はじめに
アップロードした被写体や場所を @image の番号で指定し、互いにどう動くかを説明します。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 動画 |
| モデルの公開元 | xAI |
| 開始素材 | 場面の文章、必須の開始画像、または 1–7 枚の参照画像です。 |
| 説明の上限 | 最大 4,096 文字です。 |
| クリップの時間 | 1–15 秒で、既定は 6 秒です。 |
| 文章・静止画アニメーションのサイズ | 480p(既定)、720p、1080p です。 |
| 参照動画のサイズ | 480p または 720p です。 |
| 文章生成の比率 | 16:9(既定)、9:16、1:1、4:3、3:4、3:2、2:3。静止画アニメーションでは auto も使えます。 |
| 静止画アニメーションのガイド | 必須の開始画像、任意の終了画像、最大 4 枚の時刻付き keyframes、任意参照 1 枚です。 |
| loop の制約 | 開始と終了を一致させ、loop と |
| 生成する音声 | 既定で有効です。無効にしても単価は変わりません。 |
| 動画の課金 | 動画秒数と解像度段階によります。reference-to-video は参照ごとの料金も加算し、失敗した依頼は無料です。 |
| ファイルの保存期限 | 生成動画は 14 日後に削除します。 |
主な機能とハイライト
ささやきの後に見える返事
夕暮れの屋上バーで、背中の開いた赤いドレスの女性が男性へ寄り、"Let's get out of here." とささやきます。6 秒の 480p サンプルにはその音声と、男性の笑顔、手を取る動作があります。短いやり取りには話し手、引用せりふ、相手の反応を指定し、返された発話と動きを一緒に確認します。
せりふを伴う横断
テストでは小さな漁船が朝日のフィヨルドを渡り、カモメが旋回しました。6 秒の結果には音と船長の引用せりふが含まれました。
3 秒目に温室へ
雨のちょうちんの路地が、指定した 3 秒目の keyframe で明るいビクトリア様式の温室へ変わりました。全体は音声付きの 6 秒です。
揺れて元へ戻る鶴
白い折り鶴が青い机の上でゆっくり動く 4 秒のループになりました。最初と最後のフレームが一致しました。
ダンサーと折り鶴を同じスタジオへ
黒い練習着のダンサーが白いスタジオでゆっくり動き、近くに紙の鶴が浮かびました。2 枚の参照から 6 秒、848x480 の結果を得ました。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | 動作、場所、必要なら引用符で囲んだセリフを 4,096 文字以内で説明します。プロンプトの文字数で課金区分は変わりません。 1 文字以上 · 4096 文字以内 |
reference_image_urls | はい | 参照画像を 1〜7 枚渡し、アップロード順に @image1、@image2 などで指定します。参照画像ごとに料金が加算されます。 1 件以上 · 7 件以内 |
aspect_ratio | いいえ | 16:9、9:16、1:1、3:2、2:3 から選びます。既定は 16:9 で、形は秒あたりの単価に影響しません。 |
resolution | いいえ | 参照画像を使う動画は 480p または 720p に対応します。共通の既定値は 480p で、720p を選ぶと秒あたりの料金が上がります。 |
duration_seconds | いいえ | 1〜15 秒を指定します。既定は 6 秒です。 |
料金
参照画像を使う動画は、秒数、解像度、渡した参照画像の枚数で料金が決まります。音声の有無による価格差はなく、失敗したリクエストには請求されません。
| 仕様 | 料金 |
|---|---|
| $0.096 / 秒 |
| $0.168 / 秒 |
ユースケース
せりふが導く物語の瞬間
引用した短い言葉と見える反応を中心にします。屋上例は、ささやく誘いと笑顔、手を取る動作を音声付きの 6 秒にしました。
到着時刻を決めた場面転換
指定秒の中間画像で場所変更を導けます。路地から温室のテストは、6 秒のうち 3 秒目に晴れた温室へ到着しました。
静止画から繰り返す動作
loop を有効にして開始へ戻る動きを作ります。テストは開始終了の一致に従いましたが、繰り返し配置に使う前に継ぎ目を確認します。
参照から組み立てる場面
人物、小道具、場所に別画像を使い、prompt で @image の役割を与えます。1–7 枚に対応し、渡した参照ごとに料金がかかります。
既存編集に差し込む無音動画
既存の音楽を使う場面なら音声を無効にします。検証では音声トラックがなくなり、動画の単価は選んだ長さと解像度で決まりました。
プロンプトガイドと実践のヒント
場面の元を選びます
文章のショットなら text-to-video、開始静止画を決めるなら image-to-video、複数画像を基準に構成するなら reference-to-video を選びます。
動作と音を説明します
被写体、服装、場所、光、無理のない動作を示します。せりふを引用符に入れ、誰が話すかを明記します。
時間と出力を決めます
1–15 秒、対応比率、解像度段階を選びます。静止画を動かすなら時刻付き keyframes と、必要に応じて終了画像または loop を加えます。
動画を確認して残します
動作とせりふを確認し、ループの継ぎ目や時刻指定の移行を調べます。生成ファイルが消える 14 日以内に採用動画を保存します。
視覚素材からショットを構成
reference-to-video は 1–7 枚で新しい Grok Imagine Video 1.5 の場面を導きます。参照は人物、物、場所を供給できます。prompt で入力順に @image1、@image2 以降と呼び、各貢献を説明します。
別の写真で登場人物と環境を決める場合に役立ちます。音付きの 1–15 秒で 480p、720p を選べます。特定写真を開始画面にするなら image-to-video を使います。
入力と設定
| パラメータ | 目的 | 範囲・既定 |
|---|---|---|
reference_image_urls | 視覚素材の指定 | 1–7 枚です |
| prompt | 参照の役割と動作 | 最大 4,096 文字です |
aspect_ratio | 出力の形 | 対応する形を選び、既定は 16:9 です |
| resolution | 出力段階 | 480p、720p。既定は 480p です |
duration_seconds | 再生時間 | 1–15 秒、既定は 6 です |
参照数と解像度は別の判断です。構図に必要な画像を選び、用途でサイズを決めます。ここは 720p が上限で、1080p は text-to-video、image-to-video で使えます。
各画像に役割を与える
prompt の初めに、@image1 は演者、@image2 は紙の小道具、別画像は場所という対応を書きます。reference_image_urls の順と照合してください。名前のない集合では各役割が曖昧になります。
その後に配置と関係を説明します。服装、光、構図、雰囲気で方向をまとめます。たとえば黒い練習着の 30 代ダンサーが朝の柔らかな光の白いスタジオでゆっくり回り、折り鶴が近くに浮く、という型です。指示の提案で、追加の実測ではありません。
合成場面の説明手順
- 入力順に参照を並べ、人物、物、場所のどれを担うか決めます。
- 元画像を呼ぶときは対応する @image のラベルを使います。
- 共通の場所と時間に収まる主な動きを書きます。
- 必要なら短いせりふを引用し、話し手を指定します。
- 結果を各元画像と文章に照合してから採用します。
参照一覧だけで全場面を伝えようとしないでください。写真が物の見た目、文章が位置と周囲の出来事を担います。素材と動作を意図どおり表したか確認できる程度の動きにします。
提案場面の人物は 30 代以上とし、服装と場所を明示します。写真と声は使用権を持つもの、人物は成人とし、なりすましをしません。参照は制作上の入力なので、全特徴を保持すると考えず、出力の人物、物の細部、配置を確認します。
参照テストで得られた結果
参照テストは 480p で 6 秒、848x480 でした。その依頼の実測サイズです。6 秒、16:9 の文章テストは同じ 480p で 752x416 だったため、処理間で同じ画素寸法になると考えないでください。
既存サンプルは演者と紙の物の構図です。役割の分担を理解する参考にし、自分のショットは動作、構図、入力被写体の扱いで判断します。この測定から一般的な同一性や動作品質の保証はできません。
音と料金の計画
Grok Imagine Video 1.5 は動画と音を生成し、求めれば引用せりふも含められます。音を切っても同じ単価で、テストでは音声トラックがなくなりました。せりふは時間に収まる短さとし、動作とともに確認します。
reference-to-video は解像度別の出力秒単価に、参照ごとの料金を加えます。画像を増やすと役割の説明だけでなく請求も変わります。長いほど秒数が増え、720p の単価は 480p より高くなります。失敗は無料です。依頼に適用される 現在のモデル価格 を確認します。
制約と代替の選択
参照の場面も公開元のフィルター対象で、その拒否は無料です。1–7 枚、4,096 文字以内に収め、削除前の 14 日以内にファイルを取得します。
文章だけでショットを決めるなら text-to-video です。必須の開始画像、任意の終了画像、最大 4 枚の時刻付き中間画像、loop が必要なら image-to-video で、任意参照 1 枚と最大 1080p も使えます。複数の素材を組むことが中心で、480p、720p が納品に合うなら reference-to-video を選びます。
API クイックスタート
# 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"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。











