xAI का Grok Imagine Video 1.5 अब बिना किसी सॉफ़्टवेयर इंस्टॉल किए ऑनलाइन उपलब्ध है। किसी स्थिर फ़ोटो को सिंक्रनाइज़्ड ऑडियो के साथ 720p रिज़ॉल्यूशन तक के 5-सेकंड के एनिमेटेड वीडियो में बदलें। इस लेख में बताया गया है कि यह मॉडल कैसे काम करता है, यह अन्य एनिमेशन टूल्स से कैसे अलग है, असली नतीजे देने वाले मोशन प्रॉम्प्ट कैसे लिखें, और एक मिनट से कम समय में अपनी पहली क्लिप कैसे बनाएँ।
xAI का इमेज-टू-वीडियो मॉडल महीनों से कंटेंट क्रिएटर्स के बीच चर्चा में रहा है। अब इसका एक स्थायी ठिकाना है, जहाँ कोई भी इसे सीधे ब्राउज़र से चला सकता है, न API key की ज़रूरत है, न क्रेडिट बैलेंस की, और न किसी लोकल GPU की। Grok Imagine Video 1.5 PicassoIA पर लाइव है, और यह एक काम सटीकता से करता है: यह एक स्थिर फ़ोटो लेता है और सिंक्रनाइज़्ड ऑडियो के साथ 720p रिज़ॉल्यूशन तक की 5-सेकंड की एनिमेटेड क्लिप बनाता है। एक मोशन प्रॉम्प्ट लिखें, इमेज अपलोड करें, और कुछ ही सेकंड में पब्लिश के लिए तैयार वीडियो फ़ाइल पाएँ।
इस लेख में बताया गया है कि यह मॉडल क्या है, PicassoIA पर यह कैसे काम करता है, असली मोशन देने वाले प्रॉम्प्ट कैसे लिखें, और यह कंटेंट वर्कफ़्लो में कहाँ फ़िट होता है।
Grok Imagine, xAI की क्रिएटिव AI प्रोडक्ट फ़ैमिली है। मूल Grok असिस्टेंट रीयल-टाइम वेब एक्सेस वाले कन्वर्सेशनल AI के रूप में लॉन्च हुआ था। "Imagine" शाखा ने उसे विज़ुअल आउटपुट तक बढ़ाया: पहले Aurora मॉडल से चलने वाली स्टिल इमेज जनरेशन के साथ, और फिर वीडियो एनिमेशन की लाइन के साथ, जो वर्ज़न 1.5 तक पहुँची।
Grok Imagine Video 1.5 इस फ़ैमिली का वीडियो टियर है। यह केवल टेक्स्ट प्रॉम्प्ट से वीडियो नहीं बनाता। इसके बजाय यह एक सोर्स इमेज को पहले फ़्रेम के रूप में लेता है और मोशन के टेक्स्ट विवरण से सीन को एनिमेट करता है। नतीजा एक ऐसी क्लिप होती है जो ठीक वहीं से शुरू होती है जहाँ आपकी फ़ोटो खत्म होती है। इससे उस "कोल्ड-स्टार्ट" समस्या से बचाव होता है जो ज़्यादातर टेक्स्ट-टू-वीडियो मॉडल्स को झेलनी पड़ती है, जब उन्हें शून्य से सुसंगत वातावरण बनाना होता है।
Grok Imagine Video आने से पहले, xAI ने स्टिल इमेज बनाने के लिए Aurora बनाया था। Aurora, Grok Imagine के इमेज जनरेशन हिस्से को शक्ति देता है। Video 1.5 इसे समय के आयाम तक ले जाता है: आपकी सोर्स इमेज Aurora से बनी हो सकती है, आपकी अपनी खींची फ़ोटो हो सकती है, या कोई भी संगत JPG, PNG या WEBP फ़ाइल। मॉडल विज़ुअल कंटेंट पढ़ता है और आपके प्रॉम्प्ट के अनुसार उसे एनिमेट करता है।
इसका मतलब है कि एक ही सेशन में दो क्षमताएँ जोड़ी जा सकती हैं: PicassoIA पर Flux Dev या Flux Schnell जैसे मॉडल से एक स्थिर इमेज बनाएँ, फिर उसी नतीजे को सीधे Grok Imagine Video 1.5 में डालकर मोशन जोड़ें। पूरी प्रक्रिया ब्राउज़र में चलती है, और इसमें कोई फ़ाइल ट्रांसफ़र या बाहरी टूल की ज़रूरत नहीं होती।
मॉडल दो इनपुट लेता है: एक इमेज और मोशन का वर्णन करने वाला एक टेक्स्ट प्रॉम्प्ट। यह एक वीडियो क्लिप देता है, जो आपके प्रॉम्प्ट में बताए सीन को एनिमेट करती है, और उसका पहला फ़्रेम आपकी सोर्स इमेज होता है। यहाँ बताया गया है कि क्या तय है और क्या आपके नियंत्रण में है:
मॉडल द्वारा तय:
आप नियंत्रित करते हैं:
ऑडियो आउटपुट पोस्ट-प्रोसेसिंग में जोड़ा गया बैकग्राउंड म्यूज़िक नहीं है। यह जनरेटेड ऑडियो है, जो आपके प्रॉम्प्ट में बताए मोशन से मेल खाता है। समुद्री लहरों वाले प्रॉम्प्ट में पानी की आवाज़ आती है। पतझड़ की पत्तियों पर चलते व्यक्ति वाले प्रॉम्प्ट में कदमों और पत्तों की आवाज़ें शामिल होती हैं। यह मॉडल के भीतर ही बना है, किसी लाइब्रेरी से जोड़ा नहीं गया।
💡 टिप: जब भी आपकी सोर्स इमेज का आस्पेक्ट रेशियो मानक न हो, आस्पेक्ट रेशियो को auto पर रखें। मॉडल आपकी फ़ोटो के मूल अनुपात पढ़ता है और उन्हें आउटपुट पर ठीक वैसे ही लागू करता है, जिससे क्रॉपिंग या लेटरबॉक्सिंग से बचाव होता है।
| स्पेक | विवरण |
|---|---|
| रिज़ॉल्यूशन विकल्प | 480p, 720p |
| डिफ़ॉल्ट रिज़ॉल्यूशन | 720p |
| क्लिप की अधिकतम अवधि | 5 सेकंड |
| फ़्रेम रेट | 24fps |
| ऑडियो | सिंक्रोनाइज़्ड, नेटिव आउटपुट |
| स्वीकृत इनपुट फ़ॉर्मेट | JPG, JPEG, PNG, WEBP |
| समर्थित आस्पेक्ट रेशियो | auto, 16:9, 9:16, 4:3, 1:1, 3:2, 2:3, 3:4 |
| कोड की ज़रूरत | कोई नहीं |
डिफ़ॉल्ट रिज़ॉल्यूशन 720p है, जो उपलब्ध सबसे ऊँचा है। सोशल मीडिया कंटेंट और वेब पब्लिशिंग के लिए 720p लगभग हर उपयोग के लिए पर्याप्त है। अगर आप प्रोडक्ट पेज के लिए एनिमेटेड थंबनेल या छोटे प्रीव्यू क्लिप बना रहे हैं, तो आउटपुट बिना किसी अपस्केलिंग स्टेप के पब्लिश के लिए तैयार है।
ज़्यादातर इमेज-टू-वीडियो टूल्स डिफ़ॉल्ट रूप से साइलेंट क्लिप बनाते हैं। बाद में ऑडियो जोड़ने का मतलब है एक अलग वर्कफ़्लो: साउंड इफ़ेक्ट या एम्बिएंट ऑडियो ढूँढना, उसे मोशन से मिलाने के लिए एडिट करना, एक्सपोर्ट करना और फिर से एनकोड करना। Grok Imagine Video 1.5 इस पूरी प्रक्रिया को एक ही जनरेशन स्टेप में समेट देता है।
सिंक्रनाइज़्ड ऑडियो खास तौर पर इनके लिए उपयोगी है:
720p पर ऑडियो की गुणवत्ता साफ़ है और विज़ुअल कंटेंट से मेल खाती है। जटिल प्रॉम्प्ट पर यह हमेशा परिपूर्ण नहीं होती, लेकिन ज़्यादातर व्यावहारिक उपयोग के मामलों में इससे अलग ऑडियो प्रोडक्शन की ज़रूरत खत्म हो जाती है।
PicassoIA पर Grok Imagine Video 1.5 खोलें। सबसे पहले आपको एक सोर्स इमेज चाहिए। आपके पास तीन विकल्प हैं:
सोर्स इमेज आपके वीडियो का पहला फ़्रेम बनती है। मॉडल सीन, वस्तुओं, रोशनी और कंपोज़िशन को पढ़कर तय करता है कि एनिमेट करने के लिए क्या उपलब्ध है। साफ़ सब्जेक्ट वाली, विस्तृत और उच्च-कंट्रास्ट इमेज फीकी या बहुत ज़्यादा कंप्रेस्ड फ़ाइलों की तुलना में ज़्यादा अनुमानित रूप से एनिमेट होती हैं।
💡 टिप: प्राकृतिक मोशन के संकेत वाली इमेज, जैसे लहराता कपड़ा, पानी की सतह, बाल या पत्तियाँ, मॉडल को ज़्यादा सामग्री देती हैं और आमतौर पर ज़्यादा सहज व विश्वसनीय एनिमेशन नतीजे देती हैं।
मोशन प्रॉम्प्ट वह सबसे महत्वपूर्ण वेरिएबल है जिसे आप नियंत्रित करते हैं। इसे 5 सेकंड के दौरान होने वाली घटनाओं के कालक्रम में लिखें। विशेषणों में नहीं, क्रमों में सोचें।
कमज़ोर प्रॉम्प्ट: "cinematic, beautiful, flowing"
मज़बूत प्रॉम्प्ट: "The woman slowly turns her head from left to right as sunlight shifts across her face, her hair lifting slightly in a gentle breeze, the camera holding steady with a subtle push-in."
फ़र्क यह है: कमज़ोर संस्करण स्टाइल बताता है, मज़बूत संस्करण मोशन बताता है। मॉडल मोशन के विवरणों पर प्रतिक्रिया देता है, सौंदर्य संबंधी मॉडिफ़ायर पर नहीं।
सबसे अच्छी आउटपुट क्वालिटी के लिए 720p चुनें। अगर आपको तेज़ जनरेशन चाहिए या तुलना के लिए बड़ी संख्या में वेरिएशन चला रहे हैं, तो 480p एक तेज़ विकल्प के रूप में उपलब्ध है, जो फिर भी साफ़ और उपयोगी क्लिप देता है।
आस्पेक्ट रेशियो के लिए, जब तक आपकी किसी खास प्लेटफ़ॉर्म की ज़रूरत न हो, इसे auto पर रखें:
Generate दबाएँ। 720p क्लिप के लिए जनरेशन में आमतौर पर लगभग 30 सेकंड लगते हैं। क्लिप तैयार होने पर वह बिल्ट-इन प्लेबैक विकल्प के साथ रिज़ल्ट पैनल में दिखती है। उसे देखें, और अगर मोशन वैसा न हो जैसा आपने चाहा था, तो प्रॉम्प्ट में सुधार करें और फिर से चलाएँ।
आउटपुट को MP4 फ़ाइल के रूप में डाउनलोड करें, जो बिना किसी पोस्ट-प्रोसेसिंग के किसी भी प्लेटफ़ॉर्म पर अपलोड के लिए तैयार है।
Grok Imagine Video 1.5 के लिए मोशन प्रॉम्प्ट, जब मज़बूत आउटपुट देते हैं, तो एक लगातार ढाँचे का पालन करते हैं:
[सब्जेक्ट + शुरुआती स्थिति] → [समय के साथ मोशन या क्रिया] + [कैमरे का व्यवहार] + [वातावरण या रोशनी में बदलाव]
हर तत्व एक खास काम करता है:
जब आप चारों तत्व शामिल करते हैं, तो मॉडल के पास पूरी क्लिप अवधि के लिए सुसंगत मोशन बनाने की पर्याप्त जानकारी होती है। जब आप तत्व छोड़ देते हैं, तो मॉडल खाली जगहें खुद भरता है, कभी अच्छी तरह, कभी नहीं।
इन्हें किसी भी संबंधित सोर्स इमेज के साथ शुरुआती बिंदु के रूप में इस्तेमाल करें, फिर अपने खास सब्जेक्ट के अनुसार बदलें:
पोर्ट्रेट एनिमेशन:
"सब्जेक्ट धीरे-धीरे नीचे की ओर देखती नज़र उठाकर सीधे कैमरे की ओर देखता है, और होंठों के कोनों पर हल्की मुस्कान उभरती है। कैमरा स्थिर रहता है। पूरे 5 सेकंड में दोपहर बाद की रोशनी धीरे-धीरे चेहरे की बाईं ओर गर्म होती जाती है।"
लैंडस्केप एनिमेशन:
"हल्की हवा में नीचे के पेड़ों की कतार धीरे-धीरे झूलती है, और बादल आसमान में बाएँ से दाएँ धीरे-धीरे बहते हैं। कैमरा क्षितिज से आसमान की ओर हल्का ऊपर झुकता है। जैसे-जैसे सेकंड बीतते हैं, सुबह की रोशनी लगातार गर्म होती जाती है।"
प्रोडक्ट एनिमेशन:
"प्रोडक्ट लगभग 30 डिग्री घड़ी की दिशा में धीरे-धीरे घूमता है, और घूमते समय उसके बाएँ किनारे पर तेज़ स्पेक्युलर हाइलाइट पड़ती है। कैमरा प्रोडक्ट के केंद्र की ओर हल्का डॉली-इन करता है। बैकग्राउंड पूरी तरह स्थिर रहता है।"
💡 टिप: हर प्रॉम्प्ट में एक ही मोशन तत्व से शुरुआत करें। 5 सेकंड की क्लिप में एक साथ बहुत सारी गतिविधियाँ जोड़ने से अक्सर दृश्य भ्रम पैदा होता है। ज़्यादातर पहली जनरेशन के लिए एक सब्जेक्ट की क्रिया और एक कैमरा मूवमेंट ही सही सीमा है।
PicassoIA पर वीडियो जनरेशन मॉडल्स की एक बड़ी कैटलॉग है। यहाँ देखें कि Grok Imagine Video 1.5 अपनी श्रेणी के मुख्य विकल्पों की तुलना में कैसा है:
| फ़ीचर | Grok Imagine 1.5 | स्टैंडर्ड इमेज-टू-वीडियो मॉडल |
|---|---|---|
| इनपुट टाइप | इमेज + टेक्स्ट प्रॉम्प्ट | इमेज + टेक्स्ट प्रॉम्प्ट |
| अधिकतम रिज़ॉल्यूशन | 720p | अक्सर 480p तक सीमित |
| ऑडियो आउटपुट | हाँ, सिंक्रोनाइज़्ड | शायद ही कभी शामिल |
| आस्पेक्ट रेशियो कंट्रोल | auto सहित पूरी रेंज | अक्सर 1 या 2 रेशियो तक तय |
| क्लिप की अवधि | 5 सेकंड तक | आम तौर पर 2 से 5 सेकंड |
| कोड की ज़रूरत | नहीं | प्लेटफ़ॉर्म पर निर्भर |
| PicassoIA पर क्रेडिट | कोई सीमा नहीं | मॉडल के हिसाब से अलग |
इस रिज़ॉल्यूशन स्तर पर सिंक्रनाइज़्ड ऑडियो वाला कॉलम ही वह जगह है जहाँ Grok Imagine 1.5 ज़्यादातर टूल्स से अलग होता है। एक ही जनरेशन स्टेप से ऑडियो वाली वीडियो क्लिप पाने से सोशल कंटेंट क्रिएटर्स और ई-कॉमर्स टीमों के लिए पोस्ट-प्रोडक्शन वर्कफ़्लो का एक बड़ा हिस्सा खत्म हो जाता है।
स्टिल इमेज जनरेशन के लिए, जो वीडियो वर्कफ़्लो को फ़ीड करती है, Flux Dev 12-बिलियन पैरामीटर की हाई-फ़िडेलिटी इमेज बनाता है, जो वीडियो मॉडल को विस्तृत और समृद्ध टेक्सचर वाले पहले फ़्रेम देता है। अगर आप एक ही सेशन में बहुत सारे इमेज-टू-वीडियो वेरिएशन दोहरा रहे हैं, तो Flux Schnell काफ़ी तेज़ चलता है।
स्टेटिक थंबनेल स्क्रॉल रोकने में मोशन जितने प्रभावी नहीं होते। YouTube या LinkedIn पर वीडियो थंबनेल के रूप में लगाई गई 720p की 5-सेकंड की लूपिंग क्लिप उसी इमेज के स्थिर रूप की तुलना में ज़्यादा ध्यान खींचती है। वर्कफ़्लो सीधा है: अपना थंबनेल इमेज बनाएँ या अपलोड करें, उसे हल्के कैमरा पुश-इन और सब्जेक्ट की सूक्ष्म गति के साथ एनिमेट करें, MP4 एक्सपोर्ट करें, और जहाँ प्लेटफ़ॉर्म वीडियो थंबनेल सपोर्ट करता है वहाँ उसका उपयोग करें।
16:9 आस्पेक्ट रेशियो सेटिंग इस उपयोग को सीधे कवर करती है, और ऑटो-जनरेटेड ऑडियो उन प्लेटफ़ॉर्म्स के लिए एक अतिरिक्त पॉलिश जोड़ता है जो होवर करने पर आवाज़ चलाते हैं।
प्रोडक्ट फ़ोटोग्राफ़ी ज़्यादातर ई-कॉमर्स वर्कफ़्लो में पहले से मौजूद है। कमी यह है कि एक स्थिर प्रोडक्ट इमेज दर्शक को बताती है कि प्रोडक्ट दिखता कैसा है, लेकिन यह नहीं बताती कि वह कैसे घूमता, खुलता या तीन आयामों में कैसे प्रस्तुत होता है। Grok Imagine Video 1.5 एक स्थिर प्रोडक्ट फ़ोटो से रोटेशन, ढक्कन खुलने या कपड़े के लहराने को एनिमेट करके यह कमी पूरी करता है।
💡 टिप: प्रोडक्ट एनिमेशन के लिए, अपनी सोर्स इमेज किसी न्यूट्रल बैकग्राउंड के सामने शूट करें या जनरेट करें। जटिल बैकग्राउंड प्रोडक्ट के मोशन से प्रतिस्पर्धा करते हैं और आउटपुट क्लिप की विज़ुअल स्पष्टता घटाते हैं।
इलस्ट्रेटर, फ़ोटोग्राफ़र और डिज़ाइनर के पास अक्सर स्थिर काम की बड़ी लाइब्रेरी होती है। चुनिंदा कृतियों को एनिमेट करने से बिना दोबारा शूट किए या दोबारा बनाए पोर्टफ़ोलियो प्रस्तुति में एक नया आयाम जुड़ता है। एक पोर्ट्रेट जो साँस लेता दिखे, एक लैंडस्केप जिसके पेड़ों में हवा दिखे, या एक आर्किटेक्चरल रेंडर जिसमें इमारत के चेहरे पर छाया धीरे-धीरे बदले, ये सभी अपने स्थिर मूल से ज़्यादा मज़बूत छाप छोड़ते हैं।
5-सेकंड की क्लिप की लंबाई पोर्टफ़ोलियो उपयोग के लिए वास्तव में अच्छी तरह उपयुक्त है: इतनी छोटी कि सोद्देश्य लगे, और इतनी लंबी कि असली मोशन दिखाए।
वर्टिकल शॉर्ट-फ़ॉर्म वीडियो (9:16) पर बने प्लेटफ़ॉर्म्स के लिए, Grok Imagine Video 1.5 एक ही फ़ोटो से पूरे क्लिप सेगमेंट बना सकता है। एक यात्रा फ़ोटो 5-सेकंड के ऐसे सीन में बदल सकती है जिसमें वातावरण का मोशन हो। एक खाने की फ़ोटो में दिखने वाली भाप और सॉस की हलचल जुड़ सकती है। एक फ़ैशन पोर्ट्रेट में बालों और कपड़े की प्राकृतिक गति आ सकती है, जो AI आउटपुट के बजाय सोद्देश्य फ़िल्ममेकिंग जैसी लगती है।
यह मॉडल वीडियो प्रोडक्शन का विकल्प नहीं है। यह स्थिर संपत्तियों से पब्लिश करने लायक शॉर्ट वीडियो कंटेंट बनाने का एक उपकरण है, जिसके लिए ब्राउज़र में पहले से मौजूद चीज़ों के अलावा किसी उपकरण या एडिटिंग सॉफ़्टवेयर की ज़रूरत नहीं है।
अगर आपके पास कोई ऐसी फ़ोटो है जो स्थिर प्रदर्शन से ज़्यादा की हकदार है, तो PicassoIA पर Grok Imagine Video 1.5 पहला टेस्ट चलाने के 30 सेकंड के लायक है। मॉडल पूरी तरह ब्राउज़र में चलता है। न क्रेडिट का हिसाब रखना पड़ता है, न कोई सॉफ़्टवेयर इंस्टॉल करना पड़ता है।
अपनी लाइब्रेरी से एक इमेज चुनें, ऊपर बताए ढाँचे के अनुसार एक ही मोशन प्रॉम्प्ट लिखें, रिज़ॉल्यूशन 720p सेट करें और जनरेट करें। नतीजा आपको इस मॉडल की क्षमता के बारे में किसी भी विवरण से ज़्यादा बता देगा।
उस पहली क्लिप से आगे बढ़ने के लिए ज़रूरी टूल्स उसी प्लेटफ़ॉर्म पर पहले से हैं। Flux Dev और Flux Schnell जैसे टेक्स्ट-टू-इमेज मॉडल आपको एनिमेशन के लिए अनुकूलित, खास तौर पर बनी सोर्स इमेज बनाने देते हैं। हर उपलब्ध मॉडल देखने के लिए पूरी कैटलॉग picassoia.com/en/all-models पर ब्राउज़ करें, जो आपके वीडियो वर्कफ़्लो के लिए मौजूद हैं।
जो इमेज आपके पास पहले से है, वही शायद वह पहला फ़्रेम है जिसकी आपको ज़रूरत है।
अपनी भाषा चुनें
