Comment écrire un prompt pour Grok Imagine Video : le modèle qui ne peut pas se taire

Grok Imagine Video est la gamme vidéo de xAI, et la première chose à savoir, avant d’écrire quoi que ce soit, c’est que son audio n’a pas d’interrupteur. L’image et le son sont générés ensemble en un seul passage, et aucun des modèles n’expose de paramètre audio : si votre prompt ne dit pas comment le clip sonne, le modèle décide à votre place. Sur LUVI, il existe en texte vers vidéo, image vers vidéo, référence vers vidéo, retouche vidéo et prolongation, plus un modèle v1.5 image vers vidéo. Le 22 septembre 2026, un clip de huit secondes était devisé à 800 crédits en 480p et 1 120 en 720p.

Comment écrire le son ?

Dans une clause à lui, à chaque fois. Le guide de prompts de LUVI pour cette famille nomme le raté sans détour : l’audio est toujours actif et il n’existe aucun indicateur de silence, si bien qu’un prompt qui ne précise pas le son reçoit un audio muet ou aléatoire. Écrivez-le délibérément : musique, effets calés sur le mouvement, son d’ambiance ou réplique parlée.

Pour un dialogue, gardez la réplique courte et placez devant elle une indication de jeu. L’audio est la couche la plus fragile de ce modèle et les longues tirades se délitent. Pour tout le reste, l’endroit le plus net reste une clause de sound design en fin de prompt.

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.

Dans quel ordre écrire le prompt ?

Dans l’ordre de la ligne de temps, l’essentiel en premier : sujet, puis action, puis caméra, puis décor et lumière, puis style, et l’audio en dernier. Le moteur de Grok est autorégressif, donc les premiers mots pèsent plus que les derniers : l’action pour laquelle vous rejetteriez le clip se place près du début, pas sous trois clauses d’atmosphère.

Trente à soixante mots forment la plage utile. Une action principale et un mouvement de caméra nommé par clip : des mouvements concurrents, un zoom empilé sur un panoramique, cassent le déplacement.

Pourquoi « no blur » m’a-t-il rendu du flou ?

Parce que la négation est ignorée sur cette gamme. « No X » reste une suite de mots décrivant X, et le modèle n’a aucun champ de prompt négatif où les router. Chaque exclusion doit être réécrite comme la présence de ce que vous voulez : « sharp focus throughout » au lieu de « no blur », « an empty street at dawn » au lieu de « no people », « smooth clear skin » au lieu de « no blemishes ».

La même rigueur vaut pour le mouvement. Le modèle ne peut pas en déduire l’ampleur : « passing » et « passing quickly » sont deux instructions différentes. Employez des verbes forts et dites combien : « sprints », « surges », « pitches forward ».

Quels plans lui posent problème ?

Trois, et les connaître économise des crédits. Les grands mouvements du corps reviennent saccadés. Les très gros plans et le travail macro sur les mains se déforment. Les plans photoréalistes tenus longtemps deviennent cireux à mesure que les secondes passent. Préférez les temps courts, le mouvement suggéré et les plans de réaction à l’action corporelle prolongée, et tenez une seule esthétique par clip : mélanger anime et photoréalisme dans un même prompt en donne la moyenne, c’est-à-dire ni l’un ni l’autre.

Que font les paramètres, et que coûtent-ils ?

Trois, dont deux déplacent le prix.

• duration va de 1 à 15 secondes, 8 par défaut. La documentation de xAI donne la même plage et précise que la retouche vidéo n’accepte pas de durée propre : le clip retouché conserve celle de l’original, plafonnée à 8,7 secondes. Sur LUVI, cela se traduit par un prix fixe pour le modèle de retouche plutôt qu’un prix à la seconde.
• resolution vaut 480p ou 720p. La documentation de xAI évoque du 1080p natif pour le texte vers vidéo en v1.5, mais sur LUVI les modèles vidéo de Grok plafonnent à 720p.
• aspect_ratio propose sept valeurs, dont 9:16 pour le vertical.

La durée comme la résolution font monter la note : les mêmes huit secondes sont passées de 800 crédits en 480p à 1 120 en 720p. xAI décrit la même mécanique : la génération vidéo est facturée à la seconde, et la durée comme la résolution pèsent sur le coût total.

Qu’est-ce qui change avec une image ou des références ?

Le cadre cesse d’être votre travail. Avec une image de départ, la composition, la lumière, le style et l’identité sont fixés : n’écrivez que le mouvement, la caméra et l’audio, et terminez par une clause de préservation quand le visage compte, « keep the face and outfit unchanged. » Avec des références, chacune doit porter un élément distinct – personnage, accessoire, décor ou style – et le modèle référence vers vidéo accepte sur LUVI jusqu’à sept images, avec des durées allant jusqu’à dix secondes plutôt que quinze. Pour une prolongation, n’écrivez que la suite : résumer le clip source n’apporte rien au modèle.

Comment nous avons vérifié

• Modèles : Grok Imagine Texte vers vidéo, Référence vers vidéo et Video v1.5 Image vers vidéo ; les modèles de retouche et de prolongation ont été lus dans le catalogue.
• Réglages : clips de huit secondes en 480p et 720p, en 16:9.
• Date et sources lues : 22 septembre 2026. Les contrats de paramètres des modèles et les devis en crédits obtenus en direct dans LUVI, le guide de prompts rédigé par LUVI pour la famille vidéo de Grok, et la documentation de génération vidéo de xAI.
• Résultats : 800 crédits en 480p et 1 120 en 720p pour huit secondes. Aucun modèle de la famille n’exposait de paramètre audio, et aucun n’offrait de résolution supérieure à 720p. Aucune sortie n’a été générée pour cet article, qui n’avance donc rien sur la qualité des résultats.
• Limites : les défauts décrits proviennent du guide de prompts de LUVI et non d’un test publié, et la plage de 30 à 60 mots est une plage de travail, pas un optimum mesuré.

Dans LUVI

Choisissez un modèle sur la page de la famille Grok Imagine, écrivez la clause audio avant de générer et laissez le bouton en forme de plume confronter le prompt au guide de prompts de LUVI : c’est l’étape qui repère un « no » égaré et une bande-son sans nom. Si vous venez de modèles où l’audio est un interrupteur, jetez d’abord un œil à la liste des modèles qui génèrent le son avec la vidéo : les habitudes diffèrent d’une famille à l’autre.

Les nouveaux comptes démarrent avec 200 crédits, et vérifier votre téléphone et une carte vous en rapporte jusqu’à 1 500 de plus. Vous pouvez créer un compte LUVI et entendre ce que le modèle fait d’une ligne audio correctement écrite.

Sources

• Génération vidéo (en anglais) – xAI, documentation officielle pour développeurs. Consulté le 22 septembre 2026.
• Présentation de l’API Imagine (en anglais) – xAI, documentation officielle pour développeurs. Consulté le 22 septembre 2026.