grok-media

راهنمای ساخت تصویر و ویدیوی کوتاه با مدل‌های رسانه‌ای Grok

این skill کار با مدل‌های grok-imagine-image و grok-imagine-video را برای تولید، ویرایش و ترکیب تصویر و ساخت ویدیوی کوتاه توضیح می‌دهد. احراز هویت، endpointها، ساختار prompt، تصویر مرجع و حالت‌های text-to-video و image-to-video را پوشش می‌دهد.

همچنین روش polling درخواست‌های غیرهم‌زمان، مدیریت خطاهای failed و expired و دانلود سریع خروجی‌ها را مشخص می‌کند. برای ساخت assetهای تبلیغاتی، ویدیوهای محصول و صحنه‌های دارای هویت بصری پایدار، راهنمایی عملی و قابل‌اعتمادی ارائه می‌دهد.

چه چیزی می‌گیرید

  • راهنمای اتصال به xAI با `XAI_API_KEY` و Base URL رسمی
  • نمونه ساختار درخواست برای تولید و ویرایش تصویر با `grok-imagine-image`
  • الگوی تولید ویدیوی text-to-video، image-to-video و reference-to-video
  • اصول نوشتن prompt برای صحنه‌های کوتاه، حرکت دوربین و حفظ هویت سوژه
  • راهنمای polling، تشخیص وضعیت درخواست و مدیریت خطاهای provider

برای چه کاری خوب است

  • ساخت ویدیوهای کوتاه تبلیغاتی و product-led با تصویر یا محصول مرجع
  • تولید و ویرایش assetهای تصویری برای پروژه‌های ویدیویی و کمپین‌های محتوا
  • ایجاد صحنه‌هایی با شخصیت، لباس یا محصول نسبتاً پایدار در چند تصویر مرجع
  • توسعه workflowهای agent محور که تولید رسانه را به xAI واگذار می‌کنند

برای چه کاری نیست

  • تولید ویدیوهای بلند یا پروژه‌هایی که به تدوین کامل و چندسکانسی نیاز دارند
  • workflowهایی که به seedهای کاملاً deterministic و تکرارپذیری دقیق وابسته‌اند
  • promptهای شلوغ با چند تغییر صحنه و حرکت هم‌زمان

دربارهٔ این اسکیل

Grok Media

Use this skill when working with xAI media models in OpenMontage.

Models

  • grok-imagine-image for image generation and image editing
  • grok-imagine-video for text-to-video, image-to-video, and reference-image video

Authentication

  • Env var: XAI_API_KEY
  • Base URL: https://api.x.ai/v1
  • Header: Authorization: Bearer $XAI_API_KEY

Image API

Text-to-image

  • Endpoint: POST /images/generations
  • Core fields:
  • model
  • prompt
  • n
  • aspect_ratio
  • resolution

Image edit

  • Endpoint: POST /images/edits
  • Use image for one source image
  • Use images for multi-image compositing
  • Each source image can be:
  • a public HTTPS URL
  • a base64 data URI

Image prompting

  • Grok responds well to direct natural language
  • For edits, describe only the intended change and preserve everything else implicitly
  • For multi-image merges, explicitly name how each source contributes
  • Prefer one strong scene description over long style-stacking

Video API

Generation

  • Endpoint: POST /videos/generations
  • Polling endpoint: GET /videos/{request_id}
  • Success state: status == "done"
  • Failure states to handle explicitly: failed, expired

Modes

  • Text-to-video:
  • prompt-only generation
  • Image-to-video:
  • use image: {"url": ...}
  • this anchors the starting frame
  • Reference-to-video:
  • use reference_images: [{"url": ...}, ...]
  • this influences who/what appears in the video without locking the first frame
  • prompts can reference inputs with placeholders like <IMAGE_1>, <IMAGE_2>

Video constraints

  • Grok video is best treated as short-form generation
  • Current output resolutions are 480p and 720p
  • Reference-image video supports multiple images and is useful for product placement, wardrobe transfer, and identity consistency
  • Download outputs promptly; provider URLs may be temporary

Pricing

  • grok-imagine-image: $0.02 per generated image
  • grok-imagine-image edits/composites: add $0.002 per input image
  • grok-imagine-video:
  • 480p: $0.05 per second
  • 720p: $0.07 per second
  • grok-imagine-video image-conditioned requests: add $0.002 per input image

Grok-Specific Prompt Guidance

Images

  • Start with subject, action, setting
  • Add one style anchor, not five
  • For edits:
  • describe the desired modification
  • keep the rest of the image stable by omission, not by writing a giant preservation list

Video

  • Keep prompts scene-local: one shot, one main motion idea, one emotional beat
  • For reference-conditioned video, explicitly map source images to roles:
  • person from <IMAGE_1>
  • jacket from <IMAGE_2>
  • product from <IMAGE_3>
  • Camera and pacing language helps:
  • slow push-in
  • handheld follow
  • locked-off medium shot
  • high-energy whip pan transition

Good Fits

  • Image style transfer
  • Image compositing from multiple sources
  • Reference-conditioned short video
  • Product-led motion clips
  • Character-consistent scenes without hard first-frame lock

Weak Fits

  • Long-form clip generation
  • Heavy reliance on deterministic seeds
  • Overloaded prompts with multiple scene changes

Failure Handling

  • If generation submission succeeds but polling expires, surface it as a provider/runtime issue
  • If a request fails, preserve the endpoint, mode, and prompt summary in the error
  • Do not silently substitute a different provider after xAI was selected without user approval

دانلود ZIP