scenario-grok-imagine-video

Scenario Grok Imagine Video

概要

Scenario 上の xAI の動画ファミリーである Grok Imagine は、各モードを単一用途のメンバーに分けています。テキストと最初のフレームからの生成、参照画像からの動画生成、プロンプト編集、クリップの延長は、それぞれ独自のモデルで行うため、メンバーを選ぶことがモードを選ぶことになります。search で見つけ、model_schema_get を仕様として扱ってください。メンバー間でプロンプトのスタイルは共通ですが、各種上限はそれぞれ異なります。Grok Imagine の画像モデルについては、scenario-grok-imagine-image スキルを参照してください。

接続方法と基本的な手順については、このリポジトリの scenario スキルを参照してください。モデルに依存しない動画制作については、scenario-video スキルを参照してください。ここに記載した関連スキルが利用可能なスキルにない場合は、ユーザーにインストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人実行の場合は、ツールのスキーマに基づいて進め、不足していることを明記してください。

クイックリファレンス

目的に応じてメンバーを選びます（入力名は実際のスキーマを参照してください）。

目的	メンバー	入力
テキストから動画を生成	Video 1.5	prompt のみ。aspectRatio は自動的に 16:9 になります
静止画をアニメーション化	Video 1.5	image + prompt。アスペクト比は画像に自動で合わせます
冒頭は自由に、人物などを維持	Video 1.5 R2V	referenceImages + @image1 を指定する prompt
スタイル変更や部分置換	Edit Video	video + 変更点だけを指定するプロンプト
クリップを続ける	Extend Video	video + 続きを描写するプロンプト。duration は追加する秒数

上限はメンバーごとに異なるため、model_schema_get で確認してください。執筆時点では、生成メンバーの長さは 1～15 秒、numOutputs は 1～4、aspectRatio は auto を含む 8 種類でした。1080p に対応していたのは Video 1.5 のテキスト生成モードと最初のフレームからの生成モードのみでした。一方、R2V は 720p が上限で、既定値は 480p でした。以前のバージョンなしの Grok Imagine Video は、Video 1.5 と同じ入力を受け付け、上限は 720p ですが、dry_run あたりの料金はより安価です。R2V では referenceImages を最大 7 枚指定できました。Extend は新たに 2～10 秒を生成し、Edit は長さや解像度を指定できず、入力動画を 720p、8.7 秒に前処理していました。そのため、まず対象区間を切り出してください（scenario-video を参照）。このファミリーには、seed、ネガティブプロンプト、カメラパラメーターはありません。

最初のフレームまたは参照画像

image は最初のフレームを固定します。動画はその構図から始まり、そこから動き出します。referenceImages（専用メンバーの R2V）は、動画の始まり方を決めることなく、人物、製品、衣服をショット全体で維持します。タグは配列の順序に対応します。@image1 は referenceImages[0] を指し（<IMAGE_1> も使用できます）、各参照画像には被写体を 1 つだけ明確に写すと制御しやすくなります。要素の多い参照画像では効果が薄れます。冒頭の構図を正確に一致させる必要がある場合は、その静止画を生成して image として渡してください。顔、製品、衣装だけを一貫させたい場合は R2V を使い、各参照画像が登場する場面でタグを指定してください。

音声は切り替えるのではなく、プロンプトで指定

生成メンバーは音声をネイティブに生成し、それを制御するパラメーターはありません。プロンプトがミキシングコンソールの役割をすべて担います。音声を指定しないと、汎用的な BGM になりがちです。そのため、すべてのプロンプトの最後に、具体的な音を指定する（「Audio: rain on glass, distant traffic」など）か、「no music」と記載してください。セリフを引用符で囲み、話し方を示す動詞を添えるとリップシンクします。She says calmly: "We're live." 残りは監督のように組み立ててください。シーン、カメラ、スタイル、動き、音声を、現在形で、ワンカット、主役となるカメラの動きは 1 つ、感情の名前ではなく物理的な動作で指定します。これらの要素を 3 つ以上含む 80～150 語のプロンプトは、シーンを一行で記したものより効果的です。編集プロンプトは短めにし、変更点だけを指定してください。延長プロンプトでは新しいシーンではなく、次の展開を描写します。「the shot continues」のようなつなぎの表現から始め、既存の照明と登場人物を維持し、音声を改めて指定してください。 ## 実例：アニメーション化したヒーロー画像を使った対話

1. target="models"、query="grok imagine video"、public=true を指定して search します。名前でメンバーを照合します。最初のフレームからアニメーション化する場合は、たとえば model_xai-grok-imagine-video-1-5 が該当します（執筆時点で有効な検索結果です。セッションごとに再検索してください）。
2. その ID で model_schema_get を実行し、最初にフィールド、上限、デフォルト値を確認します。
3. ヒーロー画像を upload_asset します（scenario スキルを参照）。アセット ID が取得できます。
4. その model_id、dry_run=true、および正確な parameters={"prompt": "The frame shows a knight on a cliff at dusk. She lowers her sword, turns to the camera, and says quietly: 'It ends tonight.' Slow dolly-in, wind lifting her cloak. Audio: wind, distant thunder, her line clear. No music.", "image": "asset_abc", "duration": 8, "resolution": "1080p"} を指定して model_run を実行し、費用を見積もります。duration、resolution、または numOutputs を変更した場合は、再度見積もってください。
5. wait=false を指定して model_run を再実行し、返されたジョブ ID を使って jobs_wait を実行します。タイムアウトした場合は pending_job_ids を指定して jobs_wait を再呼び出し、model_run は決して再実行しないでください。
6. 出力を asset_display で表示し、音声を再生して確認します。音声の指示は耳で判断します。

よくある間違い

• 音声をデフォルトのままにする：汎用的な音楽が追加されます。すべてのプロンプトで音声を指定するか、「音楽なし」と明記してください。
• R2V で冒頭のフレームを正確に指定する：参照画像は被写体の特徴を導くものであり、最初のフレームを指定するものではありません。Video 1.5 では静止画を image として渡してください。
• どのモデルでも 1080p が使えると思い込む：執筆時点では、Video 1.5 のテキスト入力および最初のフレームからの生成でのみ使用できました。R2V は通知なしに 480p がデフォルトになります。
• Edit Video に長いクリップを渡し、全長の出力を期待する：入力素材は前処理で短縮されます（執筆時点では 8.7 秒）。まず対象の区間を切り出してください。
• Extend の duration を全体の長さと解釈する：新たに追加する映像の長さのみを数えます。
• カメラの動きを重ねたり、矛盾する指示（「カメラが引きながらズームイン」など）を出したりする：1 ショットにつき、主となる動きは 1 つにしてください。