Grok Imagine 教程：2026 年 xAI 视频模型创作者指南
Grok Imagine 实战指南：六种生成模式、提示词写法、真实成本测算，以及在 V6 与 Sora 2 之间如何选择 xAI 这套 AI 视频模型
Grok Imagine 是 xAI 的视频与音频生成模型，于 2026 年 1 月发布，可以在 OmniArt 上直接使用，无需另外订阅 xAI。它和 Grok 聊天机器人是两个完全不同的产品 —— 它们除了名字之外没有任何关系。本指南涵盖 Grok Imagine 的设计目标、六种值得关注的生成模式、贴合每种模式的提示词写法，以及真实项目在积分上的实际花费测算。
Grok Imagine 是什么#
Grok Imagine 生成最高 720p 的视频，自带原生音频，单条片段时长 1–15 秒。它的真正卖点不是分辨率 —— 在 720p 上它有意不与 Sora 2 或 V6 在画面保真度上正面硬碰。它的真正卖点是围绕模型构建的工作流面：六种生成模式共享同一套权重，让你在不离开模型的前提下完成生成、续接、改风和修改。
| 规格 | 数值 |
|---|---|
| 最高分辨率 | 720p（需要 1080p 及以上请用 V6） |
| 最长时长 | 每次生成 15 秒 |
| 画面比例 | 16:9、4:3、1:1、9:16、3:4、3:2、2:3 |
| 音频 | 原生，与视频同步生成 |
| 成本（480p） | 每秒 10 积分 |
| 成本（720p） | 每秒 15 积分 |
值得了解的六种模式#
每一种模式都对应一种告诉模型"输入是什么类型"的方式。选对模式，就完成了大部分提示词工程的工作。
Text-to-Video#
默认模式。写一条提示词，得到一段片段。适合概念探索、情绪板和尚无参考图的社媒草稿。成本根据分辨率为每秒 10–15 积分。
Image-to-Video#
让一张静态图动起来，同时保留输入构图。第一帧锁定为你提供的图片。适合用来动画化插画、产品摄影以及不能改变源帧的设计稿。
Reference Mode —— 真正的差异化#
Reference 模式接受 1–7 张图作为视觉锚点，但不会锁定第一帧。你用 @Image1、@Image2、@Image3 给图片打标签，并在提示词里引用它们。这是大多数其他视频模型不具备的能力 —— 大部分要么锁定首帧（image-to-video），要么完全不接受参考图（text-to-video）。Reference 模式正好处于两者之间，是跨多个镜头保持角色一致性最干净的路径。
成本在 480p 下为每秒 15 积分，720p 下为 22.5 积分。
Extend Mode#
在已有片段后追加 2–10 秒。输入是一段 2 至 15 秒之间的 MP4。输出是一段连续的完整片段；只对追加的部分计费。一个跨模型的妙用：Extend 模式可以作用于 OmniArt 视频工作台里 任何模型 生成的视频，不仅限于 Grok。
Modify Mode#
在不重新生成的前提下编辑已有片段 —— 背景替换、灯光改动、对特定物体的颜色调整、天气效果等。输入限制为 8 秒以内，并自动缩放到 854×480，这意味着高分辨率源素材在这一来一回里会损失细节。请只在你本来就用 480p 生成的片段上使用 Modify。
Editing Suite —— Restyle、Object Manipulation、Sketches to Life#
一组生成后处理操作的集合。Restyle 应用艺术风格（赛博朋克、动漫、复古、折纸、水彩、马赛克）。Object Manipulation 用来添加、移除或替换元素。Sketches to Life 让线稿动起来。Add Performance 把角色动画嫁接到静态人物上。适合从同一段源片段衍生出多个变体。
尊重模型的提示词写法#
四个习惯比把提示词写得更长更能快速提升质量。
使用电影化语言#
Grok Imagine 内置了六种相机预设：Zoom In、Zoom Out、Dolly Out、Tilt Up、Pan Right、Timelapse。当提示词里使用电影摄影术语时，它们会被更精准地激活。
| 较弱 | 较强 |
|---|---|
| "A city street at night with neon signs and people walking" | "Dolly forward through a rain-slicked Tokyo alley, neon signs reflecting in puddles, shallow depth of field, a figure with an umbrella enters frame right, cinematic 2.39:1 framing" |
显式给参考图打标签#
当提示词写得太笼统时，Reference 模式表现会下降。给每一张参考图绑定一个角色定位。
把动作前置#
生成是按时间顺序推进的。如果一段 5 秒片段的高潮被放到末尾，模型可能根本没演完。把动作往前挪。
| 较弱 | 较强 |
|---|---|
| "A quiet forest scene with birds, then suddenly a deer leaps across a stream" | "A deer leaps across a forest stream in golden hour light, camera tracking its arc, birds scatter from nearby branches" |
用时间轴节拍 10–15 秒的长片段#
对于较长片段，把节奏写进提示词里。
实际成本#
三个真实场景的镜头，按 OmniArt 积分计价。
一支 15 秒的 TikTok 产品视频#
| 步骤 | 模式 | 分辨率 | 成本 |
|---|---|---|---|
| 初始生成 | Text-to-Video | 480p, 10s | 100 |
| 续接 | Extend | 480p, 5s | 75 |
| 总计（含一次修改） | 175–275 |
一组 3 镜头的品牌分镜#
| 步骤 | 模式 | 分辨率 | 成本 |
|---|---|---|---|
| 镜头 1，2 张参考图 | Reference, 8s | 720p | 180 |
| 镜头 2，相同参考图 | Reference, 8s | 720p | 180 |
| 镜头 3，相同参考图 | Reference, 6s | 720p | 135 |
| 修复镜头 2 的灯光 | Modify, 8s | 720p | 180 |
| 总计 | 675 |
一次改风处理#
| 步骤 | 模式 | 分辨率 | 成本 |
|---|---|---|---|
| 改成动漫风 | Restyle, 8s | 480p | 120 |
何时该选别的模型#
Grok Imagine 是短视频社媒、线稿动画化以及在 480p–720p 下做参考图驱动多镜头叙事的合适工具。在以下场景里它就不合适：
| 需求 | 更优选择 |
|---|---|
| 1080p 或更高 | V6、BACH、Veo 3 |
| 高级镜头控制（焦段、景深、色差） | V6 |
| 一次生成 16–20 秒片段 | Sora 2 |
| 制作级对白与音乐 | 专门的音频模型 + 后期剪辑 |
| 在编辑过程中保留高分辨率源素材 | 避免使用 Modify 模式 |
真正能落地的工作流模式#
Grok Imagine 在 OmniArt 上的价值并不在于做一个独立生成器 —— 它是迭代层。两种模式回报最高。
模式 1 —— 在别处生成，在这里精修。 用 V6 或 Sora 2 在更高分辨率下渲染主镜头，再用 Extend、Restyle 和 Modify 在 Grok 里以更低成本衍生变体和补充镜头。
模式 2 —— 用 Reference 模式锁角色。 当一个品牌活动需要同一个角色出现在五个镜头里，用一张锚点图放进 @Image1 锁住身份，然后在 Reference 模式下用同一组参考图生成每个镜头。比每个镜头都重抽 Sora 2 便宜得多。
警告
Modify 模式会把任何高于 854×480 的输入自动降采样到 480p 再处理。如果你需要在不损失分辨率的前提下编辑一段 1080p 片段，请改在别处做编辑，或者把编辑放在升采样步骤之前。
在 OmniArt 上开始#
Grok Imagine 已在 OmniArt 视频工作台上线，与 V6、BACH、Sora 2、Veo 3、Kling 3.0、HappyHorse 1.0 和 Seedance 2.0 同场可用。共用同一份积分余额、同一套参考图上传方式、同一套提示词语法。先从 Text-to-Video 入门熟悉相机预设，等你有了要锁定的角色或产品，再升级到 Reference 模式。
把这份指南和 BACH 摄影师拆解 搭配阅读，可以做更高保真的叙事工作；如果你正在为某个具体镜头在多个模型之间挑选，也可以参考 最佳图生视频模型短名单。
