Prompt-Anleitung für Grok Imagine 1.5

Diese Anleitung stützt sich auf den Leitfaden zur Videogenerierung von xAI und die Beispiel-Prompts in seiner Video-Übersicht. Zum Modell siehe die Seite zu Grok Imagine 1.5.

Laut der Dokumentation von xAI macht 1.5 aus Text in zwei verborgenen Schritten ein Video: Es rendert aus dem Prompt ein erstes Bild und animiert dieses Bild dann. Der erste Satz eines Prompts ist also ein Bild. xAI rät, die Einstellung zu beschreiben, einschließlich Kamerabewegung, Licht und Ton; die eigenen Beispiele ergänzen einen Satz dazu, was sich nicht ändern darf.

1. 1Beginne mit der Einstellung und dem, was das Startbild zeigt: Winkel oder Einstellungsgröße, Motiv, Ort.
2. 2Sag, was passiert, der Reihe nach, wo es hilft mit einem Auslöser: „Als die Ampeln umschalten …“.
3. 3Füge eine Kamerabewegung hinzu oder schreib „Die Kamera bewegt sich nie.“
4. 4Füge einen Kontinuitätssatz für das hinzu, was bleiben muss: „jedes Objekt bleibt genau, wo es ist“.
5. 5Leg Licht und Look fest.
6. 6Ende mit dem Ton: jeder Satz in Anführungszeichen hinter der sprechenden Person, dann „Ton:“ für den Rest, und ob es Musik gibt.

Die Beispiel-Prompts von xAI beschreiben die Kamera in einfacher Filmsprache und sagen oft, was sich nicht bewegt, ebenso wie das, was sich bewegt. Wähl eine Bewegung pro Einstellung und gib ihr ein Tempo.

Wenn die Kamera das Einzige sein soll, das sich bewegt, sag es, wie es die Parfümwerbung von xAI tut: „Nur die Kamera bewegt sich.“ Für ein raues, körperliches Gefühl beschreibe, was das Wackeln verursacht, wie es das Drachenflug-Beispiel tut: Flügelschläge, Turbulenzen, plötzliche Kurven.

Laut xAI erzeugt 1.5 Effekte, Atmosphäre und Dialog im selben Durchgang, passend zur Handlung, mit lippensynchroner Sprache, die klarer und besser synchron ist als beim Vorgängermodell. Die Beispiele beschreiben Ton als Anweisungen, die man hören kann. Siehe natives Audio.

• Nenne die sprechende Person, gib die Sprechweise an, dann den Satz in Anführungszeichen: Leise, vorsichtig, mit angespannter Stimme: „Wir? Du hast mich nicht mal gefragt.“
• Setz eine Spielanweisung in eckigen Klammern in einen Satz, wie es die Café-Szene von xAI tut: „Bin ich. [sie blickt nach unten, hält inne] Ich dachte nur …“
• Schreib den Raumklang unter dem Dialog in eine Zeile „Ton:“ und sag, ob es zwischen den Sätzen nie still werden soll.
• Schreib „Keine Musik“, wenn du keine willst; das Rezept von xAI für sprechende Figuren verlangt keine andere Sprache und keine Musik.
• Pass die Worte an die Sekunden an: Dasselbe Rezept legt die Länge des Clips nach der Anzahl der Wörter in seinen Sätzen fest.

Die Dokumentation von xAI nennt nicht die Sprachen, die 1.5 spricht, prüf also jeden Take eines Satzes in einer anderen Sprache. Die API von xAI kann bis zu 3 sprechenden Personen eine voreingestellte Stimme geben; auf DreamBench entsteht die Stimme aus deiner Beschreibung. Siehe Lip Sync.

Die API von xAI nimmt 1 bis 15 Sekunden an, Standard sind 8; die Seite „Video“ von DreamBench bietet 4, 5, 6, 8, 10, 12 oder 15. Die Beispiele von xAI reichen von einer Zeile bis zu mehreren Hundert Wörtern; auf DreamBench kann ein Grok-Prompt bis zu 2.500 Zeichen lang sein.

In der API von xAI legen Keyframes Bilder auf gewählte Sekunden fest; in einem Prompt übernimmt das die Reihenfolge: „dann“, „als“, „während er spricht“. Auf DreamBench rendert Grok 16:9 für YouTube, 9:16 für Reels, TikTok und Shorts, 1:1 und 4:3; die API von xAI bietet außerdem 21:9, 3:2 und weitere.

Bei Bild-zu-Video wird das Standbild zum ersten Bild, der Prompt beschreibt, was als Nächstes passiert, und der Clip behält das Format des Standbilds. Der Launch-Beitrag von xAI fasst es in einem Satz zusammen: Gib ihm ein Startbild und beschreibe die Bewegung. Siehe Bild-zu-Video.

1. 1Beschreibe das Bild nicht noch einmal: Es ist bereits das erste Bild.
2. 2Sag, was sich bewegt, der Reihe nach: „Lass sie lächeln, winken und sich dann wieder umdrehen.“
3. 3Gib Richtung und Tempo an, wo es darauf ankommt: „von links nach rechts, stark beschleunigend“.
4. 4Füge Kamera und Ton hinzu und das, was so bleiben muss, wie es ist.

Bild-zu-Video von xAI läuft bei 1.5 mit bis zu 1080p, und die API kann außerdem ein Endbild oder bis zu 4 Keyframes innerhalb des Clips festlegen. DreamBench bietet keins von beidem, und sein Composer hat kein Feld für Start- oder Endbild: In einem Film zeichnet er das Startbild jedes Clips aus deinen Referenzen, und Grok animiert es. Siehe Start- und Endbild.

Referenz-zu-Video von xAI nimmt bei 1.5 bis zu 14 Bilder an, mit bis zu 720p, um Personen, Produkte und Orte einzubringen, ohne das erste Bild festzulegen. Der Rat für viele Referenzen: Gib jeder genau eine Rolle und einen festen Platz in der Szene, halte die Besetzung klein und die Requisiten still. In einem Prompt:

• Beschreibe jede Figur jedes Mal mit denselben Worten und sag, wo sie steht: „Sam bleibt links, Lena rechts, in beiden Einstellungen.“
• Zähl die Requisiten einmal und halte sie fest: „ein Teller mit genau zwei Croissants; niemand berührt sie“.
• Behalte Kleidung, Tageszeit und Licht bei.

Das Storyboard-Rezept von xAI hält eine Figur, indem es ein Keyframe in jede neue Szene einarbeitet. DreamBench zeichnet jede Figur, jeden Ort und jede Requisite einmal als Blatt und das Startbild jedes Clips aus den Blättern, die er braucht. Siehe Figurenkonsistenz.

xAI zeigt zwei Wege über eine Einstellung hinaus. Das Café-Beispiel setzt zwei Einstellungen in einen 15-Sekunden-Clip, „verbunden durch einen einzigen harten Schnitt, ohne Überblendung, ohne Abblende“. Das Storyboard-Rezept plant vier Einstellungen, jede ein eigener 8-Sekunden-Clip, und fügt sie zusammen. Siehe Multi-Shot-Video.

• In einem Clip: Sag, wie viele Einstellungen es gibt und wie sie verbunden sind, beschreibe die zweite Einstellung von dort, wo die Kamera steht, und halte alle auf derselben Seite des Bilds.
• Über Clips hinweg: ein Moment pro Clip, jeder mit eigener Umgebung oder eigenem Winkel, und dieselben Worte für jede Figur.

Auf DreamBench beschreibst du den Film und wählst Grok Imagine 1.5: DreamBench schreibt jede Einstellung als einen durchgehenden Grok-Clip von bis zu 12 Sekunden, zeichnet sein Startbild und schneidet die Clips zusammen; generiere jeden mit einer Notiz neu. Auf der Seite „Video“ erreicht ein Schnitt, den du schreibst, Grok so, wie du ihn geschrieben hast.

Füge sie auf der Seite „Video“ von DreamBench oder in jedes Tool ein, das Grok Imagine 1.5 ausführt. Jedes beginnt mit seinem Startbild.

Action: ein Sprung mit dem Mountainbike

8 Sekunden, 16:9. Tiefe Totale eines matschigen Waldwegs, eine Fahrerin mit rotem Helm erreicht die Kuppe. Sie springt über eine Rampe, landet in einer Matschfontäne und rutscht durch die Kurve. Die Kamera fährt tief neben ihr her. Bedecktes Licht. Ton: Reifen, die durch Matsch reißen. Keine Musik.

Produkt: ein Parfümflakon

8 Sekunden, 1:1. Nahe Einstellung eines Flakons aus Milchglas mit dem Etikett „SALT & FERN“ auf nassem schwarzem Schiefer. Eine langsame, gleichmäßige Ranfahrt, die mit dem scharfen Etikett endet. Licht kräuselt sich über das Glas wie durch Wasser. Nur die Kamera bewegt sich; der Flakon und seine Schrift verändern sich nie. Nichts Neues erscheint. Ton: sanfte Ambient-Musik.

Dialog: zwei Sprechende an einem Küchentisch

15 Sekunden, 16:9. Zwei Einstellungen, verbunden durch einen einzigen harten Schnitt. Einstellung 1, eine weite Zweiereinstellung an einem Küchentisch im Morgenlicht: Ein Mann in grauem Pullover schiebt ein Ticket hinüber und sagt grinsend: „Zwei Wochen Lissabon. Sag ja.“ Harter Schnitt auf eine Einstellung über die Schulter, von hinter ihm, bis zum Ende gehalten: Sie nimmt das Ticket, dann lachend, überrascht: „Du hast schon gebucht?“ Kontinuität: Der Tisch, zwei Tassen und das Ticket stimmen in beiden Einstellungen überein. Ton: ein Wasserkocher, Vogelgezwitscher draußen. Keine Musik.

Eine Menschenmenge: der Nachtmarkt

10 Sekunden, 16:9. Totale aus der Aufsicht auf einen Nachtmarkt im Regen, Laternen zwischen den Ständen. Als ein Gong ertönt, strömen Hunderte Menschen mit Regenschirmen in die Gasse und schlängeln sich aneinander vorbei, ohne zusammenzustoßen. Anmutung eines langsamen Zeitraffers. Ton: Regen auf Planen, brutzelnde Woks.

Zeitraffer: ein Garten im Lauf eines Tages

12 Sekunden, 16:9. Ein statischer Zeitraffer eines Bauerngartens von der Morgendämmerung bis zur Nacht: Schatten wandern über den Rasen, Sonnenblumen drehen sich mit der Sonne, der Himmel wird golden, dann tiefblau, und die Fenster leuchten auf. Wolken jagen über den Himmel. Die Kamera bewegt sich nie. Ton: Vogelgezwitscher, dann Grillen.

Essen: Sirup auf Pancakes

6 Sekunden, 9:16. Makroaufnahme in extremer Zeitlupe: Dunkler Ahornsirup fließt auf einen Stapel Pancakes, faltet sich über sich selbst und tropft an den Seiten herab, während ein Stück Butter rutscht. Warmes Fensterlicht, aufsteigender Dampf, geringe Schärfentiefe. Ton: ein leises Tropfen, ein schwaches Brutzeln.

Animation: ein Igel aus Knete

10 Sekunden, 16:9. Stop-Motion-Claymation, sichtbare Fingerabdrücke in der Knete, eine leicht ruckelige Bildrate. Ein kleiner brauner Knetigel mit grünem Schal rollt einen Apfel über einen bemoosten Tisch, stoppt ihn mit einer Pfote und beißt stolz hinein. Kontinuität: Jedes Objekt bleibt genau, wo es ist; nichts erscheint oder verändert seine Form. Warmes Licht wie in einem Miniatur-Set. Ton: eine sanfte Spieluhrmelodie.

POV: eine Schlittenfahrt

8 Sekunden, 16:9. POV von einem Holzschlitten, der einen verschneiten Waldhang hinunterrast, Hände in Fäustlingen am Seil unten im Bild. Er schlängelt sich zwischen Kiefern hindurch und holpert über einen Kamm, wie Handkamera-Aufnahmen einer Actioncam: Wackeln bei jedem Holpern, Schnee spritzt an der Linse vorbei. Ton: zischende Kufen, ein Jauchzer. Keine Musik.

Social-Clip im Hochformat: ein Hook in die Kamera

6 Sekunden, 9:16. Selfie-Bildausschnitt auf einem belebten Bahnsteig zur Rushhour, eine junge Frau in Jeansjacke hält das Smartphone auf Armlänge. Sie beugt sich vor und sagt schnell und verschwörerisch: „Das erzählt dir niemand über den Nachtzug.“ Hinter ihr fährt ein Zug ein. Ton: Bahnsteigdurchsagen, quietschende Bremsen.

Ein kurzer Satz: die Bäckertheke

5 Sekunden, 4:3. Halbnahe Einstellung einer Bäckerin in mehlbestäubter Schürze hinter einer Theke voller Brotlaibe, warmes Licht vom Fenster links. Sie hält eine Papiertüte hin und sagt fröhlich: „Noch warm. Vorsicht mit der Kruste.“ Die Kamera ist statisch. Ton: eine Ladenglocke, eine Kassenschublade.

Wetter: eine Welle an der Hafenmauer

8 Sekunden, 16:9. Tiefe Einstellung hinter einem Poller auf einer steinernen Hafenmauer unter dunklem Himmel. Eine Sturmwelle explodiert über der Mauer, Gischt kracht über Fischkisten und läuft dann zurück. Die Kamera bleibt statisch. Ton: donnernde Brandung, Möwen. Keine Musik.

Zwei Clips: der Leuchtturmwärter

Clip 1. 6 Sekunden, 16:9. Totale eines alten Leuchtturmwärters mit weißem Bart und marineblauem Wollpullover, der die letzten Stufen einer eisernen Treppe hinaufsteigt, eine Laterne in der Hand. Die Kamera neigt sich mit ihm nach oben. Kaltes blaues Morgenlicht. Ton: Stiefel auf Eisen, Wind.

Clip 2. 6 Sekunden, 16:9. Nahe Einstellung des alten Leuchtturmwärters mit weißem Bart und marineblauem Wollpullover, der neben der großen Lampe ein Streichholz anzündet; warmes Licht flutet sein Gesicht. Die Kamera ist statisch. Ton: das Streichholz, das Zischen der Lampe.

Die beiden Clips beschreiben den Leuchtturmwärter mit denselben Worten und behalten das Morgenlicht bei; beim Schnitt ändert sich der Bildausschnitt.

Den meisten schwachen Grok-Prompts fehlt das Startbild.

• Ein Prompt, zweimal ausgeführt, ergibt zwei Clips.
• Jeder DreamBench-Clip hat Ton; die API von xAI kann einen stummen Clip erstellen, DreamBench nicht, schalte ihn also in einem Schnittprogramm stumm.
• Eine echte Person oder ein echtes Produkt lässt sich nicht aus Worten erkennen; dafür braucht es ein Bild, das du verwenden darfst.
• Eine Generierung endet nach 15 Sekunden, und auf der Seite „Video“ von DreamBench wird ein Prompt über 2.500 Zeichen abgelehnt.

• Ein Clip: Wähle auf der Seite „Video“ Grok Imagine 1.5, füge deinen Prompt ein, wähle 4 bis 15 Sekunden, das Format und 720p oder 1080p. Er geht so an grok-imagine-video-1.5 von xAI, wie du ihn geschrieben hast.
• Ein Prompt: Der KI-Video-Prompt-Generator schreibt einen für jedes Modell, in der Reihenfolge einer Shotlist; er hat kein Preset für Grok und schreibt nur den Prompt.
• Ein Film: Beschreib ihn, füge bis zu 8 Referenzbilder hinzu und wähle Grok Imagine 1.5; DreamBench schreibt, zeichnet und schneidet jede Einstellung, und du kannst jede einzelne neu generieren.
• Nicht angeboten: 1.5 Lite, Referenzbilder oder voreingestellte Stimmen, Start-, End- oder Keyframes, stumme Clips oder 21:9.

Grok Imagine 1.5 ist in jedem Tarif enthalten. Der Composer zeigt den Preis in Credits, bevor du generierst; beim ersten Mal erstellst du ein kostenloses Konto und wählst einen Tarif. Für ein anderes Modell siehe die Prompt-Anleitung für MiniMax H3, Veo 3.1 oder Kling 3.0; für Prompts nur aus Worten Text-zu-Video.