Grok Imagine：2026 年 xAI 影片模型的創作者指南
一份實用的 Grok Imagine 指南——六種生成模式、提示詞寫法、真實的成本計算，以及 2026 年什麼時候該選它而不是 V6 或 Sora 2
Grok Imagine 是 xAI 的影片與音訊生成模型，2026 年 1 月推出，在 OmniArt 上不用另外訂閱 xAI 就能用。它和 Grok 聊天機器人是兩個不同的產品——除了名字之外沒有任何關係。這份指南談 Grok Imagine 是為什麼設計的、哪六種生成模式真的重要、怎麼寫出尊重每一種模式的提示詞，還有真實專案到底要花多少點數。
Grok Imagine 是什麼#
Grok Imagine 生成最高 720p 的影片，帶原生音訊，長度 1–15 秒。它的賣點不是解析度——720p 這個規格擺明就不打算在畫質上硬碰 Sora 2 或 V6。它的賣點是模型周圍那一圈工作流介面：六種共用同一組權重的生成模式，讓你可以生成、延長、換風格和修改，全程不用離開這個模型。
| 規格 | 數值 |
|---|---|
| 最高解析度 | 720p（要 1080p 以上就用 V6） |
| 最長時長 | 每次生成 15 秒 |
| 畫面比例 | 16:9、4:3、1:1、9:16、3:4、3:2、2:3 |
| 音訊 | 原生，和影片一起生成 |
| 成本（480p） | 每秒 10 點數 |
| 成本（720p） | 每秒 15 點數 |
值得認識的六種模式#
每一種模式，都是在告訴模型它手上拿到的是哪一類輸入。挑對模式，提示詞工程就已經做完一大半。
文生影片（Text-to-Video）#
預設模式。寫一段提示詞，拿一支片。最適合概念探索、情緒板，以及手邊還沒有參考圖的社群草稿。成本依解析度是每秒 10–15 點數。
圖生影片（Image-to-Video）#
讓一張靜態圖動起來，同時保留輸入的構圖。第一格會被鎖在你的圖上。用來讓插畫、商品攝影和設計示意稿動起來——也就是那些起始畫面不能妥協的情況。
參考模式（Reference Mode）——真正的差異點#
參考模式接受 1–7 張圖當成視覺錨點，但不鎖第一格。你用 @Image1、@Image2、@Image3 標記圖片，然後在提示詞裡引用它們。這是多數其他影片模型沒有的東西——大部分模型不是鎖住第一格（圖生影片），就是完全不吃參考圖（文生影片）。參考模式坐在中間，而它是跨多顆鏡頭維持角色一致最乾淨的一條路。
成本在 480p 是每秒 15 點數，720p 是 22.5 點數。
延長模式（Extend Mode）#
在既有的片子後面接上 2–10 秒。輸入是一支 2 到 15 秒的 MP4。輸出是一支連續的片子；計費只算接上去的那一段。跨模型的小技巧是：延長模式吃得下 OmniArt 影片工作台裡任何模型生成的影片，不限於 Grok。
修改模式（Modify Mode）#
不重新生成就編輯既有的片子——換背景、改光線、改特定物件的顏色、加天氣效果。輸入上限是 8 秒，而且會自動縮放到 854×480，這表示高解析度的來源在這一趟來回裡會掉細節。修改模式請用在你本來就是 480p 生出來的片子上。
編輯工具組——換風格、物件操作、線稿動起來#
一組生成後的雜項操作。換風格（Restyle）套用藝術風格（賽博龐克、動漫、復古、摺紙、水彩、馬賽克）。物件操作（Object Manipulation）可以新增、移除或替換元素。線稿動起來（Sketches to Life）讓線條畫動起來。加入演出（Add Performance）把角色動畫嫁接到靜態人物上。想從一支來源片衍生出多個版本時很好用。
尊重這個模型的提示詞#
四個習慣，比把提示詞寫更長更快拉高品質。
用電影語言#
Grok Imagine 內建六種運鏡預設：推近（Zoom In）、拉遠（Zoom Out）、後退推軌（Dolly Out）、上仰（Tilt Up）、右搖（Pan Right）、縮時（Timelapse）。提示詞用上攝影術語時，它們啟動得更精準。
| 比較弱 | 比較強 |
|---|---|
| "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" |
把參考圖的角色標清楚#
提示詞一含糊，參考模式的表現就掉下來。把每一張參考圖綁定一個角色。
把動作放到前面#
生成是沿著時長順序跑的。如果高潮擺在一支 5 秒片的最後，模型可能來不及把它做完。把動作往前挪。
| 比較弱 | 比較強 |
|---|---|
| "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" |
10–15 秒的片子要排時間軸#
比較長的片子，把時間點直接寫進提示詞。
實際要花多少#
三個真實的鏡頭情境，用 OmniArt 點數計價。
一支 15 秒的 TikTok 商品影片#
| 步驟 | 模式 | 解析度 | 成本 |
|---|---|---|---|
| 初次生成 | 文生影片 | 480p，10 秒 | 100 |
| 延長 | 延長模式 | 480p，5 秒 | 75 |
| 合計（含一次修改） | 175–275 |
一份三顆鏡頭的品牌分鏡#
| 步驟 | 模式 | 解析度 | 成本 |
|---|---|---|---|
| 鏡頭 1，配 2 張參考圖 | 參考模式，8 秒 | 720p | 180 |
| 鏡頭 2，同一組參考圖 | 參考模式，8 秒 | 720p | 180 |
| 鏡頭 3，同一組參考圖 | 參考模式，6 秒 | 720p | 135 |
| 修鏡頭 2 的光線 | 修改模式，8 秒 | 720p | 180 |
| 合計 | 675 |
一次換風格#
| 步驟 | 模式 | 解析度 | 成本 |
|---|---|---|---|
| 換成動漫風 | 換風格，8 秒 | 480p | 120 |
什麼時候該換別的模型#
Grok Imagine 適合短影音、線稿變影片，以及 480p–720p、靠參考圖撐起來的多鏡頭故事。它不適合的時候是：
| 你需要 | 更好的選擇 |
|---|---|
| 1080p 以上 | V6、BACH、Veo 3 |
| 進階鏡頭控制（焦段、景深、像差） | V6 |
| 一次生成 16–20 秒 | Sora 2 |
| 可上線等級的對白和音樂 | 專用音訊模型再加剪接 |
| 編輯時要保住高解析度來源 | 別用修改模式 |
真的能交件的工作流#
Grok Imagine 在 OmniArt 上回本的方式，不是當一個獨立的生成器，而是當那一層負責反覆打磨的工具。有兩種做法最划算。
做法 1——別的地方生成，這裡打磨。 用 V6 或 Sora 2 以更高解析度算出主片，再用延長、換風格和修改模式，在 Grok 上以更低成本衍生變體和加長。
做法 2——用參考模式鎖住角色。 品牌廣告需要同一個角色出現在五顆鏡頭裡時，用一張錨點圖放進 @Image1 鎖住識別，然後在參考模式裡帶著同一組參考圖生成每一顆鏡頭。比每一顆鏡頭都重跑一次 Sora 2 便宜。
注意
修改模式會把任何超過 854×480 的輸入自動縮到 480p 才處理。如果你要編輯一支 1080p 的片子又不想掉解析度，就到別的地方去做這個編輯，或是在放大那一步之前先編輯完。
在 OmniArt 上開始#
Grok Imagine 就在 OmniArt 的影片工作台裡，和 V6、BACH、Sora 2、Veo 3、Kling 3.0、HappyHorse 1.0 與 Seedance 2.0 放在一起。同一份點數餘額、同一套參考圖上傳、同一套提示詞文法。先從文生影片開始熟悉運鏡預設，等你手上有角色或商品要鎖住，再進階到參考模式。
想做更高畫質的敘事作品，把這份指南配上 BACH 攝影指導拆解一起看；如果你正在替某一顆特定鏡頭挑模型，可以看最佳圖生影片模型精選。
