Grok Imagine R2v

Grok Imagine R2v は xAI の参照から動画モデルです。キャラクター、商品、場所の画像を 1〜7 枚アップロードすると、それらを使った新しいシーンを音声付きで作ります。繰り返し登場するキャラクター、商品シーン、ビジュアルコンセプトに向いています。VerseIn では 1〜10 秒、480p または 720p、7 種類のアスペクト比で生成できます。

はい。VerseIn の新規アカウントには 70 クレジットが付与され、Grok Imagine R2v の最短クリップ（1 秒・480p）は 20 クレジットなので、支払い前に短いクリップを生成できます。長いクリップはさらにクレジットが必要です。

料金は長さと解像度によって変わります。最短の 1 秒・480p は 20 クレジットで、選んだ設定の正確な料金は生成前に表示されます。プランとクレジットパックは「料金」ページをご覧ください。

画像から動画は 1 枚の写真を動かすもので、クリップはその構図から始まります。参照から動画は、画像を「誰が・何が登場するか」の手がかりとして使い、それを中心に新しいショットを作ります。同じキャラクターや商品を新しいシーンに登場させたいなら R2v を選んでください。

R2v は画像参照に特化し、音声を生成でき、最長 10 秒・720p です。Grok Video 1.5 は最長 15 秒・最大 1080p で、開始画像や最大 7 枚の参照画像にも対応しますが、VerseIn では無音です。音声付きの参照シーンなら R2v、長く高解像度の無音クリップなら Video 1.5 を選んでください。

参照は一貫性の助けになりますが、完全な連続性は保証されません。毎回同じ少数のきれいな画像を使い、顔、衣装、ラベルなど固定したい特徴を書き、被写体の見え方が大きく違う画像を混ぜないようにしてください。

モデルはプロンプトを順番に読むので、主な被写体と動作を先頭に置き、短いシーンを自然な文章で書きます。各参照画像の役割を説明し、そのあとに「Sound:」の行を別に設けてセリフ、効果音、環境音を書きます。例：「Sound: soft rain and a distant train.」

Grok Imagine R2v は参照画像から動画に対応しています。

Grok Imagine R2v は1、2、3、4、5、6、7、8、9、10秒の動画を生成できます。出力解像度：480p、720p。対応するアスペクト比：16:9、9:16、1:1、4:3、3:4、2:3、3:2。

Grok Imagine R2v は開始時に参照画像が必要です。対応する画像のアスペクト比：16:9、9:16、1:1、4:3、3:4、2:3、3:2。プロンプトは最大3,600文字まで入力できます。

Grok Imagine R2v はxAIが開発したモデルで、VerseIn で利用できます。

はい。Grok Imagine R2v は音声付きの動画を生成します。