xAI Grok 官方视频（中文）

依据与适用范围

官方依据：

• xAI Video Generation: https://docs.x.ai/developers/model-capabilities/video/generation
• xAI Image-to-Video: https://docs.x.ai/developers/model-capabilities/video/image-to-video
• xAI Reference-to-Video: https://docs.x.ai/developers/model-capabilities/video/reference-to-video
• xAI Grok Imagine Video model: https://docs.x.ai/developers/models/grok-imagine-video
• 公开测评案例参考：Tom's Guide 对 Grok Imagine 的 7 个视频提示词测试，https://www.tomsguide.com/ai/ai-image-video/i-tested-sora-2-vs-grok-imagine-with-7-challenging-prompts-and-theres-a-clear-winner

当前 UnlimitCanvas 工作流调用 grok-imagine-video 官方 API，支持三种模式：

UnlimitCanvas 参数	官方模式	输入规则
text_to_video	Text-to-video	只使用提示词，不使用图片
image_to_video	Image-to-video	使用图像1作为视频第一帧
reference_to_video	Reference-to-video	使用图像1至图像5作为视觉参考

官方要求一个请求只能属于一种模式。不要同时要求“图像1作为第一帧”又要求“多图参考融合”，因为官方接口不允许 image 和 reference_images 同时提交。

先读输入，再写提示词

Agent 写提示词前必须确认：

1. 当前 generationMode 是文生视频、图生视频还是多图参考。
2. 节点实际连接了哪些图片输入。
3. 用户是否用 @图像1、@图像2 等方式说明每张图片的用途。
4. 画面比例、分辨率和时长由参数控制，不写进提示词语法。

UnlimitCanvas 图片输入顺序固定：

用户说法	UnlimitCanvas 输入口	xAI 多图参考提示词写法
@图像1 / 图像1	image1	<IMAGE_1>
@图像2 / 图像2	image2	<IMAGE_2>
@图像3 / 图像3	image3	<IMAGE_3>
@图像4 / 图像4	image4	<IMAGE_4>
@图像5 / 图像5	image5	<IMAGE_5>

不要凭主观交换图片顺序。用户没有说明某张图用途时，先根据可读到的节点输入和用户文字判断；仍不清楚时，简短询问“图像2希望作为服装、产品、背景还是风格参考？”。

通用视频提示词原则

最终写入节点的提示词应是一段自然语言视频描述，不附加解释、JSON、参数命令或 Markdown。

必须包含：

• 主体是谁或是什么。
• 起始状态。
• 动作顺序，使用“开始时、随后、最后”等时间词。
• 镜头运动，例如固定、推进、拉远、平移、跟随、环绕、手持。
• 环境运动，例如风、衣物、头发、水面、烟雾、灯光变化。
• 需要保持一致的身份、服装、产品结构、Logo、场景或风格。
• 与时长匹配的动作数量。

避免：

• 只写静态画面，例如“一个女孩在海边，电影感”。
• 堆关键词，不写动作关系。
• 使用 Midjourney、Stable Diffusion 或其他模型语法，例如 --ar、权重括号、seed、风格参数。
• 在提示词中写模型名 grok-imagine-video。
• 为短视频塞入过多事件。

推荐结构：

[主体和场景]。[起始状态]。开始时[动作一]，随后[动作二]，最后[结束状态]。镜头[景别和运动方式]。[环境元素的动态变化]。[光线、色彩、质感和氛围]。整个镜头保持[身份、服装、产品、场景或风格连续性]。

文生视频提示词写法

适用条件：

• generationMode = text_to_video
• 不连接图片，或用户明确要纯文字生成。

写法重点：

• 完整描述起始画面，因为没有图片提供起点。
• 明确主体动作和镜头运动。
• 让视频在 1 至 15 秒内能完成。

模板：

[主体]位于[场景]，[初始姿态或状态]。开始时[动作一]，随后[动作二或互动]，最后[结束状态]。镜头采用[景别、角度和运动方式]，[环境元素如何运动]。[光线、色彩、画面风格和情绪]。保持[主体身份、服装、空间布局或风格]在整个镜头中连续一致。

示例：

一位年轻女孩赤脚站在傍晚海边湿润的沙滩上，白色长裙被海风轻轻吹动。开始时她向镜头方向奔跑，随后放慢脚步并微笑回头，最后停在浅浅海浪边。镜头采用低机位广角跟随拍摄，轻微手持感，海浪、裙摆和发丝随风自然运动。金橙色夕阳逆光勾勒人物轮廓，画面写实、电影感、温暖浪漫。保持人物身份、白裙、海岸线和自然光影连续一致。

图生视频提示词写法

适用条件：

• generationMode = image_to_video
• 至少连接 图像1。
• 只希望把一张图动画化。

官方含义：

• 图像1会作为视频第一帧。
• 其他图片不会作为参考使用；如果用户连接了多张图，但仍选择图生视频，应提醒用户：当前模式只使用图像1，需要多图时应切换到“多图参考”。

写法重点：

• 不要把提示词写成“参考图像1”，而要写“以输入图像作为第一帧”。
• 不必重复描述整张图，重点写从第一帧开始发生什么。
• 明确哪些元素必须保持，例如人物身份、产品设计、Logo、构图、背景。

模板：

以输入图像作为视频第一帧，保持其中的[人物身份/产品设计/场景布局/关键外观]。开始时[细微自然动作]，随后[主要动作]，最后[结束状态]。镜头[运动方式]，[环境元素如何响应]。动作连续自然，避免无关主体、服装、产品或背景突然变化。

人像示例：

以输入图像作为视频第一帧，保持人物身份、发型、服装、背景和构图一致。开始时人物轻轻眨眼并自然呼吸，随后抬头看向镜头并露出克制的微笑，最后保持温柔注视。镜头缓慢推进，头发和衣料有轻微自然摆动，背景光线稳定。动作连续自然，避免人物五官、服装颜色或场景突然变化。

产品示例：

以输入图像作为视频第一帧，保持产品外形、Logo、材质、比例和摆放位置一致。开始时产品表面出现柔和高光流动，随后镜头缓慢环绕展示侧面细节，最后停在正面英雄视角。背景光线轻微变化，阴影和反射真实自然。不要改变产品文字、标志、结构和颜色。

多图参考提示词写法

适用条件：

• generationMode = reference_to_video
• 连接一张或多张图片。
• 需要用不同图片分别提供人物、服装、产品、背景、风格、道具等视觉元素。

官方含义：

• 多图参考不会把某一张图锁定为第一帧。
• 参考图会作为视觉引导，帮助视频中出现指定人物、物体、服装或其他元素。
• 官方示例使用 <IMAGE_1>、<IMAGE_2> 这类编号来说明每张参考图的用途。

用户怎样 @ 图片

用户可以这样对 Agent 说明：

用 @图像1 的人物，穿 @图像2 的衣服，在 @图像3 的舞台上走秀。

Agent 应写成：

使用 <IMAGE_1> 中的人物，保持其身份、脸部特征和体态；让她穿着 <IMAGE_2> 中的衣服，保持服装颜色、剪裁和材质；使用 <IMAGE_3> 中的舞台作为场景参考。

用户也可以说：

@图像1 是产品，@图像2 是使用场景，@图像3 是整体风格。

Agent 应写成：

使用 <IMAGE_1> 中的产品作为主角，保持产品结构、Logo、颜色和材质；使用 <IMAGE_2> 中的环境作为使用场景参考；采用 <IMAGE_3> 的整体光线、色彩和视觉风格。

多图参考模板

创建一个[视频类型和场景]。使用 <IMAGE_1> 中的[人物/产品/主体]，保持[身份、结构、颜色、材质或关键特征]；使用 <IMAGE_2> 中的[服装/道具/产品/背景/风格]，保持[关键视觉特征]；使用 <IMAGE_3> 中的[场景/风格/其他元素]。[继续说明 <IMAGE_4>、<IMAGE_5> 的用途]。开始时[动作一]，随后[动作二]，最后[结束动作]。镜头[运动方式]。统一所有参考元素的比例、透视、光线、阴影、色温和材质，保持人物、服装、产品和场景在整个视频中一致。

多图参考示例：虚拟试穿

创建一个时尚走秀短片。使用 <IMAGE_1> 中的模特，保持其身份、脸部特征、发型和体态；让模特穿着 <IMAGE_2> 中的上衣，保持衣服颜色、图案、剪裁和材质；使用 <IMAGE_3> 中的白色秀场舞台作为场景参考。开始时模特从舞台后方入口走出，随后自然走到舞台前端并看向镜头，最后停下并露出轻微自信的微笑。镜头缓慢推进并保持平稳。统一人物、服装和舞台的比例、透视、光线和阴影，保持服装细节和人物身份在整个视频中一致。

多图参考示例：产品植入

创建一个写实商业广告短片。使用 <IMAGE_1> 中的饮料瓶作为主产品，保持瓶身形状、Logo、标签文字、颜色和玻璃材质；使用 <IMAGE_2> 中的厨房台面作为环境参考；采用 <IMAGE_3> 的清晨自然光和清爽色彩风格。开始时产品静静放在台面上，随后镜头缓慢从侧面推近，水珠沿瓶身轻微滑落，最后停在清晰正面特写。统一产品与环境的比例、透视、反射和阴影，不要改变 Logo、标签文字和瓶身结构。

多人物多参考

如果多张图分别是不同人物，必须写清楚每个人来自哪张图：

使用 <IMAGE_1> 中的女性角色作为画面左侧人物，保持其脸部特征、发型和服装；使用 <IMAGE_2> 中的男性角色作为画面右侧人物，保持其身份和服装。两人站在咖啡馆门口交谈，开始时女性转头看向男性，随后男性轻轻点头回应，最后两人一起看向街道远处。镜头固定中景，背景人流轻微移动，保持两位角色身份和相对位置一致。

社区案例观察转化为可执行规则

公开社区案例和用户实测中，Grok 视频常见成功方向包括人物动作、产品展示、虚拟试穿、口播式短镜头、奇幻或科幻场景。把这些案例转成 UnlimitCanvas 可控提示词时，应遵循：

• 不只写“酷炫”“电影感”“像广告”，要写出具体镜头和动作。
• 角色一致性任务必须指定“谁来自哪张图”。
• 试穿任务必须指定“人物来自哪张图、衣服来自哪张图、背景来自哪张图”。
• 产品任务必须强调 Logo、文字、结构、材质不要改变。
• 口播或台词任务要写清人物先做什么、何时开口、说哪句话；但不保证视频一定精准同步口型。
• 多图不要写“融合所有图片”，而要逐张分配角色。
• 避免要求生成真实公众人物、未经授权的肖像替换、误导性冒充、色情或其他不安全内容。

参数配合建议

• duration：官方范围 1 至 15 秒。5 秒适合一个简单动作；8 至 10 秒适合走动、展示或一句短台词；15 秒适合更完整的镜头运动。
• resolution：草稿和省钱用 480p，正式输出用 720p。
• aspectRatio：横屏视频用 16:9，手机短视频用 9:16，头像或产品展示可用 1:1。
• 参数由节点设置控制，不要在提示词里写 16:9、720p 等命令式语法，除非用户要求把视觉构图写成“竖屏构图”或“横向电影画幅”。

最终自检

写入提示词前检查：

• 是否匹配当前 generationMode？
• 文生视频是否完整描述了起始画面和动态过程？
• 图生视频是否只使用图像1作为第一帧，并说明保持哪些元素？
• 多图参考是否把 @图像1..@图像5 转成 <IMAGE_1>..<IMAGE_5>？
• 多图参考是否说明每张图的具体用途？
• 是否有动作顺序、镜头运动和结束状态？
• 是否避免了 --ar、权重语法、模型名、未说明的触发词？
• 动作数量是否适合当前时长？