Grok Imagine Video 1.5 完全ガイド：プロンプトと機能

ネイティブ音声同期

音声は動画と1回の生成でまとめて作られます。リップシンクしたセリフ、効果音、環境音、そして音楽まで。動きと同じプロンプトの中で音を説明するだけなので、別に音声制作の工程を挟む必要はありません。

静止画のアニメーション化

入力した画像が最初のフレームとして使われ、そこから外側に向かって動きが生成されます。元の光・色・ディテールは再生成されず保持されるため、写真や商品ショット、完成したアートワークのアニメーション化に向いています。

動画の延長

既存のクリップはその最後のフレームから続きを生成でき、同じ被写体・ライティング・動きを保ったまま長いショットにできます。この手順を繰り返せば、1本の起点クリップからマルチパートのシーケンスを組み立てられます。

参照画像による生成

参照画像は、最初のフレームを固定せずにスタイルとキャラクターを導きます。モデルはその見た目を新しいショットに引き継ぐため、複数の生成をまたいでキャラクターやビジュアルスタイルの一貫性を保てます。

強いプロンプト追従とカメラ制御

モデルはショットタイプ、ドリーやパンといった具体的なカメラの動き、アクションが起きるタイミングまで、詳細な指示に従います。そのため、計画したショットを再現しやすくなります。

このモデルは、強い最初のフレームと動きに絞った明確なブリーフに応えます。いくつかの実践が品質の大半を左右します。

• 静止画から始める。まず16:9の画像を生成または用意し、それをアニメーション化します。良い最初のフレームが結果を左右する最大のレバーです。
• 動きのプロンプトは短く具体的に。アクションとカメラの動きを1つ指定し、構図とスタイルは画像に任せます。
• 音声は必ず指定する。セリフ、効果音、環境音、音楽を平易な言葉で書き、無音のクリップではなく動きに合わせた音を生成させます。
• 1クリップに1アクション。数秒に1つのビートだけを詰め込み、長いシーケンスには動画延長を使います。
• セリフのあるキャラクターには、口元がフレームに入る正面ポートレートを使い、セリフを短く保ってリップシンクをきれいに保ちます。
• 見た目やキャラクターをクリップ間で保ちたいときは参照画像を使います。

強いプロンプトは、キャプションではなく短いショットのブリーフのように読めます。結果を左右するのは2点、ショットに何が含まれるかの明確なリストと、曖昧な言い回しに代えた具体的な表現です。

プロンプトに入れるもの

弱いプロンプト vs 強いプロンプト

運に任せず、カメラ、動きとそのタイミング、音声を指定します。

知っておきたい設定

よくある間違い

• プロンプトを無音のままにする：必ず1つは音のキューを書きます。
• 曖昧なカメラ指定：「シネマティック」だけではモデルに何も伝わりません。ショットと動きを指定します。
• 1クリップに詰め込みすぎる：1クリップ1アクションにし、動画延長でつなぎます。