Grok Imagine Video richtig prompten: das Modell, das nicht schweigen kann

Grok Imagine Video ist die Videoreihe von xAI, und das Erste, was du vor dem ersten Wort wissen solltest: Der Ton hat keinen Ausschalter. Bild und Ton entstehen gemeinsam in einem Durchgang, und keines der Modelle bietet einen Audio-Parameter. Sagt dein Prompt also nicht, wie der Clip klingt, entscheidet es das Modell. Auf LUVI gibt es Text zu Video, Bild zu Video, Referenz zu Video, Videobearbeitung und Videoverlängerung, dazu ein v1.5-Modell für Bild zu Video. Am 22. September 2026 lag ein Clip von acht Sekunden bei 800 Credits in 480p und 1120 in 720p.

Wie schreibe ich den Ton?

Jedes Mal in einer eigenen Wendung. Der Prompt-Leitfaden, den LUVI für diese Familie geschrieben hat, benennt den Fehler offen: Der Ton ist immer an, eine Stille-Markierung gibt es nicht, und ein Prompt ohne Tonangabe bekommt stummes oder zufälliges Audio. Schreib ihn also absichtlich – Musik, Effekte, die auf der Bewegung sitzen, Raumton oder eine gesprochene Zeile.

Bei Dialog hältst du die Zeile kurz und stellst ihr einen Hinweis zur Sprechweise voran. Ton ist die schwächste Schicht dieses Modells, lange Reden zerfallen. Für alles Übrige ist eine Sounddesign-Wendung am Ende der sauberste Ort.

A lighthouse keeper shoulders open a heavy iron door at dawn, wind dragging hard at his coat. Locked camera, cold blue light across wet stone, grainy 16mm look, sharp focus throughout. A weary mutter: "Still standing." AUDIO: howling wind, the hinge groaning, distant surf.

In welcher Reihenfolge schreibe ich den Prompt?

In der Reihenfolge des Ablaufs, das Wichtigste zuerst: Motiv, dann Aktion, dann Kamera, dann Umgebung und Licht, dann Stil, ganz zuletzt der Ton. Groks Maschine arbeitet autoregressiv, frühe Wörter wiegen also schwerer als späte. Die Aktion, wegen der du den Clip verwerfen würdest, gehört nach vorn und nicht unter drei Wendungen Stimmung.

Dreißig bis sechzig Wörter sind die brauchbare Spanne. Eine Hauptaktion und eine benannte Kamerabewegung pro Clip: Konkurrierende Bewegungen, ein Zoom auf einem Schwenk, zerreißen den Ablauf.

Warum hat „no blur“ mir Unschärfe gebracht?

Weil Verneinung in dieser Reihe überlesen wird. „No X“ bleibt eine Folge von Wörtern, die X beschreiben, und das Modell hat kein Feld für einen negativen Prompt, in das sie geleitet würden. Jeder Ausschluss muss als Anwesenheit dessen geschrieben werden, was du willst: „sharp focus throughout“ statt „no blur“, „an empty street at dawn“ statt „no people“, „smooth clear skin“ statt „no blemishes“.

Dieselbe Strenge gilt für Bewegung. Das Modell kann das Ausmaß nicht erschließen, „passing“ und „passing quickly“ sind zwei verschiedene Anweisungen. Nimm starke Verben und sag, wie viel: „sprints“, „surges“, „pitches forward“.

Welche Einstellungen gelingen ihm schlecht?

Drei, und sie zu kennen spart Credits. Große Körperbewegungen kommen ruckelig zurück. Sehr nahe Einstellungen und Makroarbeit an Händen verzerren. Lange gehaltene fotorealistische Einstellungen werden mit den Sekunden wächsern. Bevorzuge kurze Zeitmarken, angedeutete Bewegung und Reaktionseinstellungen statt anhaltender Ganzkörperaktion, und halte eine einzige Ästhetik pro Clip: Anime und Fotorealismus im selben Prompt ergeben deren Mittel, also keines von beiden.

Was machen die Parameter, und was kosten sie?

Drei, davon bewegen zwei den Preis.

• duration reicht von 1 bis 15 Sekunden, 8 als Vorgabe. Die Dokumentation von xAI nennt dieselbe Spanne und hält fest, dass die Videobearbeitung gar keine eigene Länge annimmt: Der bearbeitete Clip behält die des Originals, begrenzt auf 8,7 Sekunden. Auf LUVI zeigt sich das als Festpreis für das Bearbeitungsmodell statt als Sekundenpreis.
• resolution ist 480p oder 720p. xAIs Dokumentation erwähnt natives 1080p für Text zu Video auf v1.5, auf LUVI enden die Grok-Videomodelle jedoch bei 720p.
• aspect_ratio bietet sieben Werte, darunter 9:16 fürs Hochformat.

Länge und Auflösung skalieren beide die Rechnung: Dieselben acht Sekunden stiegen von 800 Credits in 480p auf 1120 in 720p. xAI beschreibt dieselbe Form: Videogenerierung wird pro Sekunde berechnet, und sowohl Dauer als auch Auflösung wirken auf die Gesamtkosten.

Was ändert sich mit einem Bild oder mit Referenzen?

Der Kader ist nicht länger deine Aufgabe. Mit einem Startbild stehen Bildaufbau, Licht, Stil und Identität fest: Schreib nur Bewegung, Kamera und Ton, und schließ mit einer Erhaltungswendung, wenn das Gesicht zählt – „keep the face and outfit unchanged.“ Bei Referenzen soll jede ein einzelnes, eigenes Element beisteuern: Figur, Requisite, Hintergrund oder Stil. Das Referenz-zu-Video-Modell nimmt auf LUVI bis zu sieben Bilder und Längen bis zehn statt fünfzehn Sekunden. Bei einer Verlängerung schreibst du nur, was als Nächstes geschieht; den Ausgangsclip zusammenzufassen bringt dem Modell nichts.

Wie wir geprüft haben

• Modelle: Grok Imagine Text zu Video, Referenz zu Video und Video v1.5 Bild zu Video; die Bearbeitungs- und Verlängerungsmodelle wurden aus dem Katalog gelesen.
• Einstellungen: Clips von acht Sekunden in 480p und 720p, jeweils 16:9.
• Datum und Gelesenes: 22. September 2026. Die Parameterverträge der Modelle und die Live-Angebote in Credits innerhalb von LUVI, der Prompt-Leitfaden, den LUVI für die Grok-Videofamilie geschrieben hat, sowie xAIs Dokumentation zur Videogenerierung.
• Ergebnisse: 800 Credits in 480p und 1120 in 720p für acht Sekunden. Kein Modell der Familie bot einen Audio-Parameter, und keines eine Auflösung über 720p. Für diesen Beitrag wurden keine Ausgaben generiert, er trifft also keine Aussage über die Qualität der Ergebnisse.
• Offen geblieben: Die beschriebenen Schwächen stammen aus LUVIs Prompt-Leitfaden, nicht aus einem veröffentlichten Test, und die Spanne von 30 bis 60 Wörtern ist eine Arbeitsspanne, kein gemessenes Optimum.

In LUVI

Wähl ein Modell auf der Seite der Grok-Imagine-Familie, schreib die Tonwendung, bevor du generierst, und lass die Feder den Prompt gegen LUVIs Prompt-Leitfaden prüfen – das ist der Schritt, der ein verirrtes „no“ und eine unbenannte Tonspur auffängt. Wenn du von Modellen kommst, bei denen der Ton ein Schalter ist, lohnt vorher ein Blick auf die Liste, welche Modelle Ton zusammen mit dem Video erzeugen: Die Gewohnheiten unterscheiden sich von Familie zu Familie.

Neue Konten starten mit 200 Credits, und bestätigst du Telefon und Karte, kommen bis zu 1.500 dazu. Du kannst ein LUVI-Konto anlegen und hören, was das Modell aus einer sauber geschriebenen Tonwendung macht.

Quellen

• Videogenerierung (auf Englisch), xAI, offizielle Entwicklerdokumentation. Abgerufen am 22. September 2026.
• Überblick zur Imagine-API (auf Englisch), xAI, offizielle Entwicklerdokumentation. Abgerufen am 22. September 2026.