Grok Imagine Video 1.5 Reference to Video

Grok Imagine Video 1.5 Reference to Video 由 xAI 开发，将你的参考图片与可选的音频轨道转化为完整动画视频。不同于从单帧开始，这一模型允许你输入一组图片来共同引导最终视频的风格与内容，并结合文字提示来描述你希望展现的动作、氛围和场景。最终生成的视频直接取材于你提供的视觉素材，非常适合已经有插画、照片、产品图或灵感板并希望将其动态化的创作者。

本模型的核心亮点是多图引用。你可以提供 1 至 7 张参考图片，模型会将它们作为风格和内容的指导。在提示词中，你可以精准指定每张图片与动画片段的关系、融合与切换，可以轻松描述如“用这三张图片探索地点与炫酷动态特效”这样的场景，让模型将它们编织为完整的序列。不论是导入人物、背景、材质、色彩方案，还是同一主题的三个变体，模型都会把每张参考图当作创作积木。

音频同样是一等输入。你可以附加一段参考音频，并在提示词中与图片一起引用。这样就能实现让你某张图片中的人物用音频中的声音开口说话，令声音与画面同步。因图片与音频都可在提示词中直接标记，你可以精准控制每个元素对成品视频的具体贡献。

输出视频为 24 帧/秒，可选择两种分辨率输出：更轻量的 480p 适合快速测试和草图，720p 更清晰适合精致成品。时长灵活，从 1 秒到 15 秒，可制作短循环或较长片段。示例输出为 1280x720，10 秒多一点，24fps，让你直观感受单轮生成的流畅与长度。

支持广泛的画面比例，包括电影横屏和风景的 16:9，竖屏社交的 9:16，信息流专用的正方形 1:1，以及经典 4:3、3:2、2:3、3:4 等多种比例，无需后期裁剪，即可满足平台和项目的画幅需求，无论是竖屏短视频、正方形广告，还是宽屏场景。

创意操作极其直观。只需用文字提示描述动作与故事并指向你的参考图和音频。可自由选择输入图片的数量及顺序，设定时长与分辨率及画面比例。提示词支持详细说明，让你对图片如何组合、哪些应运动、场景随时间如何变化都能充分掌控。

谁最受益？电影人与视频创作者可用概念图或实地照片快速原型场景，并描述相应动作。设计师与动效师能让静态画面动起来，把多元素视觉资产融合为一体。短视频内容创作者可将数张图片高效生成适配竖屏或正方形等比例的即用片段。市场及产品团队可用动态图景让静态产品照焕发生机。对有现成素材库、不想从零起步的人来说，这种“参考驱动”方式尤其高效，让最终视频还原你手头的原本视觉风格。

还有几点实用建议：模型至少需要一张参考图片与文字提示才能运行，每次最多输入七张图片及一段音频。图片作为风格与内容基准，选用清晰、构图良好的图片，能取得更可控效果。建议在提示词中清楚标记每张图片以保持合成效果明确。此模型已通过商业使用许可，适合客户项目及公开发布项目。所有生成请求需遵循 xAI 使用条款。

简而言之，Grok Imagine Video 1.5 Reference to Video 是为希望最大程度还原原始图片风格，同时加入动作、语音或声音的创作者量身定制。支持多图引用、音频输入、最长 15 秒灵活时长、双分辨率和多种比例，助你安全、高效地将现有视觉内容动画化。