Introducción
Identifica cada sujeto o escenario cargado con un número @image y explica cómo interactúan.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Salida | Video |
| Responsable del modelo | xAI |
| Material inicial | Escena escrita; imagen inicial obligatoria; o 1–7 referencias |
| Límite de texto | Hasta 4.096 caracteres |
| Duración del clip | 1–15 segundos; 6 por defecto |
| Tamaño en texto y animación de imagen | 480p (predeterminado), 720p, 1080p |
| Tamaño con referencias | 480p o 720p |
| Relaciones de texto | 16:9 (predeterminada), 9:16, 1:1, 4:3, 3:4, 3:2, 2:3; animación añade auto |
| Guía de animación | Imagen inicial obligatoria; final opcional; hasta 4 keyframes con tiempo; 1 referencia opcional |
| Restricción del bucle | Apertura y cierre coincidentes; loop no se combina con |
| Audio generado | Activado por defecto; desactivarlo no cambia tarifa |
| Facturación | Por segundo de video y resolución; referencias a video suma cargo por imagen; los fallos no se cobran |
| Conservación de videos | Se eliminan los archivos generados después de 14 días |
Funciones y aspectos destacados
Un susurro con respuesta visible
En el bar de azotea al anochecer, una mujer con vestido rojo de espalda descubierta se acerca a un hombre y susurra «Let's get out of here.» La muestra de seis segundos en 480p incluye la frase, su sonrisa y la acción de tomar la mano. Planea un intercambio breve identificando hablante, palabras y respuesta. Revisa voz y movimiento juntos.
Un cruce con frase hablada
En las pruebas, un pequeño pesquero cruzó el fiordo al amanecer bajo gaviotas. El resultado de seis segundos incluyó sonido y al capitán diciendo el diálogo citado.
Llega al invernadero en el segundo tres
El callejón lluvioso con faroles cedió a un invernadero victoriano luminoso en el keyframe de tres segundos solicitado. La toma completa duró seis con sonido.
Una grulla que vuelve al inicio
La grulla blanca de origami se movió suavemente sobre mesa azul en un bucle de cuatro segundos. Apertura y cierre coincidieron.
Bailarina y ave de papel en un estudio
La bailarina de ensayo negro avanzó lentamente por un estudio blanco con una grulla flotando cerca. Dos referencias guiaron seis segundos en 848x480.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Describe la acción, el escenario y los diálogos opcionales entre comillas en hasta 4.096 caracteres; la extensión del prompt no determina un nivel de cobro. mínimo 1 caracteres · máximo 4096 caracteres |
reference_image_urls | Sí | Aporta 1–7 imágenes de referencia e identifícalas como @image1, @image2 y así sucesivamente según el orden de carga; cada referencia añade un cargo. mínimo 1 elementos · máximo 7 elementos |
aspect_ratio | No | Selecciona 16:9, 9:16, 1:1, 3:2 o 2:3; el valor predeterminado es 16:9 y la forma no determina la tarifa por segundo. |
resolution | No | Los clips con referencias admiten 480p o 720p, con 480p como valor predeterminado compartido; seleccionar 720p aumenta el cargo por segundo. |
duration_seconds | No | Solicita de 1 a 15 segundos; se usan 6 segundos por defecto. Una salida más larga aumenta los segundos facturados. |
Precios
El costo del video con referencias depende de los segundos, la resolución y la cantidad de imágenes aportadas; el audio cuesta lo mismo esté activado o no, y las solicitudes fallidas no se cobran.
| Especificación | Precio |
|---|---|
| $0.096 / segundo |
| $0.168 / segundo |
Casos de uso
Momentos narrativos con diálogo
Construye una interacción breve alrededor de una frase entre comillas y respuesta visible. La azotea combina invitación susurrada, sonrisa y acción de tomar la mano en seis segundos con sonido.
Transiciones con llegada planeada
Guía un cambio de lugar con una imagen intermedia en un segundo elegido. La prueba del callejón al invernadero llegó al destino soleado en el segundo tres de seis.
Movimiento repetido desde una imagen
Anima una apertura con loop para regresar al inicio. La prueba respetó fotogramas coincidentes; revisa la unión al reproducir antes de usar en una ubicación repetitiva.
Escenas reunidas desde referencias
Aporta imágenes separadas de personas, objetos o lugares y asigna papeles @image en prompt. El flujo acepta una a siete, con cargo por cada referencia.
Insertos silenciosos para una edición
Desactiva audio generado si usarás una banda sonora existente. La prueba sin audio no devolvió pista sonora; duración y resolución siguen determinando tarifa.
Guía de prompts y consejos prácticos
Elige el origen de la escena
Usa texto para una toma escrita, imagen a video para una apertura obligatoria o referencias a video para componer desde varias imágenes.
Explica acción y sonido
Nombra sujeto, ropa, lugar, luz y una acción manejable. Pon la frase hablada entre comillas e identifica a quien la dice.
Escoge tiempos y salida
Configura 1–15 segundos, relación admitida y resolución. Al animar una imagen, añade keyframes con tiempo y elige imagen final o loop cuando haga falta.
Revisa y descarga el clip
Mira movimiento, escucha diálogo y revisa unión de bucle o transición temporizada. Descarga los aceptados dentro de 14 días, antes de que se eliminen los archivos.
Compón una toma desde fuentes visuales
Referencias a video usa una a siete imágenes para guiar una escena nueva de Grok Imagine Video 1.5. Aportan persona, objeto o lugar. Identifica por orden de carga con @image1, @image2 y siguientes y explica cada contribución.
Sirve cuando imágenes separadas describen personajes y entorno. Ofrece 480p o 720p durante 1–15 segundos con sonido. Usa imagen a video si una fuente concreta debe definir apertura.
Entradas y ajustes
| Parámetro | Propósito | Rango o valor inicial |
|---|---|---|
reference_image_urls | Fuentes visuales | 1–7 imágenes |
| prompt | Funciones y acción | Hasta 4.096 caracteres |
aspect_ratio | Forma de salida | Elige una admitida; 16:9 por defecto |
| resolution | Nivel de salida | 480p o 720p; 480p predeterminado |
duration_seconds | Duración solicitada | 1–15 segundos; 6 por defecto |
Cantidad y resolución son decisiones distintas. Escoge fuentes que expliquen composición y tamaño según uso. Este endpoint llega a 720p; texto a video e imagen a video ofrecen 1080p.
Da trabajo a cada imagen
Empieza asignando entradas: @image1 aporta intérprete, @image2 un objeto de papel y otra podría aportar lugar. Comprueba etiquetas frente a reference_image_urls. Un conjunto sin nombrar deja ambiguas sus funciones.
Después explica posiciones e interacción. Ropa, luz, encuadre y ambiente dan dirección coherente. Por ejemplo, una bailarina de unos treinta con ensayo negro gira lentamente en estudio blanco y una grulla flota cerca bajo luz suave de mañana. Es un patrón propuesto, no otro resultado medido.
Guía para una escena compuesta
- Lista referencias en orden y decide si aportan persona, objeto o lugar.
- Usa etiqueta @image correspondiente al nombrar la fuente.
- Describe entorno compartido y acción principal que quepa en la duración.
- Añade frase breve entre comillas si hace falta voz e identifica hablante.
- Revisa salida frente a cada fuente y encargo antes de aceptar.
No esperes que la lista comunique toda la escena sola. La imagen muestra apariencia y prompt indica ubicación y sucesos. Mantén movimiento manejable para evaluar representación de fuentes y acción.
Para personas propuestas, usa adultos de treinta años o más y aclara ropa y lugar. Usa fotos y voces autorizadas, sujetos adultos y sin suplantación. La referencia es entrada creativa: inspecciona identidad, objetos y ubicación sin asumir preservación total.
Qué mostró la prueba de referencias
La prueba devolvió seis segundos de 848x480 en 480p: medida de esa solicitud. Texto de seis segundos en 16:9 dio 752x416 en 480p. El nivel no promete el mismo lienzo exacto entre flujos.
La muestra existente ilustra intérprete con objeto de papel. Ayuda a entender reparto de funciones; juzga tu toma por movimiento, encuadre y tratamiento de sujetos cargados. Las mediciones no establecen garantía general de identidad o calidad de movimiento.
Planea sonido y precio
Grok Imagine Video 1.5 genera sonido con video, incluido diálogo entre comillas. Puede desactivarse a igual tarifa; la prueba sin audio no devolvió pista. Mantén frase suficientemente corta para el clip y revisa interpretación con acción.
Referencias a video cobra por segundo de salida al nivel elegido y añade cargo por cada referencia. Más imágenes afectan cuenta y asignación de funciones. Más duración añade segundos y 720p cuesta más por segundo que 480p. Los fallos no se cobran. Consulta precios actuales para tu solicitud.
Restricciones y alternativas
Las escenas con referencias se someten al filtro del desarrollador; rechazar por filtro no genera cargo. Respeta una a siete fuentes y 4.096 caracteres. Descarga antes de los 14 días, cuando se eliminan los archivos.
Elige texto a video si basta descripción. Imagen a video aporta apertura obligatoria, final opcional, cuatro intermedios temporizados o loop; también admite una referencia opcional y hasta 1080p. Sigue con referencias a video si combinar varias fuentes es central y su 480p o 720p sirve a la entrega.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-imagine-video-1.5/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 6,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "480p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.











