想做一条会动、还会出声的短视频，你以为得先会剪辑、懂运镜、会配乐，其实现在一张图加一句大白话就够了。

xAI 这几天放出来的 Grok Imagine 1.5，干的就是这件事。你扔给它一张静态图，再用人话说一句「镜头缓缓推近、背景开始下雪」，它就把这张不会动的图变成一段动起来的短片，连声音一起给你配好。

很多人对「AI 做视频」的印象，还停在「我得想个剧本、找素材、一段段拼、再压个背景音乐」上。那套是把人当导演加剪辑师使。Grok 这次把活儿反过来了：你只当那个出主意的人，图你给一张，怎么动你说一句，剩下的它来。

它的逻辑很简单。你上传的那张图，就是视频的第一帧，原图的构图、人物长相、画风它都给你留着，不会动着动着变成另一个人。然后你那句话就是导演口令，说推近就推近，说摇一下、跟着走、慢一点，它照着来。我看了一圈别人晒的例子，有人的提示词朴素到就一句「加一点轻微的镜头推近，加一个微笑表情」，出来的人像就真的轻轻笑了、镜头缓缓往脸上凑。

最让我觉得有点东西的，是声音。市面上多数图生视频（就是拿一张图生成一段视频）工具，画面归画面，声音得你渲染完再回去单独配。Grok Imagine 1.5 是画面和声音在同一次生成里一块出，对白还能对上口型，背景音乐、环境音效一起给你铺好。一张哑巴照片，进去转一圈，出来会动会说话，这个体验跟「先出画面再补音」真不是一回事。

那它到底能拿来干嘛？

老照片是最直接的。家里一张爷爷奶奶的旧照，让画面里的人眨眨眼、镜头慢慢推近，那张定格了几十年的脸，忽然就有了点活气，挺戳人的。

做内容、带货的，产品图、海报图丢进去，加一句「镜头从左往右扫过、打上柔光」，一张平面图立马变成一条能发出去的短片，省掉一整套拍摄和剪辑。

想玩梗的就更随意了，自拍、二次元立绘、表情包，让它眨眼、回头、开口说句话，一张「活照片」就出来了。提示词都不用憋术语，就大白话写动作、写声音，写你想让它怎么动。

当然也得说清边界，免得你抱太高期待。单条目前最长15秒，清晰度到720p、每秒24帧（24fps），你想靠它一口气生成一部片子，不现实。

6月初马斯克自己发了一条用它做的预告片，特洛伊战争那个味道，大场面、烧城、战船全有，浏览量冲到1840万以上，看着是挺唬人。但那条接近40秒的片子，是好几段15秒以内的镜头拼起来的，不是它一次吐出来40秒。名人拿它做的 demo，看个上限就行，别当成你随手一点就能要到的效果。

它这回是先从开发者那条路（官方接口，也就是 API）开放的，普通人在 Grok 里能不能直接点上这个新版，官方说还在按订阅档位慢慢铺，我也没完全摸准你打开是哪个版本。而且 Grok Imagine 从今年3月起就不免费了，想用图和视频生成，得是 X Premium、Premium+ 或者 SuperGrok 的订阅用户。

#马力的AI知识分享#