grok-media

Grok Media

在 OpenMontage 中使用 xAI 媒体模型时，请使用此技能。

模型

• grok-imagine-image：用于图像生成和图像编辑
• grok-imagine-video：用于文本生成视频、图像生成视频和参考图像视频

身份验证

• 环境变量：XAI_API_KEY
• 基础 URL：https://api.x.ai/v1
• 请求头：Authorization: Bearer $XAI_API_KEY

图像 API

文本生成图像

• 端点：POST /images/generations
• 核心字段：
  • model
  • prompt
  • n
  • aspect_ratio
  • resolution

图像编辑

• 端点：POST /images/edits
• 单张源图像使用 image
• 多图合成使用 images
• 每张源图像可以是：
  • 公开的 HTTPS URL
  • base64 数据 URI

图像提示词

• Grok 对直接的自然语言响应良好
• 编辑时，仅描述预期的更改，其余内容默认保持不变
• 合并多张图像时，明确说明每张源图像的作用
• 优先采用一个有力的场景描述，而不是叠加过多风格

视频 API

生成

• 端点：POST /videos/generations
• 轮询端点：GET /videos/{request_id}
• 成功状态：status == "done"
• 需明确处理的失败状态：failed、expired

模式

• 文本生成视频：
  • 仅通过提示词生成
• 图像生成视频：
  • 使用 image: {"url": ...}
  • 以此锚定起始帧
• 参考图像生成视频：
  • 使用 reference_images: [{"url": ...}, ...]
  • 此模式会影响视频中出现的人物或物体，但不会锁定第一帧
  • 提示词可以使用 <IMAGE_1>、<IMAGE_2> 等占位符引用输入

视频限制

• Grok 视频最适合用于生成短片
• 当前输出分辨率为 480p 和 720p
• 参考图像视频支持多张图像，适用于产品植入、服装迁移和身份一致性
• 请及时下载输出；服务提供商的 URL 可能是临时的

定价

• grok-imagine-image：每张生成的图像 $0.02
• grok-imagine-image 编辑/合成：每张输入图像另加 $0.002
• grok-imagine-video：
  • 480p：每秒 $0.05
  • 720p：每秒 $0.07
• grok-imagine-video 图像条件请求：每张输入图像另加 $0.002

Grok 专属提示词指南

图像

• 从主体、动作和场景开始描述
• 添加一个风格锚点，不要添加五个
• 编辑时：
  • 描述期望的修改
  • 不要写冗长的保留清单，而应省略未提及的内容，使图像其余部分保持稳定

视频

• 提示词聚焦于单一场景：一个镜头、一种主要动作构想、一个情绪起伏
• 对于参考条件视频，明确标注源图像的用途：
  • 来自 <IMAGE_1> 的人物
  • 来自 <IMAGE_2> 的夹克
  • 来自 <IMAGE_3> 的产品
• 摄影机和节奏描述会有所帮助：
  • 缓慢推进
  • 手持跟拍
  • 固定机位中景
  • 高能量甩镜转场

适用场景

• 图像风格迁移
• 多源图像合成
• 参考条件短视频
• 以产品为主的动态短片
• 无需严格锁定首帧且角色保持一致的场景

不适用场景

• 长视频生成
• 严重依赖确定性种子
• 包含多个场景变化的过载提示词

故障处理

• 如果生成请求提交成功，但轮询超时，应将其报告为服务提供商/运行时问题
• 如果请求失败，应在错误信息中保留端点、模式和提示词摘要
• 选择 xAI 后，未经用户批准，不要悄然改用其他服务提供商