Skriv effektiva videoprompter
På denna sida
Uppdaterat den 3 november 2026. Baserat på sidorna Video Overview och Video Generation från xAI samt deras guide för bildprompter: xAI ber dig beskriva hela tagningen, inklusive kamerarörelse, ljus och ljud. Regeln om “högst två eller tre meningar” från den tidigare versionen finns inte på någon xAI-sida; faktiskt rekommenderar bildguiden fyra till sex meningar för en enda bild. Denna lektion täcker även 1080p för 1.5-modeller, de nio bildformaten och ljudspåret som genereras som standard. Källor: Video Overview · Video Generation · Image Prompting Guide.
Konsten att skriva en videoprompt
Kvaliteten på den genererade videon beror direkt på hur exakt din prompt är, och en videoprompt kräver mer än en bildprompt. Där en statisk beskrivning räcker för att skapa en illustration, måste en videoprompt också bära med sig scenens rörelse, tidsaspekt och dynamik – och eftersom videon levereras med ljudspår, även vad man hör i den. En prompt som perfekt beskriver en miljö utan att någonsin säga vad som rör sig riskerar att producera ett nästan fruset klipp, tekniskt animerat men visuellt livlöst. I denna lektion lär du dig att strukturera dina beskrivningar för att få ut det bästa av Grok Imagine Video-modellerna.
De fyra komponenterna i en bra beskrivning
En effektiv videoprompt artikulerar fyra informationsskikt, och du arbetar med var och ett separat.
Det första är subjektet: scenens huvudelement, beskrivna med tillräcklig precision för att modellen inte ska behöva hitta på något. Att skriva “en fågel” lämnar fältet vidöppet; att skriva “en kolibri med iriserande blå och gröna fjädrar” låser utseendet och gör dina generationer mer konsekventa från försök till försök.
Därefter kommer aktionen, den mest avgörande komponenten i video. Det räcker inte att säga att något rör sig; du måste specificera rörelsen, dess riktning och intensitet. “En fågel som flyger” är en intention, inte en regiinstruktion. “En kolibri som äter nektar från en röd hibiskusblomma, med vingarna som slår snabbt” ger modellen en gest, ett mål och en rytm.
Det tredje skiktet är miljön: plats, ljus, väder och stämning. Ett enkelt “i en trädgård” låter modellen välja tid och årstid åt dig. “I en frodig tropisk trädgård, gyllene sena eftermiddagsljus som filtrerar genom lövverket” sätter atmosfären och, som en bonus, ljusriktningen på ditt subjekt.
Slutligen, den visuella stilen, som bestämmer renderingen: filmisk, dokumentär, animerad. En fras som “filmisk stil, grunt skärpedjup, varma färger” etablerar en reklamestetik, medan “stiliserad 3D-animation, pastellpalett” tar dig till ett helt annat universum med samma ingångsscen.
Ordningen spelar roll. xAI:s guide för bildprompter, skriven för stillbilder men användbar här, noterar att en prompt som inleds med stämning, filmkorn eller en lista över förbud producerar en polerad scen där subjektet bara blir en statist i bakgrunden. Börja alltså med subjektet och dess action, och spara stilen till slutet.
Två skikt specifika för video: kamera och ljud
För text-till-video sammanfattar xAI sin instruktion i en mening: beskriv tagningen, inklusive kamerarörelse, ljus och ljud. Två av dessa element finns inte i stillbilder.
Kameran styrs med filmterminologi: statiskt skott, långsam zoom, åkning, drönarvy, timelapse. Exemplen i xAI:s dokumentation använder dem som de är: en långsam zoom på en landningsbana, en kamera som glider från en solig dörr till ett fönster, ett drönarskott mellan toppar, en timelapse av en blomma som slår ut. Om du inte säger något lämnar du detta val till modellen.
Ljuset mår bra av att beskrivas enligt xAI:s bildguide: dess källa, riktning och hårdhet, starkt nog för att subjektet ska förbli läsbart. “Hårt eftermiddagssol från vänster” talar om för modellen vad den ska belysa; “fint ljus” säger ingenting.
Ljudet är en del av resultatet: en genererad video inkluderar ett ljudspår som standard, med läppsynkroniserat tal på grok-imagine-video-1.5 och dess -lite-version. Beskriv alltså det ljudlandskap du vill ha – regn på asfalt, rumsmummel, mjuk musik – eller stäng av spåret med "generate_audio": false om du tänker lägga på ditt eget ljudspår i efterhand.
En sista operativ detalj ändrar hur du skriver: på 1.5-modeller renderar text-till-video först en stillbild från prompten, för att sedan animera den. Startscenen måste därför läsas som en skarp bild – subjekt, dekor, ljus – och rörelsen som det som händer därefter.
Tre prompter, tre stilar
Dessa skikt kombineras olika beroende på kliplets destination. För reklambruk bryr du dig om material och ljus, och actionen förblir minimal men perfekt beskriven:
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.
För datavisualisering avsedd för en presentation blir rörelsen strukturell – den bär informationen – och stilen blir medvetet nykter. Denna video ska spelas under livekommentar: generera den ljudlös, med "generate_audio": false.
A slowly rotating globe, bright lines
connecting major cities. Dark background, static camera, style
clean modern infographic.
I kreativ animation slutligen kan subjektet vara abstrakt, förutsatt att transformationen beskrivs exakt:
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.
Ta en stund och identifiera i vart och ett av dessa tre block var subjekt, action, miljö och stil finns, samt kamera och ljud. Denna läsuppgift gör skrivandet naturligt efteråt.
Anpassa parametrar till innehåll
Prompten fungerar inte ensam: längd, format och upplösning måste svara mot den. Längden varierar från 1 till 15 sekunder, 8 som standard. En längd på 1 till 3 sekunder passar en enskild action, en övergång eller en rendering i GIF-stil; från 4 till 7 sekunder får du en kort scen med början och slut; mellan 8 och 15 sekunder går du in i en narrativ sekvens med utveckling. Ju längre videon är, desto längre tid tar generationen, och priset räknas per sekund: börja kort och öka gradvis.
Välj bildformat baserat på den slutgiltiga destinationen. API:et erbjuder nio: 16:9 (standard) för bredbild, webb och presentationer, 9:16 för mobil, stories och Reels, 1:1 för sociala inlägg och miniatyrbilder, 4:3 och 3:4 för presentationer och porträtt, 3:2 och 2:3 för en fotografisk rendering, 21:9 för ett ultrabrett bioformat, 5:2 för en banner eller sidhuvud. I bild-till-video försvinner detta val: utdata följer bildens format.
När det gäller upplösning, behåll 480p för förhandsvisningar och utkast – detta är standardvärdet, och renderingen går snabbare – gå sedan upp till 720p eller 1080p när klippet går i produktion. 1080p finns bara på 1.5-modeller: inbyggt på grok-imagine-video-1.5, erhållet genom uppskalning från 720p på dess -lite-version, medan grok-imagine-video stannar vid 720p. För enkla videor rekommenderar xAI grok-imagine-video-1.5-lite, den billigaste per sekund, och reserverar grok-imagine-video-1.5 för referensbilder, röster, påtvingade bilder och inbyggd 1080p.
Vad som får en prompt att misslyckas
Fem fallgropar återkommer ofta. Den första är en för vag prompt: “en vacker scen” innehåller ingen användbar information. Den andra är prompten som vill berätta allt – flera subjekt, flera platser, flera scener på några sekunder. För en berättelse med flera klipp, följ exemplet Storyboard to Short Film från xAI:s kokbok: den bryter ner berättelsen i fyra tagningar, genererar var och en separat med sin egen scen och kamerarörelse, och monterar sedan ihop dem i efterhand. Den tredje, redan nämnd, är frånvaron av beskriven rörelse, vilket ger ett statiskt skott. Den fjärde ligger i logiska konflikter: att be om “en katt som flyger i vatten” ställer modellen inför en motsägelse, och resultatet blir sannolikt inkonsekvent. Den femte är listan över negationer – “inga bilar, ingen text, ingen folkmassa”. xAI:s bildguide noterar att en lång lista över element att undvika lätt ignoreras och fyller prompten med objekt som ändå dyker upp: beskriv istället vad du vill se.
När det gäller längd ger xAI:s dokumentation inget idealt mått för video, och kvantifierar inte gränsen för när en för lång prompt nekas (felmeddelande invalid_argument). Deras bildguide föreslår fyra till sex meningar för en enda bild: subjektet och dess detaljer, sedan dekor, ljus och beskärning. För en videotagning, utgå från denna struktur och lägg till action, kamera och ljud.
För att öva, skriv en fullständig prompt för tre olika destinationer: en bakgrundsvideo för en restaurangs webbplats, ett 3-sekundersklipp för en Instagram-story för ett klädmärke, och en abstrakt animation för en teknisk presentation. Kontrollera för var och en att de fyra skikten finns med, att kamera och ljud är beskrivna – eller att ljudspåret är avstängt – och att längd och format matchar det avsedda användningsområdet.
Viktiga punkter
- En bra videoprompt innehåller subjekt, action, miljö och stil, och börjar med subjektet
- xAI ber dig också beskriva kamerarörelse, ljus och ljud
- Ljudspåret genereras som standard;
"generate_audio": falseger en ljudlös video - Anpassa längd (1 till 15 s, 8 som standard), format (nio format) och upplösning (upp till 1080p på 1.5-modeller) till det slutgiltiga användningsområdet
- En berättelse med flera klipp genereras klipp för klipp och monteras sedan ihop
- Beskriv vad du vill se snarare än vad du inte vill se