xAI обновила Imagine Video 1.5 — бизнес зафиксировал лицо и голос бренда в роликах

Компания xAI представила обновление модели Imagine Video 1.5, добавив возможность использовать изображения и голоса в качестве референсов для создания роликов. Новая версия поддерживает нативное разрешение 1080p и позволяет генерировать видео исключительно по текстовому описанию без стартовой картинки. Функция сохранения голоса персонажа уже доступна в США для подписчиков тарифов SuperGrok Heavy и SuperGrok Plus через веб-интерфейс и iOS, а в ближайшие дни выйдет для всех пользователей.

Важный нюанс: Возможность привязки до семи референсов одновременно меняет подход к созданию контента, позволяя бизнесу сохранять визуальный стиль бренда или лицо спикера в разных сценах без необходимости ручной постобработки.

Новые возможности генерации

Обновление закрывает ключевые ограничения предыдущих версий, касающиеся качества и гибкости управления кадрами. Теперь система умеет комбинировать текстовые подсказки с визуальными и аудиальными образцами.

• Текст в видео: Пользователи могут описывать кадр словами, и модель сгенерирует ролик с нуля, используя связку генерации изображений и их анимации.
• Разрешение 1080p: Поддержка высокого разрешения теперь работает как для видео из текста, так и для видео из изображений.
• Доступность: Функции доступны на платформе grok.com/imagine, а также в мобильных приложениях для iOS и Android.

Работа с персонажами и сценами

Главное техническое достижение — сохранение консистентности (единообразия) объектов и звуков на протяжении всего ролика. Это решает проблему «плавающих» лиц и меняющихся голосов, характерную для ранних версий ИИ-видео.

• Голос и лицо: При загрузке изображения персонажа и аудиофайла его голоса модель сохраняет эти параметры во всех сценах.
• Мульти-референсы: Система позволяет использовать до семи опорных изображений за один запрос. Каждое из них фиксирует конкретный элемент: лицо героя, продукт, локацию или одежду.
• Гибкость сценария: Можно менять сцену, оставляя персонажа неизменным, или менять героя в одной и той же локации, контролируя только действия.

Интеграция для разработчиков

Функционал уже интегрирован в xAI API под именем модели grok-imagine-video-1.5. Разработчики могут сразу использовать генерацию по тексту, работу с изображениями-референсами и высокое разрешение. Поддержка голосовых референсов в API доступна по запросу.

Для подключения требуется стандартный ключ доступа. Пример запроса показывает возможность настройки длительности (например, 6 секунд), соотношения сторон (16:9) и разрешения (в примере указано 720p, но поддерживается и 1080p).

Стоит учесть: Ограничение в семь референсов может стать барьером для сценариев с массовыми сценами, где нужно контролировать множество уникальных объектов одновременно, но для большинства маркетинговых задач и короткометражек этого лимита достаточно.

Операционные последствия и тренды

• Снижение порога входа: Возможность создания видео только по тексту упрощает производство контента для компаний без штата видеомонтажеров, сокращая время от идеи до готового ролика.
• Рост требований к данным: Для использования функции сохранения голоса и лица бизнесу потребуется подготовить качественные исходные материалы (четкие фото и чистые аудиофайлы), так как качество генерации напрямую зависит от референсов.
• Изменение цепочки поставок контента: Появление нативного 1080p и стабильных персонажей смещает фокус с простой генерации «заглушек» на создание полноценных рекламных роликов, что может снизить спрос на бюджетные стоковые видеоматериалы.
• Зависимость от инфраструктуры: Работа с высокими разрешениями и сложными референсами потребует от пользователей стабильного интернет-соединения и мощных устройств при локальном рендеринге, если такие возможности будут предложены в будущем.