Grok Media 是 OpenMontage 中用于处理 xAI 媒体模型的一项技能，适用于在 OpenMontage 内调用 xAI 的图像与视频生成能力。
一、用途 该技能面向使用 xAI 媒体模型的场景，提供从认证、接口调用到提示词撰写和异步结果获取的完整指引，涵盖图像生成、图像编辑以及视频生成三类任务。
二、模型
- grok-imagine-image：用于图像生成与图像编辑。
- grok-imagine-video：用于文生视频、图生视频以及参考图视频。
三、认证方式
- 环境变量：XAI_API_KEY
- 基础地址（Base URL）：https://api.x.ai/v1
- 请求头：Authorization: Bearer $XAI_API_KEY
四、图像 API
- 文生图
- 端点：POST /images/generations
- 核心字段：model、prompt、n、aspect_ratio、resolution
- 图像编辑
- 端点：POST /images/edits
- 单张源图使用 image 字段
- 多图合成使用 images 字段
- 每张源图可以是公开的 HTTPS URL，也可以是 base64 data URI
- 图像提示词建议
- Grok 对直接的自然语言响应较好
- 编辑时只描述想要修改的部分，其余内容通过省略来隐式保留
- 多图合并时，明确说明每张源图各自贡献什么
- 优先使用一个有力的场景描述，而不是堆叠大量风格词
五、视频 API
- 生成与轮询
- 生成端点：POST /videos/generations
- 轮询端点：GET /videos/{request_id}
- 成功状态：status == "done"
- 需要显式处理的失败状态：failed、expired
- 模式
- 文生视频：仅使用 prompt 生成
- 图生视频：使用 image: {"url": ...}，用于锚定起始帧
- 参考图视频：使用 reference_images: [{"url": ...}, ...]，影响视频中出现的人物或物体，但不锁定第一帧；提示词中可用 <IMAGE_1>、<IMAGE_2> 等占位符引用输入
- 视频约束
- Grok 视频更适合作为短视频生成来使用
- 当前输出分辨率为 480p 和 720p
- 参考图视频支持多张图片，适用于产品植入、服装迁移和身份一致性
- 应及时下载输出结果，因为提供方 URL 可能是临时的
六、定价
- grok-imagine-image：每张生成图像 $0.02
- grok-imagine-image 的编辑/合成：每张输入图像加收 $0.002
- grok-imagine-video：480p 每秒 $0.05；720p 每秒 $0.07
- grok-imagine-video 的图像条件请求：每张输入图像加收 $0.002
七、Grok 专用提示词指引
- 图像
- 从主体、动作、场景开始
- 只加一个风格锚点，而不是五个
- 编辑时：描述期望的修改；通过省略来保持图像其余部分稳定，而不是写一长串保留清单
- 视频
- 提示词保持场景局部化：一个镜头、一个主要运动想法、一个情绪节拍
- 参考条件视频中，明确把源图映射到角色，例如：人物来自 <IMAGE_1>、夹克来自 <IMAGE_2>、产品来自 <IMAGE_3>
- 镜头与节奏语言有帮助，例如：slow push-in、handheld follow、locked-off medium shot、high-energy whip pan transition
八、适用场景
- 图像风格迁移
- 多源图像合成
- 参考条件短视频
- 产品导向的运动片段
- 无需硬性锁定第一帧的角色一致场景
九、限制与弱项
- 长视频片段生成
- 高度依赖确定性种子
- 包含多个场景切换的过载提示词
十、失败处理
- 如果生成提交成功但轮询过期，应将其作为提供方/运行时问题上报
- 如果请求失败，在错误中保留端点、模式和提示词摘要
- 在已选择 xAI 后，未经用户批准，不要静默替换为其他提供方