Что такое Grok Imagine
Grok Imagine это семейство генеративных моделей xAI. В него входят модели изображений и три видеомодели, доступные через API. Видео можно собрать из текста, из картинки, из набора референсов или из голоса, а на выходе получить клип со звуком.
Для практики важно, что это набор инструментов с разной ценой и разными возможностями. Универсальной модели среди них нет: младшая дешёвая и простая, старшая умеет держать персонажа и говорить его голосом.
Три видеомодели
Grok Imagine Video 1.5 это основная модель. Она делает текст в видео и картинку в видео, держит до 14 референсных изображений, до трёх голосовых референсов, умеет закреплять первый, последний и промежуточные кадры. Разрешение до 1080p родное, длительность до 15 секунд.
Версия Lite делает только текст в видео и картинку в видео. Она дешевле, а 1080p получает апскейлом с 720p. Для простых сцен и массовых нарезок этого достаточно.
Третья модель, Grok Imagine Video без приставки, осталась для двух вещей, которых нет у новых: редактирование готового клипа до 8,7 секунды и продление на 2-10 секунд. В генерации она ограничена 720p.
Длительность, форматы, разрешение
Длительность задаётся от 1 до 15 секунд, по умолчанию 8. Форматов девять: 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 и 5:2. Если вы подаёте картинку, формат наследуется от неё, и параметр соотношения сторон игнорируется.
Разрешения три: 480p, 720p и 1080p. У старшей модели 1080p настоящее, у Lite это апскейл. Для соцсетей разница видна не всегда, для экрана и для нарезки в рекламу видна сразу.
Звук и речь
Модель генерирует звук вместе с картинкой. У 1.5 и Lite заявлена речь с синхронизацией губ, у старой модели просто сгенерированный звук.
Это меняет сценарий работы. Раньше озвучку делали отдельно и подгоняли под движение губ в монтаже. Теперь фразу можно заложить в промт и получить говорящего персонажа сразу. На практике я бы всё равно проверял каждый клип: артикуляция на русском пока нестабильна, а английские фразы получаются ровнее.
Референсы и кадры
Самая полезная часть для производства это референсы. До 14 изображений задают внешность персонажа, одежду, локацию, стиль. До трёх голосовых референсов задают тембр. Первый и последний кадр можно закрепить, чтобы сцена стыковалась с соседней.
Отсюда растёт нормальная работа с сериалами и рекламными сериями: один персонаж в разных сценах, один стиль в разных роликах. Именно этого обычно не хватает, когда делают массовые вертикальные ролики: каждый клип живёт отдельно.
Сколько стоит секунда
Цены API в долларах за секунду, в рублях по курсу 84 ₽ за доллар.
Отдельно считается вход: картинка на входе стоит 0,01 доллара, то есть 0,84 ₽ за изображение. Пресеты голоса бесплатны. Ограничение по частоте запросов для видео 10 в секунду.
Простой расчёт: десятисекундный вертикальный клип в 720p на старшей модели стоит около 117,60 ₽. Тот же клип на Lite около 25,20 ₽. Для теста сценария разница в пять раз важнее, чем лишние пиксели.
| Модель | 480p | 720p | 1080p |
|---|---|---|---|
| Grok Imagine Video 1.5 | 6,72 ₽ | 11,76 ₽ | 21,00 ₽ |
| Grok Imagine Video 1.5 Lite | 1,68 ₽ | 2,52 ₽ | 11,76 ₽ |
| Grok Imagine Video | 4,20 ₽ | 5,88 ₽ | нет |
Редактирование и продление
Редактирование работает на старой модели: подаёте клип до 8,7 секунды и текстом описываете, что изменить. Выход сохраняет длительность, формат и разрешение исходника, но не выше 720p. Несколько правок к одному исходнику можно запускать параллельно.
Продление тоже на старой модели: исходник 2-15 секунд, продолжение 2-10 секунд, по умолчанию 6. Длина в параметре задаёт только добавленный кусок, поэтому десятисекундный клип с продлением на пять станет пятнадцатисекундным.
Логика понятная: новые модели отвечают за качество и референсы, старая за доработку. Если сценарий требует склейки длинных сцен, придётся собирать их в монтаже.
