关于 scenario-grok-imagine-video
这项技能介绍如何在 Scenario 中选择和使用 xAI Grok Imagine 视频模型，适合创作者与 Agent。它按生成、参考图保持身份、编辑或延长视频等任务区分模型，并提供提示词和音频指引。
主要功能
- 01文本或图像引导视频生成
- 02通过参考图保持身份一致
- 03基于提示词编辑视频
- 04延长现有视频片段
- 05提示词控制原生音频
适用场景
- 01为静态图像制作动画
- 02让主体在镜头中保持一致
- 03改编视频风格或替换其中元素
- 04延续现有视频片段
MCP 相关
使用 Scenario 的 `search`、`model_schema_get`、`model_run` 和 `jobs_wait` 等工具查找模型成员、检查 schema、运行视频任务并获取输出。
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/scenario-grok-imagine-video确认已加载。
详细介绍
Scenario Grok Imagine Video
概述
Scenario 上的 xAI 视频系列 Grok Imagine 将不同模式拆分到各自专用的模型中：文本和首帧生成、参考图转视频、提示词编辑以及片段延长各由独立模型负责，因此选择模型也就决定了模式。使用 search 发现这些模型，并将 model_schema_get 视为规范：各模型的提示词风格相同，但所有限制各不相同。Grok Imagine 图像模型属于 scenario-grok-imagine-image 技能。
有关连接和核心工作流程，请参阅此仓库中的 scenario 技能；与模型无关的视频工作，请参阅 scenario-video 技能。如果此处提到的同级技能不在你可用的技能中，请让用户安装它（npx skills add scenario-labs/skills --skill <name>）；若需无人值守地继续，请根据工具架构操作并指出这一缺失。
快速参考
根据意图选择模型（输入名称以实时架构为准）：
| 意图 | 模型 | 输入 |
|---|---|---|
| 文本转视频 | Video 1.5 | 仅 prompt；aspectRatio 自动设为 16:9 |
| 让静态图动起来 | Video 1.5 | image + prompt；自动匹配图像比例 |
| 保持身份特征，自由设计开场 | Video 1.5 R2V | referenceImages + 标记 @image1 的 prompt |
| 原地更换风格或内容 | Edit Video | video + 仅描述变化的提示词 |
| 延续片段 | Extend Video | video + 延续提示词；duration 表示新增秒数 |
各模型的限制各不相同，请通过 model_schema_get 查看。撰写本文时，生成模型支持 1 至 15 秒、1 至 4 个 numOutputs，以及包括自动在内的 8 种 aspectRatio 值；只有 Video 1.5 的文本和首帧模式支持 1080p，而 R2V 最高为 720p，默认是 480p。较早的未标注版本 Grok Imagine Video 接受与 Video 1.5 相同的输入，最高支持 720p，并且每次 dry_run 的费用更低。R2V 最多支持 7 张 referenceImages；Extend 可生成 2 至 10 秒的新内容；Edit 不提供时长或分辨率选项，并会将源视频预处理为 720p、8.7 秒，因此请先裁剪到目标片段（参阅 scenario-video）。整个系列都不支持种子、负面提示词或摄像机参数。
首帧或参考图
image 会锁定第一帧：视频以该确切构图开场，并从中开始动画。referenceImages（对应独立的 R2V 模型）可让人物、产品和服装贯穿整个镜头，但不会决定开场方式。标签按数组顺序绑定：@image1 对应 referenceImages[0]（<IMAGE_1> 也可用），每张参考图只放一个清晰主体更易控制；内容杂乱的参考图会削弱效果。如果开场必须精确匹配某个构图，请先生成静态图并将其作为 image 传入；如果只需保持面部、产品或服装一致，则使用 R2V，并在主体出现的位置标记各参考图。
音频靠提示词指定，而非开关控制
生成模型会原生生成音频，且没有控制音频的参数：提示词就是完整的混音台。若不作说明，音轨往往会趋向通用背景音乐，因此请在每条提示词末尾写明具体声音（“音频：雨打玻璃，远处车流声”）或“不要音乐”。将对话写在引号内并搭配表达方式的动词，可实现口型同步：她平静地说：“我们开始直播了。”其余内容按导演的思路组织：场景、摄像机、风格、动作、音频；使用现在时、单一连续镜头、一个主要摄像机运动，并描述具体动作而非抽象情绪。涵盖上述至少三层、长 80 至 150 个词的提示词，效果优于一句话描述场景；编辑提示词则应更短，只写要改变的内容。延长提示词应描述下一个节拍，而不是新场景：以承接语开头（“镜头继续”），保持既有光线和演员，并再次说明音频。
示例：围绕一张动态英雄画面静帧的对话
- 使用
search，设置target="models"、query="grok imagine video"、public=true。按名称匹配成员：首帧动画可选例如model_xai-grok-imagine-video-1-5（撰写时可用；每次会话都要重新发现）。 - 使用该 ID 调用
model_schema_get：先了解字段、能力和默认值。 - 使用
upload_asset上传英雄画面静帧（参见scenario技能），获取其资源 ID。 - 使用该
model_id调用model_run，设置dry_run=true，并使用准确的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"}估算费用；更改duration、resolution或numOutputs后，需重新估算。 - 再次调用
model_run，设置wait=false，然后使用返回的作业 ID 调用jobs_wait；超时时，使用pending_job_ids再次调用，绝不要第二次调用model_run。 - 使用
asset_display显示输出，并打开声音观看：音频效果要靠耳朵判断。
常见错误
- 将音频留给默认设置：会出现通用音乐；每条提示词都要明确描述声音，或注明“no music”。
- 在 R2V 中要求精确的开场画面：参考图用于引导主体形象，而非第一帧；在 Video 1.5 中将静帧作为
image传入。 - 以为任何情况下都能输出 1080p：撰写时，只有 Video 1.5 的文本生成和首帧生成支持；R2V 会静默地默认为 480p。
- 给 Edit Video 输入长片段并期待输出完整长度：源视频会经过预处理而缩短（撰写时为 8.7 秒）；请先剪辑到目标片段。
- 将 Extend 的
duration理解为总时长：它只计算新增片段。 - 叠加多个镜头运动或使用矛盾指令（“推进镜头，同时镜头向后拉”）：每个镜头只设置一种主要运动。