Introducción
Escribe la acción y los diálogos que quieras incluir; luego elige la duración, la forma y la resolución del clip.
| 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 |
aspect_ratio | No | Selecciona 16:9, 9:16, 1:1, 4:3, 3:4, 3:2 o 2:3; el valor predeterminado es 16:9 y la forma no determina la tarifa por segundo. |
resolution | No | Elige 480p, 720p o 1080p; 480p es el valor predeterminado y los niveles superiores tienen un costo mayor 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. |
generate_audio | No | Genera audio por defecto o desactívalo para obtener un resultado sin pista de audio; la tarifa permanece igual. Valor predeterminado: |
Precios
Los clips guiados por texto se cobran por segundo según la resolución elegida; activar o desactivar el audio tiene el mismo costo, y las solicitudes fallidas no generan cargos.
| Especificación | Precio |
|---|---|
| $0.028 / segundo |
| $0.0505 / segundo |
| $0.09 / 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.
Crea una escena desde un encargo escrito
Grok Imagine Video 1.5 texto a video convierte descripción en clip de 1–15 segundos. Úsalo cuando las palabras definen la toma sin necesitar una imagen concreta de apertura. El sonido empieza activado y el diálogo entre comillas puede hablarse en la banda sonora.
La azotea concreta el flujo: una mujer susurra una invitación y el hombre sonríe y toma su mano. Planea un momento igual de acotado con sujeto, lugar, acción y sonido necesario.
Parámetros y salida
| Parámetro | Qué aportar | Valor inicial o límite |
|---|---|---|
| prompt | Escena, movimiento, luz y diálogo opcional entre comillas | Hasta 4.096 caracteres |
aspect_ratio | 16:9, 9:16, 1:1, 4:3, 3:4, 3:2 o 2:3 | 16:9 |
| resolution | 480p, 720p o 1080p | 480p |
duration_seconds | Duración solicitada | 1–15 segundos; 6 por defecto |
generate_audio | Activa o desactiva banda sonora | Activado |
Configura forma y resolución en controles sin dejarlas dentro de la descripción. Usa 9:16 para vertical y 16:9 para ancho. Elige duración según acción y diálogo que deban caber.
Sonido o silencio
Pon las palabras reales entre comillas e identifica hablante en la misma oración. Si hay varios, describe por separado la respuesta del otro. Por ejemplo, una mujer de unos treinta con vestido rojo susurra y un hombre de unos cuarenta sonríe.
Usa generate_audio false para video sin pista de audio. La prueba devolvió silencio. Sirve para insertos bajo banda sonora existente; no reduce tarifa.
Redacta alrededor de un momento
- Establece quién o qué aparece, con edades adultas y ropa si hay personas.
- Concreta lugar y luz, como azotea al anochecer con guirnaldas cálidas.
- Describe movimiento principal y respuesta visible en secuencia legible.
- Añade frase corta entre comillas e identifica quien la dice si importa la voz.
- Termina con encuadre o cámara al servicio de la acción.
Un borrador útil describe una toma compacta sin acumular adjetivos. Mantén diálogo suficientemente breve para la duración. Escucha frase y observa respuesta antes de reintentar. Estos consejos aclaran intención sin prometer cada interpretación.
Qué establecen las pruebas suministradas
La nueva azotea duró seis segundos en 480p, 16:9 y con sonido. La mujer de vestido rojo de espalda descubierta susurra «Let's get out of here,» y siguen sonrisa y toma de mano del hombre. La frase es audible.
Otra prueba de texto de seis segundos y 16:9 en 480p midió 752x416. Es una medida observada sin fijar dimensiones de todo clip del nivel. Referencias midió 848x480 en 480p: inspecciona tu archivo si importan dimensiones de entrega.
Las observaciones cubren escenas y conmutador de audio. No establecen misma voz, movimiento o encuadre para cualquier prompt. Contrasta el resultado concreto con tu encargo.
Cómo se expresa el precio
Se cobra por segundo al nivel de resolución elegido. Más duración añade segundos y mayor resolución aumenta tarifa por segundo. Sonido activado o desactivado cuesta igual. Los fallos no tienen cargo. Consulta precios actuales en la página de Grok Imagine Video 1.5 antes de configurar.
Límites y otros flujos
El desarrollador aplica su filtro y rechaza sin cargo lo marcado. Respeta 4.096 caracteres y 1–15 segundos. Descarga dentro de 14 días, antes de eliminarse los archivos.
Elige imagen a video para apertura proporcionada, final, intermedios temporizados o loop. Elige referencias a video para guiar personas, objetos o lugar con una a siete imágenes y 480p o 720p. Para imágenes fijas, Grok Imagine Image 2.0 genera y edita. Decide por salida necesaria y material disponible.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "xai/grok-imagine-video-1.5/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "480p",
"aspect_ratio": "16:9",
"duration_seconds": 6
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.











