Guide des prompts Grok Imagine Video 1.5 : Synchronisation audiovisuelle, formules et exemples (2026)
Date : 4 juin 2026 (Mis à jour)
Auteur : Jsam (Équipe technique Klingaio)
La version preview de Grok Imagine Video 1.5 (identifiée dans l'API xAI sous le nom grok-imagine-video-1.5-preview) marque une étape impressionnante dans les médias génératifs. Contrairement aux pipelines classiques image-vers-vidéo qui produisent des images silencieuses, Grok Imagine 1.5 traite conjointement les jetons vidéo et les formes d'onde audio en une seule passe dans un transformateur unifié. Les bruitages Foley, l'ambiance sonore et le mouvement visuel sont intrinsèquement synchronisés sur la ligne temporelle de génération.
Pour vous aider à tirer le meilleur parti de vos créations, ce guide technique détaille comment optimiser la physique du modèle, utiliser la syntaxe de prompt audiovisuelle la plus propre et obtenir d'excellents résultats à chaque rendu. Vous pouvez tester ces techniques directement via notre portail Grok Imagine 1.5 Video Generator.
Performances et points forts en matière de mouvement : comprendre le modèle
Grok Imagine Video 1.5 Preview est un moteur Image-vers-Vidéo (I2V). En utilisant une image de référence statique pour établir la géométrie de la scène, la texture et l'identité des personnages, le modèle peut générer un mouvement fluide et haute fidélité avec un son parfaitement intégré.
Nos tests pratiques et les retours de la communauté mettent en évidence plusieurs atouts majeurs :
- Foley synchronisé en une seule passe : Les effets sonores et les ambiances acoustiques sont synthétisés en fonction du mouvement visuel. Lorsqu'un impact physique se produit à l'écran, l'audio associé est lié directement à ces étapes de génération spécifiques.
- Polyvalence des ratios d'image : Le modèle prend en charge nativement plusieurs formats de sortie, notamment le format cinéma 16:9 classique, le format vertical 9:16 pour les réseaux sociaux, et le 1:1, avec des résolutions haute qualité.
- Flexibilité temporelle : trouver le point idéal (5s vs 15s) : Grok Imagine Video 1.5 prend en charge nativement des durées de génération allant jusqu'à 15 secondes, et la qualité globale de la sortie reste remarquablement robuste sur toute la durée. Alors que la capacité de 15 secondes fonctionne parfaitement pour les grands panoramiques cinématographiques et les plans d'ensemble, une durée de rendu de 5 à 8 secondes constitue le point idéal pour les chorégraphies à forte action et le lip-sync des micro-expressions. Au-delà de 8 secondes dans des clips plus longs, vous pourrez occasionnellement remarquer une dérive extrêmement mineure et subtile dans la synchronisation audiovisuelle (comme des mouvements de lèvres légèrement retardés), mais ces cas sont généralement à peine perceptibles et ne nuisent pas à l'expérience visuelle globale.
Note du classement : Grok Imagine Video 1.5 Preview est actuellement numéro 1 du classement Image-vers-Vidéo d'Arena AI, démontrant une excellente préférence du public pour ses capacités audio natives.
Structurer le prompt : le flux syntaxique
Une idée reçue technique courante est que Grok Imagine 1.5 nécessite un paramètre API séparé pour l'audio. En réalité, le modèle unifié traite une seule séquence de texte continue.
Cependant, comme les mécanismes d'attention du transformateur allouent des pondérations en fonction des positions des jetons, séparer la chorégraphie visuelle des prompts acoustiques à l'aide d'un délimiteur de texte clair empêche le modèle de mélanger les descriptions physiques avec la génération sonore.
Nous vous recommandons d'utiliser la hiérarchie syntaxique suivante pour organiser proprement vos prompts :
[Mouvement du sujet + modificateurs d'intensité] + [Mouvement de caméra et type de plan] + [Éclairage et changements d'atmosphère] + AUDIO : [Bruit ambiant, bruitages d'action, directives de dialogue]
Comparaison d'efficacité des prompts
L'utilisation d'adjectifs vagues comme « son cinématographique » fait que le moteur se rabat sur une musique de fond générique. Une correspondance son-action spécifique est nécessaire pour une synchronisation précise :
| Élément du prompt | Prompt ambigu standard | Prompt optimisé audiovisuel |
|---|---|---|
| Action visuelle (Mouvement du sujet + Intensité) | Un forgeron travaillant du métal chaud. | Le forgeron abaisse un lourd marteau en fer sur du métal orange incandescent avec une grande force, projetant des étincelles vives vers l'extérieur. |
| Contrôle de la caméra (Mouvement de caméra et type de plan) | Zoom avant. | Macro travelling avant se concentrant de près sur le point d'impact. |
| Éclairage et atmosphère (Changements d'éclairage et d'atmosphère) | Atelier en arrière-plan. | Environnement d'atelier faiblement éclairé avec une lumière de feu orange intense projetant des ombres profondes et vacillantes. |
| Indices audio (AUDIO : Ambiance, bruitages, dialogue) | AUDIO : bruits d'atelier, bruit épique | AUDIO : un claquement métallique lourd d'un marteau, suivi immédiatement d'un fer grésillant et du ronronnement bas d'un feu de forge, le tout résonnant profondément dans un atelier aux murs de brique. |
5 exemples avancés de prompts Grok Imagine Video 1.5 (prêts à l'emploi)
Pour tester ces configurations, générez d'abord une image de départ très détaillée (à l'aide d'un générateur d'images avancé comme Nano Banana Pro ou GPT Image 2), puis saisissez l'image et la structure de prompt correspondante dans l'application Web Grok Imagine 1.5.
1. Macro bruitages Foley et physique mécanique
Cas d'usage : Synchronisation audiovisuelle précise à la trame d'impacts physiques.
Plan macro au ralenti de gouttes d'eau tombant d'un tuyau rouillé dans une flaque d'eau. Chaque goutte impacte la surface de l'eau, créant des ondulations concentriques.
AUDIO : sons de gouttes creux et profonds, éclaboussures d'eau douces avec des gouttes aiguës, grondement lointain d'un orage résonnant à l'extérieur.
- Pourquoi ça marche : Aligner les verbes d'impact physique (« goutte impacte ») avec des adjectifs sonores onomatopéiques spécifiques (« gouttes creuses », « éclaboussures douces ») guide le modèle pour lier la forme d'onde sonore directement à l'image visuelle où l'ondulation commence.
Image d'entrée :
Vidéo générée :
2. Coordination dialogue et synchronisation labiale
Cas d'usage : Synthèse vocale de base avec animation faciale correspondante.
Le détective tourne lentement la tête vers la droite et parle directement à la caméra, un léger tremblement de caméra à main ajoute de la tension.
AUDIO : un murmure grave et rauque : 'Nous y sommes. Mais le temps presse.' Léger froissement de papier en fond, tic-tac d'horloge faible.
- Pourquoi ça marche : Isoler les répliques entre guillemets juste après le préfixe
AUDIO:aide le transformateur à distinguer le dialogue parlé des effets sonores environnementaux, ce qui donne une synchronisation labiale plus propre.
3. Mouvement de produit et ambiance environnementale
Cas d'usage : Esthétique commerciale de niveau studio avec acoustique spatiale.
La tasse d'espresso tourne doucement sur son socle, la caméra orbite à hauteur des yeux, une lumière chaude d'heure dorée balaie la surface du plan de travail en marbre.
AUDIO : sifflement haute pression de la vapeur, expresso chaud coulant régulièrement dans la tasse, léger tintement de porcelaine, jazz doux en fond sonore.
- Pourquoi ça marche : Le prompt contraste un mouvement visuel régulier (socle tournant) avec des sons ambiants intermittents (sifflement de vapeur, gouttes d'espresso), créant un espace acoustique commercial convaincant.
Image d'entrée :
Vidéo générée :
4. Action dynamique à la première personne (physique de vitesse)
Cas d'usage : Forcer un mouvement à grande vitesse et des impacts graves correspondants.
Plan drone FPV se faufilant dans un étroit couloir métallique sombre d'un vaisseau spatial. Des lumières d'avertissement rouges clignotent en rythme. Une lourde porte en acier blindé se ferme lentement en glissant.
AUDIO : grincement mécanique fort et profond de la porte en acier lourde qui glisse, sirènes d'alarme retentissantes, ronronnement basse fréquence du cœur du réacteur du vaisseau spatial.
- Pourquoi ça marche : Les interactions environnementales lourdes (portes métalliques coulissantes) associées à des étiquettes audio basse fréquence (« ronronnement basse fréquence », « grincement mécanique ») forcent le modèle à rendre des mouvements visuels lourds et pondérés.
5. Continuité de séquence multi-plans (contrôle de séquence 15s)
Cas d'usage : Diviser une génération de 15 secondes en séquences distinctes.
(0-3s) Plan d'ensemble large d'une cabane paisible dans une forêt de pins enneigée pendant un blizzard hivernal doux.
(3-7s) Coupe sur un plan rapproché intérieur d'une cheminée en pierre rustique avec du bois qui crépite ; puis, une main verse lentement du thé chaud fumant dans une tasse en bois.
(7-12s) Coupe sur un plan par-dessus l'épaule d'une personne regardant la neige tomber par la fenêtre de la cabane douillette, souriant doucement. Brillant, chaleureux, cinématographique.
AUDIO : (0-3s) hurlement étouffé du vent hivernal à l'extérieur, (3-7s) crépitement net d'une cheminée et léger sifflement de liquide versé, (7-12s) douce mélodie de guitare acoustique et un léger soupir satisfait.
- Pourquoi ça marche : L'utilisation de balises temporelles strictes comme
(0-3s)et(3-7s)à l'intérieur des segments visuels et audio dirige la fenêtre temporelle du modèle pour déclencher des coupures de transition abruptes, atténuant l'artefact de « morphing » typique courant dans les passes de génération de plusieurs secondes.
Image d'entrée :
Vidéo générée :
Astuces de pro : optimiser vos sorties vidéo
1. Améliorer le mouvement dynamique
- L'opportunité : La physique par défaut du modèle excelle dans les mouvements cinématographiques stables.
- L'optimisation : Pour injecter une vitesse plus élevée ou une action dramatique, utilisez des verbes à haute vélocité et des réactions descriptives. Par exemple, au lieu de « une voiture qui passe », essayez « une voiture qui file devant la caméra à grande vitesse, soulevant un nuage de poussière soudain ».
2. Maintenir la stabilité du texte et des logos
- L'opportunité : Le générateur de physique fluide du modèle privilégie naturellement le mouvement cinématographique et les changements environnementaux organiques.
- L'optimisation : Si votre image de départ contient une marque, des étiquettes ou du texte complexes, associer le générateur à des mouvements de caméra linéaires (comme des travellings lents ou des zooms statiques) aide à maintenir une stabilité maximale du texte tout au long du clip.
3. Se concentrer sur les prompts positifs
- L'opportunité : L'architecture de transformateur unifié de Grok Imagine 1.5 est conçue pour exceller dans la synthèse visuelle et audio directe.
- L'optimisation : Plutôt que de dépenser des jetons sur des listes de prompts négatifs (comme « pas de mauvaise anatomie »), le modèle répond mieux lorsque vous concentrez vos entrées uniquement sur des directives positives riches. Décrire l'état visuel exact que vous souhaitez voir donne des résultats beaucoup plus propres et plus stables.
Foire aux questions (FAQ)
Q : La preview de Grok Imagine Video 1.5 prend-elle en charge la génération texte-vers-vidéo (Text-to-Video) ?
R : Non. La preview 1.5 actuelle (grok-imagine-video-1.5-preview) est strictement un modèle Image-vers-Vidéo (I2V). Cela signifie que chaque run de génération nécessite de télécharger une image de départ statique pour servir de référence à la géométrie, aux couleurs et au sujet de la scène. Si vous avez besoin de générer une vidéo directement à partir de prompts textuels uniquement, vous pouvez envisager d'utiliser un modèle dédié texte-vers-vidéo (T2V).
Q : Comment mieux guider ou contrôler les effets sonores de fond dans mes prompts ?
R : Comme ce modèle traite les images visuelles et les formes d'onde audio conjointement dans le même réseau de transformateur, vous pouvez influencer la bande sonore simplement en décrivant les sons dans votre prompt. Pour une synchronisation optimale, nous vous recommandons d'ajouter un délimiteur de texte clair (comme AUDIO:) à la fin de votre prompt, suivi de descriptions de votre musique de fond souhaitée, du bruit ambiant (comme le vent ou le bruit de la foule), des effets sonores spécifiques à l'action (comme du verre qui se brise ou des moteurs qui rugissent) ou de courtes lignes de dialogue.
Q : Quels sont les formats d'image, les résolutions et les ratios d'image pris en charge par ce modèle ?
R :
- Formats d'entrée pris en charge : JPG, JPEG, PNG et WEBP.
- Résolutions de sortie prises en charge : 480p et 720p.
- Ratios d'image : Il prend en charge une large gamme de compositions, notamment 16:9 (grand écran), 9:16 (format vertical mobile), 1:1 (carré), ainsi que 4:3, 3:4, 3:2 et 2:3. Si vous sélectionnez « auto », le système adaptera automatiquement les dimensions natives de votre image source téléchargée.
Q : Comment réduire les risques de distorsion visuelle ou de désynchronisation audiovisuelle lors de la génération ?
R : D'après nos tests multidimensionnels, les ajustements suivants peuvent aider à améliorer la qualité de la sortie :
- Contrôler la durée : Bien que le modèle prenne en charge des durées de rendu de 1 à 15 secondes, la stabilité du mouvement physique et du rythme audio est la plus forte dans la plage de 5 à 8 secondes. Les clips plus longs (par exemple, 12 à 15 secondes) sont plus susceptibles de présenter un léger morphing visuel ou une dérive audiovisuelle subtile dans la seconde moitié.
- Simplifier le prompt : Évitez d'empiler des balises de qualité génériques (comme « 8K » ou « très détaillé »). Concentrez-vous plutôt sur une structure propre : « un sujet en mouvement principal + un chemin de caméra + des verbes d'action spécifiques. »
- Éviter les prompts négatifs : Le modèle ne reconnaît pas de manière fiable les directives négatives (par exemple, ce qu'il ne faut pas inclure). Les prompts négatifs sont généralement ignorés, il est donc préférable de décrire uniquement ce que vous voulez voir.