Grok Imagine Video 1.5 : le guide complet du prompt

Grok Imagine Video 1.5 anime une image que vous lui donnez. D’une à quinze secondes, un son fabriqué dans la même passe, et aucun moyen de le lancer à partir de mots seuls : chaque clip part d’une image, et cette image revient en première image, à très peu de chose près.

C’est toute la forme du modèle. Pas d’emplacement de référence, pas d’emplacement de dernière image, pas d’interrupteur audio : la plupart de ce qui serait un réglage sur un autre modèle est soit déjà dans votre image, soit indisponible.

L’image est la consigne. Le prompt n’est que ce qui change.

Il construit aussi le clip du début vers la fin : d’abord la première image, puis chaque instant à partir du précédent, plutôt qu’en planifiant l’ensemble avant de le remplir. La moitié des règles ci-dessous vient de là — pourquoi votre composition d’ouverture survit, pourquoi l’ordre de vos phrases est l’ordre du film, et pourquoi le modèle préfère tourner une tête que couper.

Vue d’ensemble

La version courte

Quatre décisions font l’essentiel du travail. Si vous ne lisez rien d’autre, lisez celles-ci. Chacune est développée plus bas.

1. Mettez votre effort dans l’image, puis ne décrivez que ce qui bouge

   Votre image revient en première image presque intacte : 35,5 dB face à l’originale, et trois prises sur trois images sans rapport se sont accordées à 0,15 dB près. Le cadrage, les costumes, les accessoires et la lumière survivent tous. Les redécrire ne rapporte rien, et invite le modèle à redessiner ce qui était déjà juste.

   Au lieu de

   A raccoon on a doormat at night, infrared, a white door behind it…

   Écrivez

   The frame is already correct. Animate it and change nothing else.

2. Lui dire ce qu’il ne doit pas faire ne sert à rien

   xAI dit clairement que les formulations négatives sont ignorées, et nos essais le confirment. Une consigne de quinze secondes a exigé des coupes franches et banni les fondus huit fois en tout, et est revenue avec un fondu enchaîné à ses neuf changements de plan. Demandez ce que vous voulez comme quelque chose qui arrive, jamais comme quelque chose qui ne doit pas arriver.

   Au lieu de

   No camera movement, no zoom, no push-in, no drift

   Écrivez

   The framing at ten seconds is identical to the framing at zero seconds — same crop, same angle, same lens

3. Vous ne pouvez pas demander une coupe. Vous pouvez la rendre nécessaire

   Grok change de plan comme le ferait un corps. Demandez un nouvel angle à la même distance et il tourne une tête. Demandez une nouvelle distance : aucun mouvement du corps ne peut faire ça, alors il coupe. Une prise sans la moindre instruction de coupe est revenue avec deux coupes franches nettes, toutes deux des sauts d’échelle.

   Vous voulez une prise sans rupture ? Fixez l’échelle de plan — she is the same size in the frame in the last second as in the first. Vous voulez des coupes ? Écrivez des plans à des distances différentes, ou rendez-les séparément puis assemblez-les après coup.

4. Le son répond aux événements, et il n’y a pas d’interrupteur

   Chaque prise fabrique de l’audio, que vous écriviez pour lui ou non. Ce qui fixe le niveau n’est pas votre formulation mais le nombre de choses qui arrivent. Trois prises ne demandant qu’une ambiance de pièce sont revenues entre −70 et −65 LUFSUne mesure d’intensité sonore. Une vidéo sociale finie tourne autour de −16 LUFS ; −70 LUFS, c’est du silence qui pèse un fichier. — inaudible — tandis qu’une prise nommant un klaxon, des pas, de la pluie et un rideau métallique est revenue à −15,8.

   Écrivez le son comme une liste d’événements, chacun avec sa matière et sa surface, pas comme une ambiance. Si rien dans le plan ne fait de bruit, attendez-vous à un fichier muet et prévoyez de poser votre propre piste dessous.

Ce qu’il accepte

Sept formats nommés, c’est l’éventail le plus large ici après Seedance, et une seconde est une vraie durée plutôt qu’une erreur d’arrondi — utile comme temps de ponctuation dans un montage. Face à Veo 3.1 et Seedance 2.5, il abandonne toutes les autres entrées : pas de références, pas de dernière image, pas de silence.

Ce qu’il coûte

Un tarif unique, et le prix le plus simple du catalogue : environ 6,7 crédits la seconde, quelle que soit la résolution et quelle que soit la forme.

480p et 720p coûtent pareil : un test bon marché est un clip plus court, pas un clip plus petit. Sur Seedance, on économise en baissant la résolution. Ici, on économise en divisant la durée par deux.

Une prise d’une seconde à 7 répond à beaucoup de questions : si l’image est acceptée, si le format est sorti comme vous l’aviez réglé, si le modèle lit le plan comme vous.

Les règles

Neuf choses vraies quoi que vous fabriquiez. Chacune est sortie d’une prise qui a coûté de l’argent, et elles sont classées par ce qu’elles vous feront économiser.

Décrivez ce qui change, pas ce que l’image montre déjà

L’image n’est pas un indice. C’est la première image.

Face à l’image fixe que nous avons fournie, l’image d’ouverture du clip revient à 35,5, 35,6 et 35,65 dBÀ quel point deux images se ressemblent, mesuré en rapport signal sur bruit de crête. Au-dessus de 35 dB environ, la différence est presque invisible. Autour de 20 dB, on regarde un redessin plutôt qu’une copie. sur trois images complètement différentes — un personnage qui sprinte dans une allée de serveurs, un selfie de chambre, un plan dans un miroir. Un modèle qui traite une première image comme une ancre plutôt que comme un verrou obtient 21,5 dB au même test. Quinze décibels d’écart, c’est un autre outil.

Donc tout ce que l’image tranche est tranché : le cadrage, les costumes, les accessoires, l’état de la pièce, la lumière. Le seul travail du prompt, c’est le mouvement.

Le verrou est plus faible à un endroit, et il vaut mieux le savoir avant de bâtir une prise dessus. Une prise dont le sujet portait un deel mongol brodé est revenue à 32,46 dB au total, et la perte n’était pas là où vous l’imagineriez :

Le visage est la chose la mieux conservée de l’image. Ce qui est repeint, c’est le tissu. Le médaillon de la ceinture, sa pierre d’ambre et les deux pendentifs à pompons sont les mêmes objets avec le même dessin dix secondes plus tard — ce sont les fils qui sont redessinés. Si votre sujet est un vêtement, tenez votre niveau de détail à celui des objets posés dessus, et n’attendez pas d’une broderie de 2048 pixels qu’elle arrive intacte en 720p.

Lui dire ce qu’il ne doit pas faire ne sert à rien

Le modèle ignore les formulations négatives. xAI le documente, et nous avons payé pour le confirmer.

Une consigne d’action de quinze secondes a écrit HARD CUT. trois fois dans ses temps, banni les fondus enchaînés et les fondus dans sa ligne de style, puis banni de nouveau fondu enchaîné, fondu et volet dans sa ligne Avoid:. Huit instructions, zéro coupe franche — et un fondu enchaîné à ses neuf changements de plan. La même consigne sur Seedance a coupé huit fois.

Le remède n’est jamais une neuvième interdiction. C’est de trouver la phrase positive qui rend impossible ce que vous ne voulez pas :

• « no camera movement » → « the framing at ten seconds is identical to the framing at zero seconds — same crop, same angle, same lens, same distance from the mat » ;
• « no change of shot size » → « her arm’s length never changes, so she is the same size in the frame in the last second as in the first » ;
• « no readable text » → rendez la chose too small and too far out of focus to read, pour que la composition n’aille jamais chercher une chaîne de caractères.

Gardez une ligne Avoid: au pied d’une consigne pour une seule raison : un mauvais résultat est alors un résultat qui a échoué contre une instruction, ce qui est plus utile à savoir qu’un échec silencieux. N’y dépensez pas de caractères en attendant du travail en retour.

Vous ne pouvez pas demander une coupe. Vous pouvez la rendre nécessaire

La façon dont un changement de plan est traité est décidée par le contenu, pas par le prompt.

C’est la chose la plus utile à savoir sur ce modèle, et il a fallu quatre prises pour la cerner.

• Un vlog de chambre de dix secondes, sans la moindre instruction de coupe, est revenu avec deux coupes franches nettes, à 1,83 s et 3,62 s.
• Une course-poursuite de quinze secondes exigeant neuf coupes franches est revenue sans aucune.
• Deux autres prises de dix secondes — un selfie dans un miroir, une chevauchée — sont revenues avec zéro coupe à tous les seuils de détection, de 0,4 jusqu’à 0,1.

Le schéma n’a rien à voir avec les mots. Il tient à ce qu’un corps aurait pu faire ou non :

Les deux coupes de ce vlog étaient des sauts d’échelle. Ses deux non-coupes étaient des changements d’angle, faits en un seul mouvement tournant continu devant un téléphone qui n’a jamais bougé. La course-poursuite demandait neuf changements de plan qui étaient tous, tels que le modèle les a lus, un endroit où une caméra à l’épaule aurait pu marcher — alors elle a marché.

Deux conséquences. Pour une prise sans rupture, fixez l’échelle de plan, et dites-le comme une chose qui est vraie plutôt que comme une chose à éviter. Et un film qui a vraiment besoin de huit coupes franches, c’est huit générations, rendues séparément et assemblées ensuite, pas une seule consigne qui crie HARD CUT.

Le son répond aux événements, et il n’y a pas d’interrupteur

audio_mode: required. Il y aura une piste. La seule question est de savoir s’il y a quelque chose dessus.

Sept prises, mesurées de la même façon. Triez-les selon ce que leur bloc son a réellement nommé et le schéma saute aux yeux :

Les trois du haut, c’est du silence qui pèse un fichier. Quand on demande un bourdonnement sans rien à quoi l’accrocher, le modèle ne donne rien du tout plutôt que quelque chose de discret. Quand on demande un rire, il donne un rire à −26,9. Quand on demande une course-poursuite, il donne un mixage complet.

Alors écrivez le son comme le ferait un concepteur sonore : nommez l’événement, la matière et l’espace. « City sounds, traffic » est une ambiance. « Cars passing, skateboard wheels on pavement, a distant rumble down the street » est une liste de choses qui arrivent.

Deux constats plus petits, à emporter :

Un visage détourné est un visage sans piste. Dans la chevauchée, le rire commence à 2,86 s et retombe de vingt décibels au niveau de la nappe à 6,40 s — exactement l’image où sa tête se détourne de l’objectif. On la voit encore rire jusqu’à 8,5 s : deux secondes pleines sont donc muettes. La lecture la plus simple, c’est que le modèle mixe une voix pour la caméra plutôt que pour le personnage. Si un son doit être entendu, jouez-le vers l’objectif.

Interdisez la parole deux fois si personne ne parle. Une interprète souriante sans son déclaré est une invitation à lui écrire une réplique et à la synchroniser en labial dans la langue qui plaira au modèle. Dites-le dans le bloc son, puis de nouveau comme une action — « she never opens her mouth to speak ». Cette interdiction a tenu à chaque essai ici, ce qui en fait l’une des deux négations qui valent la peine d’être écrites, avec « no music ».

Demandez l’état final, jamais une quantité

Une quantité se lit comme un geste. Une destination se lit comme une règle.

Une reconstitution télé a demandé un travelling avant « no more than three percent across the whole clip, so slight it is nearly invisible » et a obtenu à peu près vingt pour cent : à la cinquième seconde, le figurant de premier plan avait quitté le cadre.

Écrite comme une affirmation sur la dernière image, la même instruction est exacte. Un film de sonnette disait : « the framing at ten seconds is identical to the framing at zero seconds — same crop, same angle, same lens, same distance from the mat. » L’image 0 et l’image 239 posent le bord de la porte, les deux gonds, les lignes des panneaux, le bord du paillasson, la courbe de la marche et le vignettage sur des pixels identiques.

Cela dépasse les mouvements de caméra. Tout ce que vous pouvez formuler en « X is the same at the end as at the beginning » est quelque chose à quoi le modèle peut se tenir. Tout ce qui est formulé en quantité est une suggestion.

Une coupe peut tomber en avance ; un corps, non

Les temps gardent leur ordre. Ce qui les déplace, c’est le temps que prend une action jouée.

Les timecodes sont lus, et l’ordre de vos temps est l’ordre du film. Ce qui varie, c’est de combien une marque glisse, et cela dépend de ce qu’est la marque :

• Deux changements de plan sortis en coupes sont tombés en avance : demandé 2,0 s → 1,83 s, demandé 4,0 s → 3,62 s.
• Quatre sortis en mouvements exécutés par le sujet sont tous tombés en retard : +0,4 s, +1,0 s, +2,5 s, +1,0 s. Le +2,5 s a poussé toute une fenêtre avec lui.

Une coupe ne prend pas de temps et peut aller n’importe où, y compris avant sa marque. Un demi-tour à 180° prend le temps qu’un corps prend, et tout ce qui attend derrière glisse.

La confirmation, c’est une prise qui programmait un seul demi-tour avec rien derrière. Ses deux marques sont tombées à −0,14 s et −0,10 s, en avance toutes les deux, et le demi-tour a ensuite duré deux secondes de trop sans rien coûter au planning, parce que rien ne l’attendait.

Budgétez un temps joué d’après la durée du mouvement, pas d’après le nombre de temps qui tiennent dans la durée. Ne mettez jamais un demi-tour au milieu d’un planning plein.

Une dernière chose à attendre d’un séquencier. Sur un format que le modèle connaît bien, un grand geste familier arrive que vous l’ayez demandé ou non, et un petit geste précis lui cède la place. Une consigne demandant « a quarter turn of the hips » a obtenu un tour complet en s’éloignant du miroir, tenu trois secondes — le mouvement standard du genre — tandis que « glances down at the phone for a moment », qui ne fait pas partie de ce vocabulaire, n’est jamais arrivé. Traitez le séquencier comme un planning que le modèle remplit, pas comme un script qu’il suit.

Dépensez une seule action sur la fin

Il ralentit dans la dernière seconde. Seedance, lui, accélère en sortant.

Sur les 1,4 dernières secondes du même temps de clôture, Grok a fait 14,5 → 4,4 en différence entre images successives, ralentissant jusqu’à l’arrêt, tandis que Seedance faisait 7,0 → 17,6 et allait le plus vite au moment où il s’arrêtait.

Aucun des deux ne finit sur une image figée, mais la conséquence est réelle. Ce temps de clôture demandait deux actions : « shoves the deck into her hoodie pocket and pushes up out of the crouch to run again. » Grok a fait la première et s’est posé.

Donc la règle qui veut qu’un bloc final nomme un événement — un constat Veo et Seedance — ne se transporte pas telle quelle. Ici, le bloc final doit nommer exactement un événement, et ce doit être celui que vous voulez à l’écran au buzzer.

Il tient l’image, pas les objets qu’elle contient

La fidélité de l’image et la stabilité d’un objet sont deux choses différentes, et une seule des deux vaut 35 dB.

La première image de la course-poursuite a le bon accessoire : un ordinateur de poche plat, noir mat, avec un X rose vif sur le capot. À la deuxième seconde, elle porte un smartphone à coque rouge avec un X rose sur son fond d’écran, et ça reste un téléphone pendant la plus grande partie du milieu du clip. Tout un paragraphe Prop: nommant sa forme, sa couleur et sa bande lumineuse sur la tranche n’y a rien changé.

Le texte se divise de la même manière. L’habillage d’une image télé est revenu avec toutes les chaînes de caractères exactes — le nom du tournoi, le score, l’horloge, le logotype de la chaîne, la pastille LIVE — et la mise en page redessinée : plus petite, les contours de cellules disparus, un ▶ poussé à côté de LIVE. Ce nouveau dessin est ensuite resté stable pour le reste du clip. Un habillage plus léger dans une autre prise, un timecode en coin et un point REC, a survécu intact.

Lisez-le ainsi : le modèle copie l’image que vous lui avez donnée, puis reconstruit chaque objet à partir de ce que dit l’instant d’avant. Tout ce qui doit être exact sous un nouvel angle n’est pas en sécurité dans le prompt. Si un graphisme doit être juste, incrustez-le après coup, là où le modèle ne le voit jamais.

Il anime un visage photographié

Le refus que vous rencontrez sur Seedance n’existe pas ici, et c’est souvent toute la raison d’être ici.

Donnez à Seedance une personne photoréaliste et il refuse : E005 — the input or output was flagged as sensitive, par la porte des références comme par celle de la première image, six sur six lors d’un essai et sept sur sept lors d’un autre. Grok prend le même genre d’image sans broncher — et comme il lui faut une image, il n’y a pas d’autre façon de s’en servir.

Cela en fait le deuxième contournement de cette limite, après Veo 3.1, et un contournement plus large sur un point : la voie des références de Veo impose le 16:9, alors que Grok a pris un cadre 4:3 sans rien facturer de plus pour la forme.

Ce n’est pas un permis. Un visage que vous n’avez pas le droit d’utiliser reste un visage que vous n’avez pas le droit d’utiliser, et chaque personne des exemples présentés ici a été générée. Le filtre du modèle est aussi strict sur les personnes nommées, les marques et les logos, et il se déclenche à tort sur des prompts inoffensifs. Décrivez une personne fictive et gardez les marques génériques plutôt que de discuter avec lui.

Les chaînes

Grok a une seule porte : une image et un prompt. Ce qui change d’un travail à l’autre, c’est d’où vient la première image — et comme elle est tout votre budget d’identité, ce choix compte plus que le prompt.

Les blocs que toute consigne utilise

Quelle que soit la façon dont vous avez obtenu votre image, le prompt se bâtit avec les mêmes éléments, dans l’ordre que le modèle lit le plus fidèlement. Il rend du début vers la fin, donc l’ordre du prompt est l’ordre chronologique : une action écrite en haut de la consigne arrive en haut du clip, et une action enterrée en bas peut arriver en retard, ou jamais.

[Continuity]  who and what must not drift, named once
[Camera]      where the lens is, and the end state that proves it stayed
[Motion]      what moves, and how hard
[Beats]       the schedule, stamped, in the order it happens
[Sound]       events, with their materials and their spaces
[Style]       the stock, the grain, the frame rate
[Avoid]       kept for the record, not for the result

Il n’y a pas de bloc [Look], et cette absence est tout l’intérêt : la lumière, la couleur, les costumes et la pièce sont tous arrivés avec l’image. Les réécrire dépense des caractères sur une décision déjà prise, et invite le modèle à la redessiner.

Coupez tout ce que l’image montre déjà. Si une phrase serait vraie de l’image fixe, elle n’a pas sa place dans la consigne du clip.

Deux choses encore à propos des temps. Gardez-les grossiers — un sujet, une action, une idée de caméra chacun, ce qui est le conseil de xAI lui-même et correspond à ce que nous avons mesuré. Et employez des mots forts pour dire avec quelle force les choses bougent, car sans eux le modèle choisit sa propre lecture et elle est en général plus douce que vous ne le vouliez : « car passing » devient « car racing past at high speed », « the wave crests » devient « crests fully and pitches forward, crashing down ».

Comment écrire le bloc son

Le son n’est pas facultatif : ce n’est jamais un bloc que vous pouvez sauter. Deux notations fonctionnent, aucune meilleure que l’autre, et toutes deux valent mieux qu’un son enterré dans une phrase sur l’image.

Sound: …      a paragraph among the others
AUDIO: …      a section at the very end of the prompt

Ce qu’on y met, ce sont des événements, chacun nommé avec la matière sur laquelle il se produit et l’espace dans lequel il se produit.

Sound: night ambience, faint crickets and a distant road. Claws on concrete
and the scuff of cardboard as the first parcel is set down. A beat of near
silence as the eyes open. Then many sets of claws on concrete at once, and
cardboard settling on cardboard as the stack builds. No music, no voices.

Trois choses à savoir avant d’en écrire un.

Le silence n’est pas au menu, mais c’est souvent ce que vous obtenez. Si rien dans le plan ne fait de bruit, attendez-vous à une piste à −65 LUFS ou moins et prévoyez de la sonoriser vous-même. Cela veut dire aussi qu’un clip que vous comptez publier muet ne coûte rien de plus — l’audio sort du même tarif à la seconde dans les deux cas.

Citez une réplique si vous voulez une réplique. Les dialogues courts fonctionnent, et la synchronisation labiale est correcte à partir d’un portrait de face avec la bouche visible. Gardez la réplique courte, gardez la caméra fixe, et mettez le ton dans le bloc son (« hesitant, then determined »).

« No music » est l’une des deux négations qui semblent tenir, l’autre étant l’interdiction de la parole — mais lisez cela honnêtement. Aucune de nos prises n’est revenue avec une musique, et aucune n’était une scène contenant de la musique. Sur un film qui appelle une bande-son, attendez-vous à une discussion plutôt qu’à une instruction.

Chaîne A : dessiner la première image

Le choix par défaut, et ce que font la plupart des exemples de cette page. Fabriquez l’image fixe sur un modèle d’image, regardez-la, corrigez-la, puis passez l’image finie.

À quoi elle sert

• Idéal pour : tout ce qui est inventé — un décor, une créature, un dispositif de found footage, un habillage de marque, un personnage qui n’existe que dans un fichier.
• Vous coûte : une deuxième génération et un deuxième regard, en général entre 4 et 11.
• Attention : l’image fixe est tout votre budget d’identité, elle doit donc contenir un visage s’il y a une personne dans le film. Un plan de détail tend au modèle une paire de mains et lui demande d’inventer une femme pour les dix secondes qui suivent.

Comment écrire l’image fixe

Trois choses ont leur place dans la première image, que l’on laisse d’habitude au clip :

• La mise en place. Un lit défait, des chaussures envoyées valser, un tas de fouillis. Un modèle à qui l’on demande en cours de clip de mettre le désordre dans une pièce rangée le fera pendant que la caméra tourne.
• Le texte. Un modèle vidéo à qui l’on demande d’inventer un titre s’en approche et pas plus. Un modèle d’image l’orthographie. Mettez le logotype, le timecode et le bandeau de score dans l’image, et laissez le clip les conserver.
• L’échelle de plan. La première image est le plan d’ouverture, à 35 dB. Composez-la comme le premier plan du film, pas comme un portrait du sujet.

Et une chose qui n’a sa place nulle part : rendez le texte indésirable illisible plutôt qu’interdit. Un mur de tirages photo décrit comme « too small and too far out of focus to read » n’a laissé fuir aucun texte. Une chaîne interdite que la composition veut quand même est une chaîne que le modèle dessine mal.

Exemples détaillés : Personne n’a filmé ça et Neuf plans et pas une seule coupe.

Chaîne B : animer une image que vous avez déjà

Une génération déjà dans votre Bibliothèque, ou une photographie. Pas de deuxième rendu, pas de deuxième facture — et la première image est fixée, au lieu d’être quelque chose que vous pouvez racheter.

À quoi elle sert

• Idéal pour : le clip le moins cher qui soit, puisque l’image est déjà payée, et pour faire revenir quelque chose que vous avez fait il y a des semaines.
• Vous coûte : le levier. Sur une image fixe que vous dessinez, tout ce dont le clip a besoin peut être ajouté à l’étape un. Ici, les dix secondes doivent être écrites pour l’image que vous avez déjà.
• Attention : le format. Laissé sur Auto, le clip prend la forme de l’image elle-même, et c’est comme ça qu’un clip 4:3 se retrouve dans un fil 9:16.

Comment l’écrire

Lisez d’abord l’image, et n’écrivez que ce qu’elle peut porter. La chevauchée plus bas en est le cas : le cadre contient une crinière, une selle, une rêne et un morceau d’épaule — pas de jambes et pas de tête — donc la consigne ne décrit jamais une allure. Elle décrit la preuve d’une allure, et met l’allure elle-même dans la caméra : « a light regular bounce in time with the horse’s stride. »

La mesure du résultat dit que ça a marché. Le cadre monte et descend bien plus qu’il ne va de gauche à droite (2,3 px contre 0,9 px par image en moyenne), le rebond tient un régulier 1,6–1,8 Hz pendant les dix secondes entières, et sur 241 images il dérive de 28 px verticalement sur une image de 1280 pixels. Un panoramique s’accumule ; celui-ci non.

Un cadre qui ne contient pas la chose difficile n’a pas à la résoudre.

Certaines images vous offrent une règle gratuitement. Un selfie en est une : un bras ne peut pas changer de longueur, donc l’échelle de plan est fixée par la physique plutôt que par une promesse — ce qui, d’après la règle de la coupe ci-dessus, donne une prise sans rupture que vous n’avez pas eu à négocier.

Exemple détaillé : Une chevauchée que personne n’a filmée.

Chaîne C : plusieurs prises, montées après coup

Quinze secondes, c’est le plafond, et les coupes franches ne se demandent pas au prompt : tout ce qui est plus long, ou vraiment monté, fait plus d’une génération.

À quoi elle sert

• Idéal pour : un montage, une séquence avec de vraies coupes, tout ce qui dépasse quinze secondes.
• Vous coûte : la continuité, qu’aucune entrée d’ici ne peut porter. Il n’y a pas de canal de référence et pas d’emplacement de dernière image.
• Attention : la dérive entre les prises. C’est là que Grok est le plus faible face aux solutions concurrentes, et cela vaut la peine de le dire franchement.

Comment enchaîner

Extrayez la dernière image d’une prise, remettez-la comme image de départ de la prise suivante, et assemblez la série à la fin. La première image est un verrou à 35 dB, donc le raccord est vraiment serré — plus serré que la même astuce sur un modèle qui traite une première image comme une ancre.

Ce que la chaîne ne peut pas faire, c’est revenir à un sujet après un plan où il n’était pas. Si votre film a besoin d’un personnage sur huit plans et huit angles, les réponses honnêtes sont un modèle avec un emplacement de référence — Seedance 2.5 en prend trente — ou un modèle d’image tenant une feuille de personnage, Grok animant chaque image qu’il produit.

Nous n’avons pas encore de chaîne terminée à montrer, et en inventer une vaudrait moins que de le dire.

Quand ça casse

« Il refuse de générer — il veut une image »

Il n’y a pas de porte texte-vers-vidéo sur ce modèle. Le composeur bloque la demande avant qu’elle ne coûte quoi que ce soit, avec « Grok Imagine Video 1.5 a besoin d’une image du sujet — joignez-en une avant de générer. »

Solution : faites d’abord une image fixe, ou prenez-en une dans votre Bibliothèque. Si vous vouliez un clip à partir de mots seuls, c’est Seedance ou Veo plutôt que ceci.

« Mes coupes n’ont pas eu lieu »

Vous ne pouvez pas régler le style de transition depuis le prompt. Chaque interdiction, chaque HARD CUT., chaque « nine shots » dans une ligne de style — rien de tout cela ne change la façon dont un changement de plan est traité.

Solution : si le plan suivant est à une distance différente du précédent, le modèle coupe tout seul. Sinon, aucune formulation ne vous achètera une coupe, et le film doit être rendu en prises séparées puis assemblé.

« Le format n’est pas celui que j’ai demandé »

Laissé sur Auto, le clip prend la forme de l’image de départ.

Solution : réglez le format explicitement, et fabriquez l’image fixe dans la forme dont vous avez besoin pour que les deux s’accordent. Une image 4:3 donnée à un réglage 9:16 est un recadrage que quelqu’un doit trancher, et il est moins cher de le trancher à l’étape un.

« La piste audio est muette »

La consigne a demandé une atmosphère sans rien donner au modèle à quoi l’accrocher. Une ambiance seule revient à −65 LUFS ou moins, ce que personne ne peut entendre.

Solution : nommez des événements, avec la matière sur laquelle ils se produisent — des pas sur du gravier, une tasse posée sur du bois, un rideau métallique qui s’écrase, un rire. Si le plan ne contient vraiment rien qui fasse du bruit, acceptez le fichier muet et posez votre propre piste dessous. L’audio n’a de toute façon pas été facturé à part.

« La caméra a bougé alors que je l’avais interdit »

Vous lui avez donné une quantité. Un pourcentage, un « slight », un « nearly invisible » — chacun se lit comme un geste vers le mouvement, c’est-à-dire comme du mouvement.

Solution : énoncez plutôt l’état final. « The framing at ten seconds is identical to the framing at zero seconds » a produit deux images identiques au pixel près sur 240 images.

« Tout ce qui suit le premier temps est arrivé en retard »

Il y a une action jouée sur le chemin. Un demi-tour, une marche, tout grand mouvement physique prend le temps qu’un corps prend, et chaque temps derrière lui glisse.

Solution : mettez le demi-tour en dernier, ou donnez-lui une fenêtre à lui seul avec rien derrière. Les coupes peuvent tomber en avance ; les corps, non.

« La dernière seconde retombe »

Deux actions dans le temps de clôture. Le modèle exécute la première et se pose jusqu’à la fin.

Solution : une seule action dans le bloc final, et que ce soit celle que vous voulez à l’écran au buzzer.

« L’objet de mon image s’est transformé en un autre »

Le modèle copie l’image que vous lui avez donnée, puis reconstruit chaque objet à partir de rien à mesure que l’angle change. Un accessoire décrit dans le prompt n’y survit pas tout seul.

Solution : gardez l’objet à un angle constant, gardez la prise courte, ou rendez en générations séparées les plans qui le montrent sous un nouvel angle. Si c’est un graphisme plutôt qu’un accessoire, incrustez-le après coup.

« Le texte de mon image est revenu redessiné »

Les mots survivent ; le dessin non. Attendez-vous à une orthographe juste et à une mise en page réinterprétée, puis tenue stable pour le reste du clip.

Solution : tout ce dont le dessin doit être exact est un travail de compositing. Tout ce dont la formulation doit être exacte a sa place dans l’image fixe, en grand dans le cadre.

Exemples détaillés

Trois films finis, chacun avec la consigne qui l’a fait. Chacun est une seule génération — rien ici n’est plusieurs prises montées ensemble, ce qui sur ce modèle veut dire que rien ici ne contient de coupe, sauf si le modèle a choisi d’en mettre une.

Personne n’a filmé ça

Chaîne A : une image dessinée, puis dix secondes d’une caméra qui ne peut pas bouger.

Une caméra de sonnette ne choisit rien. Elle est boulonnée à un mur, elle ne peut pas faire de panoramique, elle ne peut pas couper, et elle ne sait pas qu’elle filme. Le support fixe, c’est donc tout le genre, et une instruction compte plus que toutes les autres.

La caméra n’a pas bougé une seule fois. L’image 0 et l’image 239 posent le bord de la porte, les deux gonds, les lignes des panneaux, le bord du paillasson, la courbe de la marche et le vignettage sur des pixels identiques. C’est la règle de l’état final à l’œuvre : une prise télé antérieure a demandé un travelling avant de « no more than three percent » et en a obtenu vingt, tandis que celle-ci a demandé que le cadrage à dix secondes égale le cadrage à zéro.

L’habillage de la caméra est dans l’image plutôt que dans le prompt, et il a survécu intact — FRONT DOOR, le timecode, la batterie et le point REC, même style, mêmes positions, figés. Une fine incrustation de coin est plus proche de ce que le modèle attend qu’un habillage télé, et c’est l’habillage télé qui est revenu redessiné.

Deux choses qu’elle apprend sur le son. Le gag des yeux qui brillent n’avait besoin d’aucun son, et le modèle a fabriqué sa propre atmosphère pour lui — mais la ligne Audio: de la consigne est surtout de l’ambiance, et la piste mesure −48,7 LUFS. Audible si on la cherche, invisible dans un fil. La course-poursuite plus bas a demandé un klaxon, de la pluie, des pas, un rideau métallique et un corps qui heurte la brique, et est revenue trente décibels plus fort.

The frame is already correct. Animate it and change nothing else.

Camera: bolted to the wall beside the door. It cannot move. The framing at
ten seconds is identical to the framing at zero seconds — same crop, same
angle, same lens, same distance from the mat. No pan, no tilt, no zoom, no
push-in, no handheld drift, no rack focus, no cut.

0-3s: the raccoon crouches and sets the white parcel down on the doormat,
then nudges it with one paw until it sits square to the edge of the mat.

3-4s: it rises back onto its hind legs and looks straight into the camera
lens, and holds still.

4-5s: behind it, in the solid black beyond the mat, pairs of small bright
eyes open and catch the infrared. A dozen of them, spread across the
darkness at the same low height. Nothing else of them is visible yet. The
raccoon in front does not turn around.

5-10s: they walk forward out of the black into the infrared light, one
raccoon behind each pair of eyes, every one of them carrying a plain white
parcel of its own. They reach the mat unhurried and set their parcels down,
building a neat stack. The first raccoon steps aside and lets them work. At
ten seconds the stack stands on the mat and several of them are looking
directly into the lens.

Light: constant infrared, blown out near the door, solid black past the mat.
No exposure shift, no flicker, no colour anywhere, no porch light switching
on.

Overlay: FRONT DOOR, the timestamp and the REC dot are burned into the
frame. They do not move, drift, warp or re-spell.

Audio: night ambience, faint crickets and a distant road. Claws on concrete
and the scuff of cardboard as the first parcel is set down. A beat of near
silence as the eyes open. Then many sets of claws on concrete at once, and
cardboard settling on cardboard as the stack builds. No music, no voices, no
dialogue.

Avoid: camera movement of any kind, cuts, dissolves, speed ramps, a raccoon
that morphs or changes size, a human appearing, the door opening or closing
further, colour appearing in the frame, on-screen text other than the
overlay already in the frame, captions, watermarks, a doorbell chime.

A frozen frame from a home doorbell camera at night, infrared night vision.

Look: monochrome with a cold blue-grey cast and no colour anywhere. A harsh
infrared floodlight from the camera itself blows out the doorframe and the
near concrete to almost white, and falls off to solid black about two feet
past the doormat. Wide fisheye lens, strong barrel distortion bending the
edge of the step into a curve, dark vignetted corners. Soft focus, visible
sensor noise, heavy compression, the flat cheap look of real security
footage.

Framing: vertical, the camera fixed to the wall beside the door at chest
height and angled slightly down onto a concrete stoop. On the left a white
panelled front door stands half open, its small window catching the
infrared. Centre, a dark rectangular doormat on the concrete. Beyond the
mat, total blackness.

Subject: a raccoon standing upright on its hind legs on the doormat, facing
the camera dead-on, holding a small plain white cardboard parcel against its
chest with both front paws. Thick fur, ringed tail, black mask across the
eyes, eyes bright and reflective in the infrared. Lightly stylised, a
character from a 3D animated film rather than a photograph of a wild animal.
Calm and deliberate, as if making a delivery.

Overlay burned into the frame, thin white sans-serif, crisp and correctly
spelled. Top left: FRONT DOOR. Top right: 08/05/2026 02:47:13. Bottom left:
a small battery icon, then a small filled dot, then REC.

No other text, no people, no other animals, nothing else on the porch.

Une chevauchée que personne n’a filmée

Chaîne B : une image qui existait déjà.

Le clip le moins cher de cette page, parce que la première image avait été faite des semaines plus tôt pour autre chose. Soixante-sept crédits, du premier envoi, sans relance.

L’image décide presque tout. Son bras sort du cadre en bas à gauche, donc la caméra est une main sur un cheval en mouvement — et du cheval, le cadre tient une crinière, une selle, une rêne et un morceau d’épaule, pas de jambes et pas de tête. La consigne ne demande donc jamais d’allure. Elle demande que la crinière se soulève, que les cheveux flottent, que les pompons se balancent et que la crête défile, et met le trot lui-même dans la caméra sous la forme « a light regular bounce in time with the horse’s stride. » Le rebond est revenu régulier, à 1,6–1,8 Hz pendant les dix secondes entières.

L’audio est la raison de regarder celui-ci avec le son. Trois prises antérieures avaient demandé une ambiance de pièce sous une interprète muette et sont revenues muettes. Celle-ci a demandé un rire, et le rire arrive à −26,9 LUFS, quarante décibels au-dessus d’elles. Il s’arrête aussi net à 6,40 s, l’image où sa tête se détourne de l’objectif, alors qu’on la voit encore rire pendant deux secondes de plus.

Et la chose que personne n’a écrite : « looks off past the camera toward the hills for a moment » est revenue en une tête entièrement renversée dans le vent, cheveux au vent, tenue deux secondes. C’est l’image standard de ce format, et les deux moitiés de l’instruction — toward the hills, for a moment — lui ont cédé la place.

The woman in the first frame is riding a horse at a steady trot across open
Mongolian grassland, filming herself on her phone held out at arm's length.
One continuous unbroken take, ten seconds, no cuts and no transitions of any
kind.

She is the same woman the whole way through — same face, same long dark
wind-blown hair, same dark brown deel with gold-brown embroidered trim, same
wide silver belt with the round silver medallion and its amber stone, same
pair of silver tassel pendants hanging at her hip. Her right hand keeps hold
of the rein at the red saddle the whole time. Nothing about her drifts,
morphs or re-rolls.

The camera is her own hand at the end of her outstretched arm, so it rides
with her: a light regular bounce in time with the horse's stride, a small
amount of hand sway, nothing more. It never pans, tilts, zooms, pushes in or
pulls back, and it never leaves her hand. Her arm's length never changes, so
she is the same size in the frame in the last second as in the first,
filling the frame from the waist up and slightly off centre.

Show that the horse is moving through the horizon rather than through its
legs: the black mane in the lower right lifts and falls in time with the
bounce, her hair streams back off her shoulders, the tassels at her belt
swing, and the grassland, the fence and the two white gers behind her drift
steadily past. Keep the horse's legs and head out of the frame exactly as
they are now.

0.0s — She holds the frame, riding, smiling into the lens as her hair blows
across her face and she lets it.

3.0s — She laughs — a real open laugh with her eyes creasing and her
shoulders shaking, chin lifting a little, delighted. She keeps her eyes on
the lens and keeps hold of the rein.

6.5s — Still laughing, she looks off past the camera toward the hills for a
moment, then back to the lens, and the laugh eases down into a wide open
grin as she rides on.

Land: rolling green-brown steppe under a low overcast sky, layered grey
cloud, dark hills along the horizon, two white gers and a wooden fence on
the ridge behind her, flat soft daylight with no sun on her face. The
weather does not change.

Sound: her laughing, wind across an open plain, the muffled rhythm of hooves
on grass, and the creak of a saddle. No music, no voiceover, no other
people, no speech — she laughs but she never says a word and never mouths
one.

Style: photorealistic phone selfie footage shot at arm's length from
horseback, real handheld bounce, real blinking, breath in her shoulders,
hair with weight to it, fine sensor grain, 24fps.

Avoid: cut, hard cut, jump cut, dissolve, cross-fade, camera move, zoom,
pan, push in, pull back, a change of shot size, the camera leaving her hand,
a drone shot, a wide landscape shot, the horse's legs, the horse's head, a
horse rearing or bolting, a second rider, a second horse, another person, a
hat, dropping the rein, a moving mouth forming words, text overlay,
subtitles, captions, watermark, logo, timestamp, readable writing anywhere
in frame.

Neuf plans et pas une seule coupe

La chaîne A sur toute la longueur, et l’exemple le plus clair de cette page de ce que le modèle refuse de faire.

Quinze secondes, neuf plans, cent crédits — et zéro coupe à tous les seuils de détection, de 0,3 jusqu’à 0,1. Pas moins que demandé : aucune. Les neuf changements de plan sont des fondus enchaînés, d’environ un tiers de seconde chacun.

Les temps sont tous là et tous dans l’ordre : l’allée de serveurs, le gros plan sur l’ordinateur de poche, la cage d’escalier, la flaque, la ruelle balayée par les projecteurs, le rideau métallique, le saut de toit, le rattrapage sur la corniche, l’agenouillement. La consigne a demandé des coupes franches huit fois — trois HARD CUT. dans les temps, une fois dans la ligne de style, une fois dans Avoid:. La même consigne sur Seedance a coupé huit fois. C’est un seul clip qui montre à la fois la règle de la négation et la règle de la coupe.

Deux autres constats s’y trouvent. L’accessoire a dérivé alors que les pixels tenaient : la première image a un ordinateur de poche plat, noir mat, avec un X rose vif sur le capot, et à la deuxième seconde elle porte un smartphone à coque rouge. Et la fin ralentit — le temps de clôture lui demandait d’empocher l’ordinateur et de se relever de l’accroupissement pour repartir, et les 1,4 dernières secondes vont de 14,5 à 4,4 en différence entre images successives. Il a fait la première moitié.

La seule chose qui a complètement tenu est ce que cet essai devait tester. Quinze secondes, neuf plans, aucun canal de référence, et son visage, la queue-de-cheval, le X blanc sur le sweat à capuche, la chaîne à la hanche et les baskets montantes à semelle rose sont tous encore reconnaissables à quatorze secondes. Une première image a fait le travail d’un canal de référence pendant un quart de minute.

Style: photorealistic cinematic night action, handheld and urgent, in a
rain-soaked neon city. Hard fast cutting — NINE shots in fifteen seconds,
every cut a hard cut, no dissolves or fades. Deep blacks, wet reflective
concrete, hot magenta and cyan sign light, cold blue shadow, heavy rain,
steam, sparks. Real motion blur on the fast whips, restrained grain.
Vertical 9:16.

Subject: JANA — the young woman in the opening frame, identical in every
shot: blonde hair with hot-pink streaks in a high messy ponytail, pale skin,
grey-violet eyes, a small inked black X with three dots under her left eye,
a black studded choker, an oversized black hoodie with a white brushed X on
the chest, black cargo trousers with grey straps and a hanging chain, chunky
black-white-and-pink high-top sneakers. Her face, hair, marking and outfit
never drift, morph or re-roll. She is moving hard in every shot and never
stands still. She never speaks.

Prop: THE DECK — a flat matte-black handheld computer with a hot-pink X on
the lid and a glowing pink edge strip. It is in her hand or on a strap
across her body in every shot.

Action Sequence — nine shots, hard cuts:
  0.0s - 2.5s    Dark server aisle, red alarm strobes. Camera racing
    backwards ahead of her: JANA sprints straight at the lens in the black
    hoodie, deck in one hand, ponytail thrown up by the movement. HARD CUT.
    MACRO low on her hands: her thumb drags across the deck's glowing pink
    screen as she runs, a red strobe snapping across her knuckles.
  2.5s - 5.0s    Concrete stairwell, camera at the bottom of the well
    looking straight up. JANA vaults the handrail two floors up, drops a full
    flight through frame with the deck clamped to her chest, and slams onto
    the landing in a crouch, sneakers skidding.
  5.0s - 7.5s    Alley, hammering rain. GROUND-LEVEL MACRO on her
    black-white-and-pink sneakers smashing through a magenta-lit puddle. HARD
    CUT. Camera racing backwards ahead of her: she sprints into the lens, hood
    up, breath fogging, searchlights swinging over wet brick behind her.
  7.5s - 10.0s   Loading dock, camera flat on the wet ground. A steel roller
    shutter drops fast; JANA slides under it on her hip with the deck hugged
    to her chest, and it crashes shut behind her sneakers.
  10.0s - 12.5s  Rooftop, city glow below. Tracking side-on: she runs the
    wet parapet in the black hoodie and launches over the gap between two
    buildings, arms wide, ponytail streaming. HARD CUT. TIGHT on her hand
    slapping the far ledge and gripping, her body slamming into wet brick.
  12.5s - 15.0s  Lower roof, rain through neon, camera low and close. She
    hauls herself over the ledge onto one knee, flips the deck open and
    hot-pink screen light hits her face and the inked X under her eye. She
    looks up past the lens, grins hard, shoves the deck into her hoodie pocket
    and pushes up out of the crouch to run again.

Audio: an alarm klaxon and server fans; her hard breathing throughout;
sneakers on concrete, steel and wet asphalt; rain hammering metal; a steel
shutter crashing down; wind at the roof edge; a body hitting brick; the deck
snapping open. No music, no score, no narration, no dialogue, nobody
speaking.

Avoid: no on-screen text, subtitles, captions, watermark, logo, HUD or
interface overlay; no character sheet, model sheet, turnaround, multiple
panels, side-by-side figures, split screen, white studio background,
watercolour splash or colour swatches; no standing still, posing or static
shot; no slow motion, speed ramp or freeze frame; no dissolve, fade or wipe;
no guns, gunfire, blood or injury; no second woman resembling her; no change
of hair colour, hairstyle or clothing; no visible camera or crew; no
morphing or drifting of her face, eye marking or clothes.