Grok Imagine (Грок): как пользоваться и делать видео со звуком

Grok Imagine (Грок Имеджин) — видео-нейросеть xAI, которой пользуются так: загружаете фото как первый кадр, пишете промпт на русском про движение, камеру и звук, выбираете длительность до 15 секунд и получаете ролик. Версия Grok Imagine 1.5 делает видео из фото сразу со звуком — шумом улицы, дождём, музыкой, — а обычный Grok Imagine умеет ещё и ролик по одному тексту, без картинки. Обе модели работают в студии ИИшки на русском, без VPN и без аккаунта в X: качество 480p или 720p, пять форматов кадра, оплата токенами. Ниже — какую версию выбрать, как сделать видео за 5 шагов, формула промпта со звуком и ошибки, на которых сгорают генерации.

Если вы ещё выбираете между моделями для анимации фото в целом, начните с гайда как оживить фото нейросетью: там Grok сравнивается с Kling, Veo и Seedance. Здесь — только про Грок и только практика.

Что умеет Grok Imagine и чем он отличается от других

Главная причина брать Грок — звук рождается вместе с картинкой. Вам не нужно отдельно искать шумы и подгонять их по таймлайну: в промпте вы пишете «звук: капли по стеклу, далёкий гром», и ролик приходит уже с этой дорожкой. Вторая причина — простота: у модели нет режимов, референсов и раскадровок, поэтому первый результат получается с первой попытки даже у новичка.

Сильные стороны, которые видно на практике:

• Звук в кадре — фоновые шумы, звуки действий, музыка. Есть только у версии 1.5.
• Мимика — лицо на фото меняет выражение по смыслу сцены: улыбка, удивление, сосредоточенность.
• Физика — предметы падают с весом, ткань и вода двигаются правдоподобно, хотя идеальной симуляции ждать не стоит.
• Камера — наезды, отъезды и облёты выглядят мотивированными, кадр держит объект в центре.

Чего Грок не умеет: длинных сцен больше 15 секунд, нескольких референсов персонажа и точного липсинка под ваше аудио. Для этого есть другие модели — они в таблице ниже.

Какую версию Grok Imagine выбрать

Подробно о том, когда Грок выигрывает у конкурентов, — в сравнениях Kling 3.0 и Grok Imagine и Seedance 2.0 и Grok Imagine.

Как пользоваться Grok Imagine: 5 шагов

1. Подготовьте стартовый кадр

Для версии 1.5 фото обязательно: JPEG, PNG или WebP до 20 МБ. Лучше всего работают снимки, где главный объект крупно и не обрезан краем кадра, а свет ровный. Если картинки нет, сгенерируйте её в Grok Image сразу в том формате, в котором нужен ролик, — так модели не придётся додумывать поля.

2. Выберите формат и качество

Доступны 16:9 для YouTube, 9:16 для Reels и Shorts, 1:1, 3:2 и 2:3. Формат лучше совпадать с пропорциями фото: если загрузить горизонтальный снимок и попросить 9:16, края придётся дорисовывать. Качество — 480p для черновиков и 720p для финала.

3. Задайте длительность

В 1.5 длительность выбирается от 1 до 15 секунд. Для одного действия — повернуть голову, улыбнуться, сделать шаг — хватает 4–6 секунд. Чем длиннее ролик при одном простом действии, тем выше шанс, что к концу движение начнёт повторяться.

4. Напишите промпт по формуле

Формула для Грока: что двигается + как движется камера + звук. Не нужно описывать то, что уже есть на фото: модель видит картинку, ей нужно только указание, что с ней сделать.

Девушка на фото медленно поворачивается к камере и улыбается, ветер шевелит волосы. Камера плавно приближается. Звук: шум прибоя, крики чаек вдалеке.

5. Запустите и доработайте

Генерация идёт в фоне: результат появится в разделе с вашими генерациями, а если вы вошли через Telegram, придёт ещё и файлом в бота. Не понравилось — меняйте одну вещь за раз: движение, камеру или звук. Так понятно, какая правка сработала.

Промпты для Grok Imagine со звуком: 8 примеров

Звук пишите отдельной строкой в конце — так модель не путает его с действием в кадре. Две-три звуковые детали работают лучше, чем длинный список.

Портрет:

Мужчина на фото поднимает взгляд от книги и задумчиво улыбается. Камера медленно наезжает на лицо. Звук: тихое тиканье часов, шелест страниц.

Старое семейное фото:

Пара на фото оживает: женщина смеётся и смотрит на мужчину, он поправляет шляпу. Лёгкое покачивание камеры, как в старой хронике. Звук: потрескивание граммофона, тихий вальс.

Город:

Улица на фото оживает: проезжают машины, идут люди, мигает вывеска кафе. Камера стоит на месте. Звук: гул города, сигнал автомобиля, обрывки разговоров.

Природа:

Озеро на фото: по воде идёт рябь, туман медленно стелется над поверхностью, над водой пролетает птица. Камера плавно скользит вправо. Звук: плеск воды, утреннее пение птиц.

Товар:

Флакон духов на фото медленно вращается, по стеклу скользят блики, вокруг кружатся лепестки. Камера облетает флакон по кругу. Звук: мягкая электронная музыка без слов.

Еда:

Из чашки кофе на фото поднимается пар, в напиток падает кубик сахара и расходятся круги. Макросъёмка, камера неподвижна. Звук: звон ложки о фарфор, тихое шипение.

Питомец:

Кот на фото поворачивает голову на звук, прижимает уши, потом зевает. Камера на уровне глаз кота. Звук: мурлыканье, где-то хлопает дверь.

Ролик по тексту (обычный Grok Imagine, без фото):

Маленький робот поливает цветок на подоконнике, за окном идёт снег. Тёплый вечерний свет, мультяшный стиль. Камера медленно отъезжает назад.

Ещё больше шаблонов движения — в промптах для Kling 3.0: описания камеры там работают и в Гроке.

Частые ошибки в Grok Imagine

Отказ модерации проверяется до списания: если генерацию заблокировали, токены не уходят. Если же модель упала на стороне провайдера, токены возвращаются автоматически.

Что делать дальше

Готовый ролик из Грока удобно склеивать с другими сценами на Канвасе: там генерации соединяются в одну схему: кадр из картинки-модели сразу уходит в видео-модель, и не нужно скачивать и загружать файлы между вкладками. Если нужна длинная сцена с одним героем в нескольких кадрах, переходите на Seedance или Kling — список лучших моделей для видео собран в подборке нейросетей для видео.