchu, którego żaden obraz nie przenosi.

Stając przed zadaniem, decyzja sprowadza się do jednego pytania. Jeśli chcesz animować konkretny obraz taki, jaki jest, użyj image. Jeśli chcesz nową scenę, w której pojawiają się dane osoby lub obiekty, użyj reference_images. Jeśli chcesz kontrolować początek, koniec lub konkretne momenty, użyj przypiętych obrazów w grok-imagine-video-1.5. A jeśli nic z tego nie ma znaczenia, sam prompt wystarczy.

Kluczowe wnioski

  • image animuje obraz, który staje się pierwszym w wideo; reference_images sprawia, że elementy się pojawiają, nie zamrażając pierwszego planu
  • Prompt wskazuje odniesienia według pozycji: <IMAGE_0>, <IMAGE_1>… (image zajmuje <IMAGE_0>, gdy jest podany)
  • Do 14 odniesień w grok-imagine-video-1.5 (15 s), 7 w grok-imagine-video (10 s), maks. 720p
  • W grok-imagine-video-1.5 parametry image, last_frame, keyframes i reference_audios uzupełniają odniesienia
  • Jedna rola na odniesienie, ograniczona obsada, statyczne rekwizyty