Cómo escribir prompts para Grok Imagine Video: el modelo que no puede quedarse callado

Grok Imagine Video es la línea de video de xAI, y lo primero que conviene saber, antes de escribir una sola palabra, es que su audio no tiene interruptor de apagado. Imagen y sonido se generan juntos en una sola pasada y ninguno de los modelos expone un parámetro de audio: si tu prompt no dice cómo suena el clip, lo decide el modelo. En LUVI está como texto a video, imagen a video, referencia a video, edición de video y extensión de video, más un modelo v1.5 de imagen a video. El 22 de septiembre de 2026, un clip de ocho segundos cotizó 800 créditos en 480p y 1120 en 720p.

¿Cómo escribo el sonido?

Como una cláusula propia, siempre. La guía de prompts de LUVI para esta familia lo dice sin rodeos: el audio está siempre activo y no hay bandera de silencio, así que un prompt que no especifica el sonido recibe audio mudo o aleatorio. Escríbelo a propósito: música, efectos ajustados al movimiento, ambiente de sala o una línea hablada.

Para el diálogo, deja la frase corta y ponle delante una indicación de entrega. El audio es la capa más débil de este modelo y los parlamentos largos se deshacen. Para todo lo demás, el lugar más limpio es una cláusula de diseño sonoro al final.

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.

¿En qué orden va el prompt?

En orden de línea de tiempo, con lo importante primero: sujeto, luego acción, luego cámara, luego entorno e iluminación, luego estilo y al final el audio. El motor de Grok es autorregresivo, es decir que las palabras iniciales pesan más que las finales: la acción por la que rechazarías el clip va cerca del comienzo, no enterrada bajo tres cláusulas de ambiente.

De treinta a sesenta palabras es el rango que funciona. Una acción principal y un movimiento de cámara nombrado por clip: los movimientos que se pelean, como un zoom encima de un paneo, rompen el desplazamiento.

¿Por qué "no blur" me devolvió desenfoque?

Porque en esta línea la negación se ignora. "No X" sigue siendo un conjunto de palabras que describen X, y el modelo no tiene un campo de prompt negativo adonde mandarlas. Cada exclusión hay que reescribirla como la presencia de lo que quieres: "sharp focus throughout" en lugar de "no blur", "an empty street at dawn" en lugar de "no people", "smooth clear skin" en lugar de "no blemishes".

La misma disciplina aplica al movimiento. El modelo no puede deducir la magnitud, así que "passing" y "passing quickly" son instrucciones distintas: usa verbos fuertes y di cuánto. "Sprints", "surges", "pitches forward".

¿Qué planos le salen mal?

Tres, y conocerlos ahorra créditos. Los movimientos amplios de cuerpo entero salen bruscos. Los primerísimos planos y el trabajo macro de manos se deforman. Los planos fotorrealistas sostenidos se vuelven cerosos a medida que corren los segundos. Prefiere tiempos cortos, movimiento insinuado y planos de reacción antes que acción corporal sostenida, y elige una sola estética por clip: mezclar anime y fotorrealismo en un mismo prompt devuelve el promedio de ambos, que no es ninguno.

¿Qué hacen los parámetros y cuánto cuestan?

Son tres, y dos mueven el precio.

• duration va de 1 a 15 segundos, con 8 por defecto. La documentación de xAI da el mismo rango y señala que la edición de video no acepta una duración propia: el clip editado conserva la del original, con un tope de 8.7 segundos. En LUVI eso se ve como un precio fijo para el modelo de edición en lugar de uno por segundo.
• resolution es 480p o 720p. La documentación de xAI menciona 1080p nativo para texto a video en v1.5, pero en LUVI los modelos de video de Grok llegan hasta 720p.
• aspect_ratio ofrece siete valores, incluido 9:16 para vertical.

La duración y la resolución escalan la cuenta: los mismos ocho segundos pasaron de 800 créditos en 480p a 1120 en 720p. xAI describe la misma forma: la generación de video usa precio por segundo y tanto la duración como la resolución afectan el costo total.

¿Qué cambia con una imagen o con referencias?

El cuadro deja de ser tu tarea. Con una imagen inicial, la composición, la iluminación, el estilo y la identidad quedan fijos: escribe solo movimiento, cámara y audio, y cierra con una cláusula de preservación cuando la cara importa: "keep the face and outfit unchanged." Con referencias, cada una debe aportar un elemento distinto (personaje, objeto, fondo o estilo), y el modelo de referencia a video en LUVI acepta hasta siete imágenes, con duraciones de hasta diez segundos en lugar de quince. En una extensión, escribe solo lo que sigue: resumir el clip original no le aporta nada al modelo.

Cómo lo verificamos

• Modelos: Grok Imagine Texto a Video, Referencia a Video y Video v1.5 Imagen a Video; los modelos de edición y extensión se leyeron del catálogo.
• Configuración: clips de ocho segundos en 480p y 720p, en 16:9.
• Fecha y qué se leyó: 22 de septiembre de 2026. Los contratos de parámetros de los modelos y las cotizaciones de créditos en vivo dentro de LUVI, la guía de prompts que LUVI escribió para la familia de video de Grok y la documentación de generación de video de xAI.
• Resultados: 800 créditos en 480p y 1120 en 720p por ocho segundos. Ningún modelo de la familia expuso un parámetro de audio, y ninguno ofreció una resolución superior a 720p. No se generó ninguna salida para este artículo, así que no afirma nada sobre la calidad de los resultados.
• Limitaciones: las fallas descritas vienen de la guía de prompts de LUVI, no de una prueba publicada, y el rango de 30 a 60 palabras es de trabajo, no un óptimo medido.

En LUVI

Elige un modelo en la página de la familia Grok Imagine, escribe la cláusula de audio antes de generar y deja que el botón de la pluma revise el prompt contra la guía de prompts de LUVI: es el paso que atrapa un "no" perdido y una banda sonora sin nombrar. Si vienes de modelos donde el audio es un interruptor, conviene mirar antes la lista de qué modelos generan sonido junto con el video, porque las costumbres cambian de familia en familia.

Las cuentas nuevas arrancan con 200 créditos y pueden sumar hasta 1,500 más verificando un teléfono y una tarjeta. Puedes crear una cuenta de LUVI y escuchar qué hace el modelo con una línea de audio bien escrita.

Fuentes

• Generación de video (en inglés). xAI, documentación oficial para desarrolladores. Consultado el 22 de septiembre de 2026.
• Panorama de la API Imagine (en inglés). xAI, documentación oficial para desarrolladores. Consultado el 22 de septiembre de 2026.