SpaceXAI: Grok Imagine Video

SpaceXAI: Grok Imagine Video é um modelo de geração de vídeo da xAI. Enquadra-se na categoria de vídeo e foi concebido para transformar entradas de texto e imagem em clipes de vídeo curtos. Se está a avaliar modelos para um pipeline que necessita de movimento gerado em vez de texto ou imagens fixas, este é o tipo de modelo a considerar, e vem do mesmo fornecedor por detrás da família Grok.

Do lado da entrada, o modelo aceita texto e imagens. Do lado da saída, produz vídeo. O fornecedor descreve-o como rápido e condicionado por texto, imagem e referência, o que significa que pode orientar a geração a partir de um prompt escrito, de uma imagem, ou de uma combinação dos dois. Os clipes de saída vão de 1 a 15 segundos a 24 fotogramas por segundo, a 480p ou 720p. Estão disponíveis sete proporções de aspeto: 16:9, 9:16, 1:1, 4:3, 3:4, 3:2 e 2:3. Pode ser fornecida uma imagem first_frame, o que permite ancorar a abertura do clipe a uma imagem fixa específica. Não está listado nenhum comprimento de contexto para este modelo, por isso trate o prompt como uma instrução de geração e não como um contexto conversacional longo.

Essas capacidades apontam para um conjunto bastante específico de utilizações. Clipes verticais curtos em 9:16 servem formatos sociais, enquanto 16:9 e as proporções mais largas se adequam a reprodução em modo paisagem. Como as durações vão no máximo até 15 segundos, o modelo é uma escolha natural para sequências de plano único, imagens fixas animadas, pré-visualizações de produtos ou cenas, e visualização rápida de conceitos, em vez de vídeo narrativo de formato longo. Fornecer uma imagem first_frame é útil quando precisa de continuidade com arte existente, um painel de storyboard ou uma fotografia, e a variedade de proporções de aspeto significa que o mesmo prompt pode ser adaptado a diferentes posicionamentos sem regenerar de raiz.

Chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo "x-ai/grok-imagine-video". Os parâmetros de pedido suportados são logprobs, max_tokens, response_format, seed, temperature, top_logprobs e top_p. Vale a pena notar o parâmetro seed para trabalho com vídeo, uma vez que oferece uma forma de tornar as execuções reproduzíveis quando está a iterar sobre um prompt. Temperature e top_p controlam a amostragem, e os parâmetros relacionados com logprob permitem inspecionar probabilidades ao nível dos tokens onde o endpoint as devolve. Como a interface é compatível com OpenAI, os clientes e SDKs existentes geralmente funcionam apenas com a alteração do URL base e do id de modelo.

Há limites a ter em conta. Os clipes estão limitados a 15 segundos e as resoluções a 720p, por isso trabalho que exija maior duração ou maior fidelidade precisará de um modelo diferente ou de uma etapa de montagem que junte várias gerações. A geração de áudio não está especificada nos detalhes disponíveis, por isso não assuma que a saída inclui som. Se a sua tarefa é texto, raciocínio ou trabalho com imagens fixas em vez de movimento, um modelo dessas categorias encaixará melhor do que este.