Grok Imagine 深度拆解：xAI 视频模型如何在 46.5 万次盲测中登顶 Arena 排行榜

快速摘要： xAI 于 2026 年 2 月发布的 Grok Imagine 1.0，是一款集视频生成、视频编辑和原生音频合成于一体的多模态创作模型。它在 Arena（原 LMArena）的 Image-to-Video 排行榜上，凭借 46.5 万次用户盲测投票拿下 1404 ELO 的最高分，力压包括 Veo 3.1 在内的 34 个竞品模型。 这篇文章将从技术原理、操作流程、提示词技巧、API 调用方法、评测数据等多个维度做一次完整的拆解。如果你对 AI 视频生成领域感兴趣，或者想动手试试这个工具，往下看有更详细的干货。 本文由 莫潇羽@源码七号站 出品，转载请注明出处：www.fuyuan7.com。

一、Grok Imagine 是什么？一分钟了解它的前世今生

如果你一直在关注 AI 视频生成赛道，一定不会对 Sora、Veo、Runway、Kling 这些名字感到陌生。而 Grok Imagine，正是 xAI（由 SpaceX 创始人创立的 AI 公司）推出的同类产品，定位是「端到端的视频-音频创作引擎」。

Grok Imagine 并非横空出世。它的发展路径可以简单概括为三个阶段：

• 2025 年初至年中，Grok 的图像生成主要依赖与外部模型（如 Flux.1）的合作，核心能力集中在文本生成图像上。
• 2025 年 10 月，xAI 发布了 Grok Imagine v0.9，正式搭载自研的 Aurora 引擎，初步具备了文本生成视频和原生音频同步的能力，视频时长约 6 至 8 秒。
• 2026 年 2 月 2 日，Grok Imagine 1.0 正式发布。视频时长提升到 10 秒，分辨率支持 720p，音频质量（包括对话口型同步、环境音效、背景音乐）有了大幅提升，指令遵循能力也显著增强。

值得关注的是，根据 xAI 官方披露的数据，仅 2026 年 1 月，Grok Imagine 就生成了超过 12.45 亿个视频片段，这一数据超过了其三个最接近的竞争对手的总和。这说明这款工具在用户层面已经获得了相当广泛的采用。

莫潇羽在撰写本文时实测了 Grok Imagine 的多种功能，下面我会从技术原理开始，一层一层地为你拆解。

二、技术原理拆解：Aurora 引擎到底做了什么

要理解 Grok Imagine 为什么能在盲测中拿到高分，就需要了解它背后的技术引擎——Aurora。

2.1 Aurora 引擎的核心架构

Aurora 是 xAI 自研的多模态生成引擎，它区别于早期「把视频当作一系列图片拼接」的简单做法。Aurora 的设计思路可以归纳为以下几个关键点：

自回归式（Autoregressive）Token 预测： Aurora 使用了基于 Transformer 的架构，将图像和视频内容转换为一系列 Token，然后像语言模型生成文本一样，逐个预测视频中的每一帧内容。这种方法的好处是，模型在生成每一帧时都能「看到」前面所有帧的信息，从而保持画面在时间维度上的连贯性。

「运动优先」（Motion-First）的设计哲学： 很多早期的 AI 视频模型是从图像生成模型改造而来的，它们擅长生成漂亮的单帧画面，但在处理运动时容易出现抖动、变形等问题。根据第三方评测机构 getimg.ai 的分析，Grok Imagine 从一开始就针对运动场景进行了调优，追求稳定的镜头移动和自然的物理运动，而不是单纯追求某一帧画面的视觉冲击力。

Mixture-of-Experts（MoE，混合专家）架构： Aurora 内部采用了多个专门化的子网络（即「专家」），不同的专家负责处理不同类型的创作任务。比如某些专家可能更擅长处理人物动作，另一些则更擅长处理环境光影。模型会根据输入的提示词，自动选择激活最相关的专家组合，从而在计算效率和输出质量之间取得平衡。

Temporal Latent Flow（时间潜在流）技术： 这是一种确保光影一致性的训练技巧。简单来说，Aurora 把每一张静态图像都视为某个视频中的潜在帧，在训练阶段就让模型学会从任意角度保持光影的物理一致性。这也是为什么 Grok Imagine 在生成人像时，皮肤质感和眼神光泽能保持自然——因为模型不是在「画一张图」，而是在「拍摄一段视频中的某一帧」。

2.2 原生音频合成：不只是画面在动

Grok Imagine 1.0 的一大亮点是原生音频合成能力。这不是简单地给视频配一段背景音乐，而是根据视频画面内容实时生成匹配的声音：

• 口型同步（Lip-Sync）： 如果画面中有人物说话，模型会生成与嘴型动作同步的语音。
• 环境音效（Foley）： 画面中如果有风吹草动、脚步声、水流声等场景，模型会自动生成匹配的拟音效果。
• 背景音乐： 模型会根据场景的整体氛围（紧张、轻松、史诗感等）自动搭配合适的背景音乐。
• 情感表达： 生成的语音不是机械的 TTS，而是带有情感色彩的，能体现角色的情绪状态。

这意味着，用户在生成视频后不需要再额外使用音频编辑软件来配音和配乐，整个流程是「一步到位」的。对于内容创作者来说，这大大缩短了从创意到成品的时间。

2.3 训练基础设施：Colossus 超算集群

Grok Imagine 的训练是在 xAI 的 Colossus 超算集群上完成的。Colossus 是目前已知规模较大的 GPU 集群之一，为模型训练提供了充足的算力支持。xAI 计划在 2026 年 4 月将 Colossus 2 扩展到 1.5GW 的能耗规模，这将进一步提升模型的训练容量和推理吞吐量。

对于莫潇羽@源码七号站的读者来说，理解这个基础设施背景有助于判断 xAI 在这个赛道上的投入力度——这不是一个小打小闹的项目，而是有大量计算资源支撑的系统性工程。

2.4 帧间一致性问题的解决思路

早期 AI 视频模型面临的最大技术难题之一是「帧间一致性」。简单来说，如果模型把每一帧都当作独立的图片来生成，那么相邻两帧之间的人物外貌、物体位置、光影方向都可能出现微妙的差异，累积起来就会导致画面闪烁、角色变形、物体跳动等问题，观看体验非常糟糕。

Aurora 引擎通过几个层面来缓解这个问题。第一个层面是在模型架构上，自回归式的生成方式天然具备帧间关联性——每一帧的生成都以前面所有帧作为上下文，这就像写文章时每一句话都接着上一句写，而不是随机拼凑。第二个层面是在训练数据上，Aurora 使用了大量高质量的真实视频片段进行训练，让模型学习到真实世界中物体运动和光影变化的物理规律。第三个层面是在后处理上，模型在输出最终视频之前会进行帧间平滑处理，确保运动轨迹的连续性和画面的时间一致性。

当然，这并不意味着 Grok Imagine 已经完全解决了帧间一致性的问题——在特别复杂的场景中，你仍然可能看到一些不自然的帧间跳动。但相比于早期的 AI 视频工具，进步是非常明显的。这也是为什么在 Arena 盲测中，用户给出了较高评分的原因之一。

2.5 为什么「低延迟」对视频生成这么重要

你可能会想：视频模型又不是即时通讯软件，延迟低不低有那么重要吗？事实上，在实际的创作流程中，延迟是影响用户体验的关键因素。

想象一下这个场景：你是一个短视频创作者，想用 AI 生成一段 10 秒的片头动画。你输入了第一版提示词，等了两分钟，结果不太满意——色调偏暗了。你调整提示词，再等两分钟，这次镜头角度不对。再调整，再等两分钟……几轮下来，半个小时过去了，你可能只试了七八个版本。如果每次等待时间缩短到二三十秒，同样的半小时你可以尝试三四十个版本，找到满意结果的概率大大增加。

这就是为什么 xAI 团队在 Grok Imagine 的设计中把低延迟作为核心优化目标之一。根据他们在官方公告中的表述，合作伙伴反馈中最一致的信号就是：「光有质量不够，如果延迟太高、成本太贵，迭代就变得痛苦。」通过优化推理速度和降低单次生成的成本，Grok Imagine 让用户可以更自由地探索不同的创意方向，在多个方案之间快速切换比较，而不是把每一次生成都当作一次「豪赌」。

从莫潇羽@源码七号站的实际体验来看，Grok Imagine 在 480p 分辨率下的生成速度确实很快，通常在十几秒内就能出结果。720p 会慢一些，但也在可接受的范围内。对比之下，一些竞品模型在相同条件下可能需要一到两分钟甚至更长时间。

三、Grok Imagine 能做什么？三大核心功能详解

Grok Imagine 1.0 支持三种主要的创作模式，每种模式都有明确的使用场景。

3.1 文本生成视频（Text-to-Video）

这是最基础也是最常用的功能。用户只需要用自然语言描述想要的场景，模型就会从零开始生成一段短视频。

支持的参数配置：

• 时长（Duration）： 1 到 15 秒，可自由指定。1.0 版本推荐使用 10 秒作为默认时长，这是质量和长度的最佳平衡点。
• 分辨率（Resolution）： 支持 480p 和 720p 两档。720p 画质更细腻，但生成时间也更长。
• 画面比例（Aspect Ratio）： 支持 1:1、16:9、9:16、4:3、3:4、3:2、2:3 七种比例，覆盖了横屏、竖屏和方形等主流场景。

文本生成视频的提示词写作公式：

一个高质量的提示词通常包含以下五个要素：

主体（Subject）+ 动作（Action）+ 环境/场景（Setting）+ 风格/氛围（Style/Mood）+ 镜头语言（Camera）

举例来说：

一个身穿红色风衣的女孩，在雨中的东京街头慢跑，霓虹灯倒映在湿润的柏油路面上，
电影质感，暖色调，跟踪镜头（tracking shot），浅景深，背景中有模糊的行人和出租车。

这个提示词中，「红色风衣的女孩」是主体，「慢跑」是动作，「雨中的东京街头」是场景，「电影质感、暖色调」是风格，「跟踪镜头、浅景深」是镜头语言。

3.2 图像生成视频（Image-to-Video）

这是 Grok Imagine 在 Arena 排行榜上拿到最高分的核心能力。用户上传一张静态图片，然后用文字描述希望图片如何「动起来」，模型就会在保持原图视觉风格和构图的基础上，添加运动、光影变化和音频。

Image-to-Video 的提示词写作要点有所不同：

由于画面内容已经由原图确定，提示词不需要再描述静态场景，而应该聚焦于「变化」：

[主体特征描述] + [期望的动作] + [镜头运动]

比如你上传了一张山顶日出的照片，提示词可以写：

云层缓慢翻滚流动，金色阳光逐渐照亮山脊，镜头缓慢推近（slow push-in），
远处有几只飞鸟掠过天空，整体氛围宁静而壮观。

这里的关键是：不要过度描述图片中已有的内容，模型会自动识别图片中的元素并保持它们的一致性。你只需要告诉它你想让哪些东西「动起来」、怎么动。

3.3 视频编辑（Video-to-Video）

视频编辑功能让你可以对已有的视频进行基于文字指令的修改。这相当于给视频做「手术」，但不需要 Premiere 或 After Effects 这类专业软件。

支持的编辑操作：

• 重新设计场景风格（比如把晴天改成雨天，或者把现实场景改成动画风格）
• 添加或移除画面中的元素（比如给人物添加一条项链，或者移除画面中的杂物）
• 调整运动轨迹和相机角度
• 修改色调和光影

使用限制：

• 输入视频必须是 MP4 格式（支持 H.264、H.265、AV1 编码）
• 输入视频最长不超过 8.7 秒
• 输出视频会保持输入视频的时长和比例，分辨率上限为 720p

视频编辑功能的一个典型使用场景是「快速迭代」。比如你用 Text-to-Video 生成了一段基本满意的视频，但想微调某个细节（比如换个背景色调），就可以把生成的视频再喂给 Video-to-Video 模块，用文字描述你想改的地方。

3.4 四种生成模式的区别与选择

Grok Imagine 提供了四种生成模式，针对不同的创作需求。很多新手用户不太清楚它们之间的区别，莫潇羽在这里做一个详细的说明：

Normal 模式是默认模式，也是大多数场景下的最佳选择。它在画面质量、运动平滑度和提示词遵循度之间做了最均衡的优化，生成的内容风格偏向写实和专业。如果你不确定该选哪个模式，选 Normal 准没错。

Fun 模式会让生成的内容更加活泼和夸张，运动幅度更大，色彩也更鲜艳。它特别适合制作娱乐性质的内容，比如搞笑短片、表情包动画、社交媒体上的趣味内容等。但如果你追求的是写实感或者专业感，Fun 模式可能不太合适。

Custom 模式提供了更精细的参数控制能力，让你可以在更多维度上调整生成结果。这个模式适合对 AI 视频生成有一定经验的用户，需要更精准地控制画面效果。

需要注意的是，不同模式的选择并不会影响视频的技术参数（分辨率、时长、比例），它们主要影响的是视频的视觉风格和创意表现方式。

3.5 原生音频的四个层次

前面提到了 Grok Imagine 的原生音频功能，这里莫潇羽再详细展开一下，因为这是很多用户对它评价较高的关键因素之一。

Grok Imagine 生成的音频可以分为四个层次，模型会根据画面内容自动决定每个层次的具体内容：

第一层：环境底噪（Ambient Noise）。 这是最基础的一层，模型会根据场景类型自动生成匹配的环境音。比如室外场景会有风声和虫鸣，海边场景会有浪涛声，城市场景会有远处的车流声。这一层音频让视频立刻有了「现场感」，不再是静音的画面。

第二层：动作音效（Foley）。 画面中发生的具体动作会触发对应的音效。脚步声、开门声、玻璃碰撞声、衣物摩擦声等等，都会根据画面中的动作自动生成。这一层让视频中的运动有了「重量感」和「真实感」。

第三层：人声对话（Dialogue）。 如果画面中有人物在说话或交流，模型会生成匹配的人声，并且做到口型同步。这里不是简单的 TTS 合成，而是带有情感色彩和语调变化的语音，能体现角色当时的情绪状态。这是很多竞品模型还做不到或做得不够好的地方。

第四层：背景音乐（Background Music）。 模型会根据整个场景的氛围基调自动搭配背景音乐。史诗场景配交响乐，温馨场景配钢琴曲，紧张场景配快节奏的电子音乐。这一层让视频在情感表达上更加完整。

四个层次的音频会被混合在一起输出，形成一个完整的音频轨道。你不需要做任何额外的音频处理工作，生成的视频可以直接使用。当然，如果你有更精细的音频需求，也可以将视频导入专业的音视频编辑软件中单独处理音频部分。

四、实操指南：从零开始用 Grok Imagine 生成视频

源码七号站的读者中有不少是技术爱好者和开发者，所以这部分莫潇羽会分别介绍两种使用方式：网页端操作和 API 调用。

4.1 网页端操作（适合普通用户）

第一步：访问 Grok Imagine

打开浏览器，访问 grok.com/imagine。你可以免费注册一个账号来体验基本功能。xAI 也提供了移动端的 App（iOS 和 Android）。

第二步：选择创作模式

进入界面后，你会看到几个选项：

• Text-to-Video：从文字生成视频
• Image-to-Video：从图片生成视频
• Video Edit：编辑已有视频

选择你需要的模式。

第三步：设置参数

在输入框旁边，你可以设置视频的画面比例、时长和分辨率。如果你是第一次使用，建议先用默认参数（16:9 比例、8 秒时长、480p 分辨率）来快速体验，熟悉之后再逐步提高。

第四步：输入提示词或上传图片

如果是 Text-to-Video 模式，直接在输入框中输入你的场景描述。如果是 Image-to-Video 模式，先上传一张图片（支持 JPG、JPEG、PNG 格式，单张图片不超过 10MB），然后在输入框中描述你希望图片如何变化。

第五步：选择生成模式

Grok Imagine 提供了几种生成模式：

• Normal 模式： 生成风格偏写实和专业，适合大多数使用场景。
• Fun 模式： 生成风格更加夸张和活泼，适合娱乐性质的内容。
• Custom 模式： 提供更精细的参数控制，适合有明确需求的用户。

第六步：点击生成并等待结果

点击「Generate」按钮后，通常在 5 到 20 秒内就能得到结果。模型会同时生成多个变体（通常是 4 个），你可以从中选择最满意的一个下载保存。

4.2 API 调用（适合开发者）

对于需要将视频生成能力集成到自己产品中的开发者，xAI 提供了完整的 API 接口。以下是 API 调用的完整流程。

前置准备：

首先你需要在 xAI 的开发者控制台（console.x.ai）注册账号并获取 API Key。新注册用户可以获得一定额度的免费体验额度。

安装 SDK（Python 为例）：

pip install xai-sdk

文本生成视频的 API 调用示例：

import xai_sdk

client = xai_sdk.Client()

response = client.video.generate(
    prompt="一座古老的灯塔矗立在悬崖边缘，暴风雨中海浪猛烈拍打礁石，"
           "闪电划过天际照亮整个场景，电影质感，广角镜头，史诗氛围",
    model="grok-imagine-video",
    duration=10,
    aspect_ratio="16:9",
    resolution="720p",
)

print(response.url)  # 输出视频的下载链接

如果你不使用 Python SDK，也可以直接通过 REST API 调用：

curl -X POST https://api.x.ai/v1/videos/generations \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -d '{
    "model": "grok-imagine-video",
    "prompt": "A lighthouse on a cliff during a storm, waves crashing, lightning, cinematic",
    "duration": 10,
    "aspect_ratio": "16:9",
    "resolution": "720p"
  }'

理解异步机制：

视频生成是一个异步过程，API 不会立即返回视频文件。调用流程分为两步：

1. 提交请求： 发送 POST 请求后，服务器返回一个 request_id。
2. 轮询结果： 使用 request_id 定期查询生成状态，直到状态变为 done。

如果使用 Python SDK，client.video.generate() 方法内部已经封装了轮询逻辑，会自动等待视频生成完成后返回结果，开发者不需要手动处理轮询。

如果使用 REST API，则需要手动实现轮询：

# 第一步：提交请求，获取 request_id
# 响应示例：{"request_id": "d97415a1-5796-b7ec-379f-4e6819e08fdf"}

# 第二步：轮询状态
curl -X GET "https://api.x.ai/v1/videos/{request_id}" \
  -H "Authorization: Bearer $XAI_API_KEY"

# 状态说明：
# pending - 视频仍在生成中
# done    - 视频已准备好
# expired - 请求已过期

当状态为 done 时，响应中会包含视频的临时下载 URL。请注意，这个 URL 是有时效性的，需要及时下载或处理。

图像生成视频的 API 调用示例：

import base64
import xai_sdk

client = xai_sdk.Client()

# 方式一：使用本地图片（base64 编码）
with open("my_photo.jpg", "rb") as f:
    image_data = base64.b64encode(f.read()).decode("utf-8")

response = client.video.generate(
    prompt="让画面中的云层缓缓流动，树枝在微风中轻轻摇曳",
    model="grok-imagine-video",
    image_url=f"data:image/jpeg;base64,{image_data}",
)

# 方式二：使用在线图片 URL
response = client.video.generate(
    prompt="让画面中的云层缓缓流动，树枝在微风中轻轻摇曳",
    model="grok-imagine-video",
    image_url="https://example.com/my_photo.jpg",
)

print(response.url)

视频编辑的 API 调用示例：

import xai_sdk

client = xai_sdk.Client()

response = client.video.generate(
    prompt="将画面中的晴天改为暴风雨天气，增加闪电效果",
    model="grok-imagine-video",
    video_url="https://example.com/my_video.mp4",
)

print(response.url)

视频编辑时有一个重要限制：输入视频的最大时长为 8.7 秒，且必须是 MP4 格式。

五、API 参数速查表

为了方便源码七号站的开发者读者快速查阅，莫潇羽在这里整理了一张 API 参数表：

六、评测数据解读：46.5 万次盲测意味着什么

Grok Imagine 在排行榜上的表现是它引起广泛关注的主要原因。这里莫潇羽帮你详细拆解一下两个关键排行榜的数据。

6.1 Arena Image-to-Video 排行榜

Arena（原名 LMArena / LMSYS Chatbot Arena）是目前 AI 领域最受认可的众包评测平台之一。它的核心机制是盲测投票：用户提交一个提示词（或图片），平台随机调用两个不同的模型生成结果，用户在不知道模型身份的情况下投票选择更好的那个。所有投票结果通过 ELO 评分系统（最初为国际象棋排名设计）换算为模型的综合评分。

截至 2026 年 2 月 23 日的数据：

• 总投票数： 465,070 次
• 参评模型数： 34 个
• 排名第一： grok-imagine-video-720p，ELO 1404 分
• 排名第二： Google Veo-3.1-audio-1080p，ELO 1402 分

排行榜地址：arena.ai/leaderboard/image-to-video

什么是 ELO 评分系统？ 如果你不太熟悉这个概念，莫潇羽简单解释一下。ELO 评分系统最早是为国际象棋选手排名设计的，后来被广泛应用于各种竞技排名场景（包括电子竞技）。它的核心思想是：当两个选手（在这里是两个 AI 模型）进行对战时，如果一个低分选手击败了高分选手，它获得的加分会更多；反之，如果高分选手只是勉强赢了低分选手，加分很少。这个机制保证了排名的稳定性——一个模型要想获得高分，需要在大量对战中持续表现出色，而不是靠运气偶尔赢几次。

在 Arena 平台上，ELO 分数的差距可以这样理解：10 分的差距代表有意义的质量差异，50 分的差距代表显著的优势。Grok Imagine 与 Veo 3.1 之间只有 2 分的差距，从统计角度来看，两者的质量几乎不分伯仲。但由于投票基数非常大（超过 46 万次），这 2 分的差距在统计上仍然是显著的。

Arena 平台的工作流程： 当你访问 Arena 的视频排行榜页面时，你可以参与投票。平台会让你上传一张图片（或使用平台提供的图片），然后同时调用两个匿名的 AI 视频模型来生成结果。你会看到两个视频，但不知道它们分别来自哪个模型。你只需要选择你认为质量更好的那个，或者选择「平局」。你的每一次投票都会实时影响模型的 ELO 分数。这种众包式的盲测机制被广泛认为是目前评估生成式 AI 模型最公正的方式之一，因为它排除了品牌效应和先入为主的偏见。

值得注意的几个细节：

首先，1404 分与 1402 分之间只有 2 分的差距。在 ELO 系统中，这个差距非常小，意味着两个模型在整体质量上非常接近。但考虑到 46.5 万次投票的统计样本量，即使是 2 分的差距也是统计显著的。

其次，Grok Imagine 的 720p 版本在对阵 Veo 3.1 的 1080p 版本时仍然获胜。这意味着在用户感知的视频质量上，Grok Imagine 即使在较低分辨率下也能与更高分辨率的竞品一较高下。

根据 Arena 排行榜的变更记录，grok-imagine-video-720p 于 2026 年 2 月 4 日被加入排行榜，而 veo-3.1-audio-1080p 则在 2 月 10 日加入。在不到一个月的时间内积累了大量投票数据，也说明了用户社区对新模型的关注度非常高。

6.2 Artificial Analysis Image-to-Video 排行榜

Artificial Analysis 是另一个独立的 AI 模型评测平台，它的评估维度比 Arena 更丰富，不仅看质量，还综合考量了生成速度和使用成本。

在该平台上，grok-imagine-video 以 1337 ELO 分领先。更重要的是，Artificial Analysis 的排行榜展示了一个三维的比较视角：

质量 vs 速度 vs 价格：

根据 xAI 官方公布的对比数据（基于 2026 年 1 月 28 日的快照），Grok Imagine 在以下方面表现突出：

• 在 720p 分辨率、8 秒时长的标准测试条件下，Grok Imagine 的中位延迟（P50 Latency）低于大多数竞品。
• API 定价约为每分钟视频 4.20 美元，低于 Veo 3.1 Fast 等同级别产品。
• 在第三方平台 fal.ai 上，6 秒 480p 视频的单次生成成本约为 0.302 美元（0.05 美元/秒 + 图片输入费用 0.002 美元）。

排行榜地址：artificialanalysis.ai/video/leaderboard/image-to-video

6.3 第三方专业评测怎么说

莫潇羽梳理了几个有代表性的第三方评测观点，帮大家做一个综合参考：

getimg.ai 的评测认为 Grok Imagine 最突出的特点是「指令遵循能力」。当提示词描述了特定的运动方式、节奏变化或镜头转场时，模型通常能做出看似经过深思熟虑而非随机生成的响应。在原生音频方面，生成的声音和对话听起来更自然，而不是合成感很重的 TTS。

DataCamp 的技术评测指出，从纯粹的速度和成本角度看，Grok Imagine 在同级别模型中都排在前列。但在视频质量方面，某些复杂场景（比如图像转视频中添加不存在的元素）仍然会出现 AI 伪影（artifacts）。

综合来看， Grok Imagine 的核心竞争力在于「质量、速度、成本」三角的平衡做得比较好。它可能不是每个单项指标都是最强的，但综合下来的性价比让用户可以更放心地进行多轮迭代和试错，而不用担心每次生成都是一笔不小的开支。

七、提示词工程：写出高质量视频提示词的方法论

提示词（Prompt）的质量直接决定了视频生成的效果。这部分莫潇羽总结了一套经过实践验证的提示词写作方法论，方便源码七号站的读者直接使用。

7.1 通用提示词结构

不管是 Text-to-Video 还是 Image-to-Video，一个好的提示词应该包含以下层次的信息：

[主体] + [动作] + [环境] + [风格/氛围] + [镜头语言] + [音频提示（可选）]

具体拆解：

主体描述： 不要只写「一个人」，而要写「一位穿着灰色西装的中年男性」或「一只翅膀上有金色花纹的蝴蝶」。越具体，模型理解得越准确。

动作描述： 保持简洁清晰。一条提示词中最好只包含一个主要动作和一个次要动作。「一个女孩在跳绳」比「一个女孩在跳绳、转圈、然后摔倒再站起来」效果好得多。

环境描述： 包括时间（早晨、黄昏、深夜）、地点（咖啡馆内部、森林小径、城市天台）、天气（晴天、暴雨、薄雾）等。

风格/氛围： 使用电影术语往往能得到更好的效果。比如「cinematic（电影质感）」「warm color grade（暖色调）」「film grain（胶片颗粒感）」「noir style（黑色电影风格）」等。

镜头语言： 这是很多新手容易忽略的关键要素。常用的镜头语言包括：

-