Referensbilder och fästa bilder
På denna sida
Lektionen omskriven den 2 november 2026 baserat på dokumentationen Reference-to-Video från xAI: referensbilder får specifika personer, objekt eller kläder att dyka upp, betecknade i prompten som
<IMAGE_0>,<IMAGE_1>… – inte bara för att påtvinga en stil; pågrok-imagine-video-1.5kan de nu åtföljaimage, en fäst slutbild, nyckelbilder och röster. Den gamla versionen hävdade attimageochreference_imagesvar oförenliga. Källor: Reference-to-Video · Reference Videos.
Matning av modellen med visuellt material
Att direkt animera en bild är inte det enda sättet att förse modellen med visuellt material. xAI:s video-API erbjuder en andra mekanism: referensbilder. Istället för att röra bilden som den är, tillhandahåller de element som videon måste få att dyka upp – en person, en produkt, ett plagg – utan att frysa förgrunden. Att förstå gränsdragningen mellan image och reference_images är nyckeln till denna lektion.
Två parametrar, två avsikter
Parametern image tillhandahåller bilden som ska animeras: den blir videons första bildruta och dess innehåll sätts i rörelse. Detta är image-to-video från tidigare lektioner.
Parametern reference_images tillhandahåller bilder vars element modellen återanvänder: en models ansikte, en skjorta, en parfymflaska. Själva scenen följer din prompt. xAI nämner tre typiska användningsområden: virtuell provning, produktplacering och berättelser med återkommande karaktärer. Varje referens är en offentlig HTTPS-URL, base64-kodad data eller file_id för en uppladdad fil, och du kan blanda alla tre former i en enda begäran.
{
"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"
}
Hänvisning till referenser i prompten
Prompten betecknar varje referens genom dess position i listan: <IMAGE_0> för den första, <IMAGE_1> för den andra, och så vidare. Om du också anger image för att fästa den första bildrutan tar den platsen <IMAGE_0>, och dina referenser börjar vid <IMAGE_1>.
Med flera referenser rekommenderar xAI att du ger var och en en enda roll och en fast plats i scenen, håller rollistan begränsad och använder statiska rekvisitorier. En referens som fungerar som både karaktär och dekoration, eller tio objekt som rör sig samtidigt, skapar förvirrande scener.
Reglerna
| Gräns | grok-imagine-video-1.5 | grok-imagine-video |
|---|---|---|
| Referensbilder | Max 14 | Max 7 |
| Längd | Max 15 s | Max 10 s |
| Upplösning | Max 720p | Max 720p |
| Första bilden fäst med referenser, sista bilden, nyckelbilder | Ja | Nej |
Röster (reference_audios) | Max 3 fördefinierade röster | Nej |
En begäran av denna typ måste innehålla minst en referensbild, röst, sista bild eller nyckelbild.
Fästa specifika bilder (grok-imagine-video-1.5)
På grok-imagine-video-1.5 kan du fästa exakta bilder vid givna tidpunkter i videon:
imageochlast_frametillsammans: videon startar från den första bilden och slutar på den sista, medan modellen interpolerar mellan de tvålast_frameensamt: modellen hittar på öppningen och landar på den fästa bildenlast_framemed referenser eller röster: den sista bilden är fäst, referenser styr resten; lägg tillimageför att också fästa den förstakeyframes: upp till fyra nyckelbilder, var och en med entimestamp_sstrikt mellan 0 och videons längd; ankare snäpper mot ett rutnät på en tredjedels sekund, så två nyckelbilder måste vara åtskilda med minst en tredjedels sekund
{
"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
}
Samma modell kan ge röster åt dina karaktärer: reference_audios accepterar upp till tre fördefinierade röster, betecknade med sitt voice_id (från xAI:s katalog för text-till-tal-röster, till exempel eve eller leo), som prompten hänvisar till som <AUDIO_0>, <AUDIO_1>…
Vad referenser möjliggör
Det första användningsfallet, och det mest kostnadseffektiva i ett professionellt sammanhang, är kontinuitet: samma karaktär, samma produkt, från en video till nästa. Tänk dig en kampanj på tio videor producerad under tre veckor: utan referenser ändrar produkten subtilt form och maskoten byter ansikte från klipp till klipp. Genom att systematiskt tillhandahålla samma referenser förankrar du det som måste förbli identiskt, och endast prompten varierar scenen.
{
"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
}
Produktplacering följer samma logik – din flaska, din sko i en påhittad scen – och virtuell provning driver det hela längre: en person och ett plagg, var och en på sin egen referens, förenade i samma tagning.
Att välja och para ihop dina referenser
Välj skarpa, välbelysta bilder där elementet som ska återanvändas upptar större delen av bildytan: en skjorta fotograferad ensam mot en neutral bakgrund fungerar bättre än en skjorta buren i en folkmassa. En referens, ett subjekt.
Skrivandet av prompten följer rollfördelningen: referenser tillhandahåller elementen, prompten beskriver scenen och aktionen. Namnge varje referens med dess tagg där den ingriper, och var tydlig med rörelse, vilket ingen bild bär på.
När du ställs inför en begäran kokar beslutet ner till en fråga. Om du vill animera en specifik bild som den är, använd image. Om du vill ha en ny scen där givna personer eller objekt dyker upp, använd reference_images. Om du vill styra start, slut eller specifika ögonblick, använd de fästa bilderna i grok-imagine-video-1.5. Och om inget av detta spelar någon roll, räcker prompten ensam.
Viktiga punkter
imageanimerar en bild som blir videons första;reference_imagesfår element att dyka upp utan att frysa förgrunden- Prompten hänvisar till referenser efter position:
<IMAGE_0>,<IMAGE_1>… (imagetar<IMAGE_0>när den anges) - Upp till 14 referenser på
grok-imagine-video-1.5(15 s), 7 pågrok-imagine-video(10 s), max 720p - På
grok-imagine-video-1.5kompletterarimage,last_frame,keyframesochreference_audiosreferenserna - En roll per referens, begränsad rollista, statisk rekvisita