Grok Imagine

Visão geral do posicionamento

grok-imagine/image-to-video é o modelo de imagem para vídeo da família grok-imagine, da xAI, acessível por meio da interface unificada do HiAPI.ai. Ele recebe uma ou mais imagens de referência junto a um prompt de texto e converte cenas estáticas em tomadas em movimento, com suporte a durações de 6 a 30 segundos, resoluções de 480p a 1080p e diversas proporções de tela. É indicado para desenvolvedores e equipes de criação que precisam animar rapidamente ilustrações, storyboards ou imagens de produto, para materiais de redes sociais, protótipos de anúncios e pré-visualização de tomadas em movimento.

Destaques principais

• Movimento guiado por múltiplas imagens de referência — é possível enviar até 7 imagens de referência e citá-las no prompt com @image1 e semelhantes, para controle refinado do sujeito e da composição.
• Estilos de movimento alternáveis — oferece os modos de geração fun, normal e spicy, correspondentes a movimentos mais criativos, equilibrados e mais dinâmicos, respectivamente.
• Duração e resolução ajustáveis conforme a necessidade — a duração pode ser definida entre 6 e 30 segundos, e a resolução vai de 480p a 1080p, permitindo equilibrar velocidade de geração e qualidade final.
• Cobrança transparente — a cobrança é feita por segundo de saída, e o parâmetro de duração determina diretamente o custo da chamada, facilitando o planejamento orçamentário antes de gerações em lote.

Descrição das capacidades

Geração de vídeo guiada por imagens de referência: recebe de 1 a 7 imagens JPEG, PNG ou WEBP, e o modelo gera quadros em movimento preservando o sujeito e a composição, ideal para transformar materiais estáticos em tomadas.

Controle do movimento por prompt de texto: é possível enviar um prompt de até 5000 caracteres descrevendo o movimento desejado; descrever em inglês tende a gerar melhores resultados, ajudando o modelo a focar nas ações e na direção de câmera indicadas.

Saída em múltiplas proporções de tela: suporta as proporções 2:3, 3:2, 1:1, 16:9 e 9:16, válidas no modo com múltiplas imagens de referência, atendendo de uma vez a necessidades de veiculação horizontal e vertical.

Resolução e duração ajustáveis: a resolução de saída padrão é 480p, podendo ser elevada a 720p ou 1080p; a duração padrão é de 6 segundos, com máximo de 30 segundos, e a cobrança é feita pelos segundos efetivamente gerados.

Cenários de aplicação

• Designers animam ilustrações estáticas em tomadas em movimento — usar ilustrações ou storyboards como entrada, com um breve prompt de movimento, para produzir tomadas curtas destinadas a pôsteres animados, aberturas e pré-visualização de storyboards.
• Equipes de e-commerce geram demonstrações dinâmicas a partir de imagens de produto — enviar imagens de produto e descrever o movimento de câmera para obter vídeos curtos verticais ou quadrados, prontos para páginas de detalhes de produto e veiculação em feeds sociais.
• Criadores de conteúdo produzem materiais sociais em lote — gerar materiais em movimento em lote na proporção 9:16 e com durações curtas, para atualizações diárias e testes criativos em plataformas de vídeos curtos.

Limitações e recomendações de escolha

O modelo faz apenas imagem para vídeo e não aceita entrada apenas de texto para gerar vídeo, exigindo ao menos uma imagem de referência. Com entrada de uma única imagem, o parâmetro de proporção de tela não tem efeito, e a saída segue a proporção da imagem original; a resolução 1080p só é suportada com uma única imagem de entrada. Ao usar imagens externas, o modo de geração pode ser rebaixado automaticamente para normal. Caso seja necessário gerar vídeo diretamente a partir de texto ou obter tomadas contínuas com mais de 30 segundos, deve-se optar por outro modelo ou gerar em segmentos. O custo cresce com a duração; antes de chamadas em lote com durações longas, recomenda-se validar com amostras pequenas.