SpaceXAI: Grok Imagine Video

SpaceXAI: Grok Imagine Video es un modelo de generación de video de xAI. Se ubica en la categoría de video y está diseñado para convertir entradas de texto e imagen en clips de video cortos. Si estás evaluando modelos para un pipeline que necesita movimiento generado en lugar de texto o imágenes fijas, este es el tipo de modelo a considerar, y proviene del mismo proveedor detrás de la familia Grok.

Del lado de la entrada, el modelo acepta texto e imágenes. Del lado de la salida, produce video. El proveedor lo describe como rápido y condicionado por texto, imagen y referencia, lo que significa que puedes guiar la generación desde un prompt escrito, desde una imagen, o desde una combinación de ambos. Los clips de salida van de 1 a 15 segundos a 24 fotogramas por segundo, a 480p o 720p. Hay siete relaciones de aspecto disponibles: 16:9, 9:16, 1:1, 4:3, 3:4, 3:2 y 2:3. Se puede proporcionar una imagen first_frame, lo que te permite anclar la apertura del clip a una imagen fija específica. No se indica ninguna longitud de contexto para este modelo, así que trata el prompt como una instrucción de generación en lugar de un contexto conversacional largo.

Esas capacidades apuntan a un conjunto de usos bastante específico. Los clips verticales cortos en 9:16 se adaptan a formatos sociales, mientras que 16:9 y las relaciones más anchas encajan en reproducción horizontal. Como las duraciones llegan como máximo a 15 segundos, el modelo encaja de forma natural en secuencias de una sola toma, imágenes fijas animadas, vistas previas de productos o escenas, y visualización rápida de conceptos en lugar de video narrativo de formato largo. Proporcionar una imagen first_frame es útil cuando necesitas continuidad con arte existente, un panel de storyboard o una fotografía, y el rango de relaciones de aspecto significa que el mismo prompt se puede adaptar a distintas ubicaciones sin regenerar desde cero.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "x-ai/grok-imagine-video". Los parámetros de solicitud admitidos son logprobs, max_tokens, response_format, seed, temperature, top_logprobs y top_p. Vale la pena señalar el parámetro seed para trabajo de video, ya que te da una forma de hacer reproducibles las ejecuciones cuando estás iterando sobre un prompt. Temperature y top_p controlan el muestreo, y los parámetros relacionados con logprob te permiten inspeccionar verosimilitudes a nivel de token donde el endpoint las devuelve. Como la interfaz es compatible con OpenAI, los clientes y SDK existentes generalmente funcionan con solo cambiar la URL base y el id de modelo.

Hay límites que tener en cuenta. Los clips están limitados a 15 segundos y las resoluciones a 720p, así que el trabajo que necesite mayor duración o mayor fidelidad necesitará un modelo diferente o un paso de ensamblaje que una múltiples generaciones. La generación de audio no se especifica en los detalles disponibles, así que no asumas que la salida incluye sonido. Si tu tarea es texto, razonamiento o trabajo con imágenes fijas en lugar de movimiento, un modelo de esas categorías encajará mejor que este.