Salt la conținutul principal
Română— Alege o limbă
Meniu

Imagini de referință și imagini fixate

Lecția 5 din 12 Actualizată 2 noiembrie 2026 Intermediar
Pe această pagină
  1. Alimentarea modelului cu elemente vizuale
  2. Doi parametri, două intenții
  3. Citarea referințelor în prompt
  4. Reguli
  5. Fixarea unor imagini specifice (grok-imagine-video-1.5)
  6. Ce permit referințele
  7. Alegerea și asocierea referințelor
  8. Puncte cheie

Lecție rescrisă la 2 noiembrie 2026 pe baza documentației Reference-to-Video de la xAI: imaginile de referință fac să apară persoane, obiecte sau haine specifice, desemnate în prompt prin <IMAGE_0>, <IMAGE_1>… — nu doar pentru a impune un stil; pe grok-imagine-video-1.5, acestea pot însoți acum image, o ultimă imagine fixată, cadre cheie și voci. Versiunea veche susținea că image și reference_images sunt incompatibile. Surse: Reference-to-Video · Reference Videos.

Alimentarea modelului cu elemente vizuale

Animarea directă a unei imagini nu este singura modalitate de a furniza elemente vizuale modelului. API-ul video al xAI oferă un al doilea mecanism: imaginile de referință. În loc să miște imaginea ca atare, acestea furnizează elemente pe care videoclipul trebuie să le facă să apară — o persoană, un produs, un articol vestimentar — fără a îngheța prim-planul. Înțelegerea distincției dintre image și reference_images este cheia acestei lecții.

Doi parametri, două intenții

Parametrul image furnizează imaginea de animat: aceasta devine primul cadru al videoclipului, iar conținutul său este pus în mișcare. Aceasta este funcția image-to-video din lecțiile anterioare.

Parametrul reference_images furnizează imagini ale căror elemente modelul le reutilizează: fața unui model, o cămașă, o sticlă de parfum. Scena în sine urmează promptul dumneavoastră. xAI citează trei utilizări tipice: probarea virtuală, plasamentul de produs și poveștile cu personaje recurente. Fiecare referință este un URL HTTPS public, date codificate base64 sau file_id al unui fișier încărcat, iar puteți amesteca toate cele trei forme într-o singură cerere.

{
  "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"
}

Citarea referințelor în prompt

Promptul desemnează fiecare referință prin poziția sa în listă: <IMAGE_0> pentru prima, <IMAGE_1> pentru a doua și așa mai departe. Dacă furnizați și image pentru a fixa primul cadru, aceasta preia <IMAGE_0>, iar referințele dumneavoastră încep de la <IMAGE_1>.

Cu mai multe referințe, xAI recomandă atribuirea unui singur rol fiecăreia și menținerea unei poziții fixe în scenă, limitând distribuția și folosind recuzite statice. O referință care servește simultan ca personaj și decor, sau zece obiecte care se mișcă simultan, produc scene confuze.

Reguli

Limităgrok-imagine-video-1.5grok-imagine-video
Imagini de referințăMax. 14Max. 7
DuratăMax. 15 sMax. 10 s
RezoluțieMax. 720pMax. 720p
Prima imagine fixată cu referințe, ultima imagine, cadre cheieDaNu
Voci (reference_audios)Max. 3 voci predefiniteNu

O cerere de acest tip trebuie să conțină cel puțin o imagine de referință, o voce, o ultimă imagine sau cadre cheie.

Fixarea unor imagini specifice (grok-imagine-video-1.5)

Pe grok-imagine-video-1.5, puteți fixa imagini exacte la momente precise în videoclip:

  • image și last_frame împreună: videoclipul pornește de la prima imagine și se termină pe ultima, modelul interpolând între cele două
  • last_frame singur: modelul inventează deschiderea și ajunge pe imaginea fixată
  • last_frame cu referințe sau voci: ultima imagine este fixată, referințele ghidează restul; adăugați image pentru a fixa și începutul
  • keyframes: până la patru cadre cheie, fiecare cu un timestamp_s strict între 0 și durata videoclipului; ancorele se aliniază la o grilă de o treime de secundă, astfel încât două cadre cheie trebuie să fie distanțate prin cel puțin o treime de secundă
{
  "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
}

Același model poate oferi voci personajelor dumneavoastră: reference_audios acceptă până la trei voci predefinite, desemnate prin voice_id (din catalogul de voci text-to-speech al xAI, eve sau leo de exemplu), pe care promptul le citează ca <AUDIO_0>, <AUDIO_1>…

Ce permit referințele

Primul caz de utilizare, și cel mai eficient din punct de vedere al costurilor într-un context profesional, este continuitatea: același personaj, același produs, de la un videoclip la altul. Imaginați-vă o campanie de zece videoclipuri produsă în trei săptămâni: fără referințe, produsul își schimbă subtil forma, iar mascota își schimbă fața de la un clip la altul. Furnizând sistematic aceleași referințe, ancorați ceea ce trebuie să rămână identic, iar promptul variază doar scena.

{
  "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
}

Plasamentul de produs urmează aceeași logică — sticla dumneavoastră, pantoful dumneavoastră într-o scenă inventată — iar probarea virtuală împinge lucrurile mai departe: o persoană și un articol vestimentar, fiecare pe propria sa referință, unite în aceeași imagine.

Alegerea și asocierea referințelor

Alegeți imagini clare, bine luminate, în care elementul de reutilizat ocupă majoritatea cadrului: o cămașă fotografiată singură pe un fundal neutru funcționează mai bine decât o cămașă purtată într-o mulțime. O referință, un singur subiect.

Scrierea promptului urmează distribuția rolurilor: referințele aduc elementele, promptul descrie scena și acțiunea. Numiți fiecare referință prin eticheta sa acolo unde intervine și fiți expliciți privind mișcarea, pe care nicio imagine nu o conține.

În fața unei cereri, decizia se reduce la o singură întrebare. Dacă doriți să animați o imagine specifică așa cum este, folosiți image. Dacă doriți o scenă nouă în care să apară anumite persoane sau obiecte, folosiți reference_images. Dacă doriți să controlați începutul, sfârșitul sau momente specifice, folosiți imaginile fixate ale grok-imagine-video-1.5. Iar dacă nimic din toate acestea nu contează, promptul singur este suficient.

Puncte cheie

  • image animă o imagine care devine prima din videoclip; reference_images face să apară elemente fără a îngheța prim-planul
  • Promptul citează referințele după poziție: <IMAGE_0>, <IMAGE_1>… (image preia <IMAGE_0> când este furnizat)
  • Până la 14 referințe pe grok-imagine-video-1.5 (15 s), 7 pe grok-imagine-video (10 s), maxim 720p
  • Pe grok-imagine-video-1.5, image, last_frame, keyframes și reference_audios completează referințele
  • Un rol per referință, distribuție limitată, recuzite statice