使用 Grok 创建视频

POST

grok

videos

generations

curl https://api.cometapi.com/grok/v1/videos/generations \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -H "Content-Type: application/json" \
  --data-binary '{
  "model": "grok-imagine-video-1.5",
  "prompt": "A paper boat glides across a quiet pond at sunrise.",
  "duration": 1,
  "aspect_ratio": "16:9",
  "resolution": "480p"
}'

{
  "request_id": "<request_id>"
}

使用此端点可从文本、源图像或参考输入启动 Grok 视频任务。它会立即返回 request_id，因此应将其视为异步工作流的第一步。始终显式发送 model: grok-imagine-video-1.5。本文档所述的 1.5 请求形式需要 model 和 prompt。

选择输入模式

模式	请求字段	规则
文本转视频	`prompt`	省略 `image`、`reference_images` 和 `reference_audios`.
图像转视频	`prompt`, `image.url`	`image.url` 接受公开图像 URL 或图像数据 URI。请勿将 `image` 与参考输入结合使用。
参考转视频	`prompt` 以及至少提供 `reference_images` 或 `reference_audios`	最多发送 7 张参考图像和 3 个预设语音。参考转视频输出最多限制为 `720p`.

对于数据 URI，请使用 data:image/png;base64,<BASE64_IMAGE_DATA>。每个 reference_images 项目都使用相同的 url 字段。参考音频项目使用预设的 voice_id，例如 eve。在 Prompt 中，可使用 <IMAGE_0> 和 <AUDIO_0> 等标签来标识相应的参考。

先从小型请求开始

使用 model: grok-imagine-video-1.5
对于首次请求，将 duration 保持为 1，并将 resolution 保持为 480p
明确指定 prompt，使场景和动作清晰
在组合参考图像和语音之前，每次只添加一种输入模式

时长和分辨率

设置	支持的值	默认值	边界行为
`duration`	整数 `1`-`15`	`8`	首次测试时请使用较短的片段；较长的片段成本更高，完成时间也更长。
`resolution`	`480p`, `720p`, `1080p`	`480p`	更高分辨率的请求成本更高，完成时间也更长。参考转视频最高支持 `720p`.
`aspect_ratio`	`1:1`, `16:9`, `9:16`, `4:3`, `3:4`, `3:2`, `2:3`	`16:9` 用于文本转视频	对于图像转视频，省略该项会保留源图像的宽高比。

生成的视频包含音轨。当应用程序依赖于特定的输出规格时，请显式设置 duration、resolution 和 aspect_ratio。

任务流程

创建任务

发送模型、Prompt 和所有输入，然后保存返回的 request_id。

轮询完成状态

调用获取 xAI 视频结果直到顶层 status 变为 done、failed 或 expired。在准备任务元数据期间，初始响应可能仅包含回显的 request_id。

持久化输出

如果在临时交付窗口结束后仍需要，请将最终的 video.url 复制到自己的存储中。

授权

Authorization

string

header

必填

Use your CometAPI API key as the bearer value.

请求体

application/json

model

enum<string>

必填

The Grok video model ID. Send this field explicitly so the request uses Grok Imagine Video 1.5.

可用选项:

grok-imagine-video-1.5

示例:

"grok-imagine-video-1.5"

prompt

string

必填

A description of the scene, motion, and audio. Reference-to-video prompts can identify inputs with tags such as <IMAGE_0> and <AUDIO_0>.

Minimum string length: 1

示例:

"A paper boat glides across a quiet pond at sunrise."

duration

integer

默认值:8

The output duration in seconds. Use an integer from 1 through 15.

必填范围: 1 <= x <= 15

aspect_ratio

enum<string>

The output aspect ratio. Text-to-video uses 16:9 when omitted. Image-to-video uses the source image's aspect ratio when omitted.

可用选项:

1:1,

16:9,

9:16,

4:3,

3:4,

3:2,

2:3

示例:

"16:9"

resolution

enum<string>

默认值:480p

The output resolution. Reference-to-video requests support 480p and 720p; text-to-video and image-to-video also support 1080p.

可用选项:

480p,

720p,

1080p

image

object

The source image for image-to-video. Do not combine this field with reference_images or reference_audios.

Show child attributes

reference_images

object[]

Visual references for reference-to-video. Each item accepts a public image URL or image data URI. Do not combine this field with image.

Required array length: 1 - 7 elements

Show child attributes

reference_audios

object[]

Preset voice references for reference-to-video. Do not combine this field with image.

Required array length: 1 - 3 elements

Show child attributes

响应

200 - application/json

Request accepted.

request_id

string

必填

The deferred request ID used to poll GET /grok/v1/videos/{request_id}.

最后修改于 2026年8月21日

curl https://api.cometapi.com/grok/v1/videos/generations \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -H "Content-Type: application/json" \
  --data-binary '{
  "model": "grok-imagine-video-1.5",
  "prompt": "A paper boat glides across a quiet pond at sunrise.",
  "duration": 1,
  "aspect_ratio": "16:9",
  "resolution": "480p"
}'

{
  "request_id": "<request_id>"
}

内容审核

API 密钥

选择输入模式

先从小型请求开始

时长和分辨率

任务流程

授权

请求体

响应

​选择输入模式

​先从小型请求开始

​时长和分辨率

​任务流程

授权

请求体

响应

选择输入模式

先从小型请求开始

时长和分辨率

任务流程