پہلا فریم آپ کی تصویر ہے
پہلے فریم والے آرڈر ہم xAI کے نیٹو image-to-video اینڈ پوائنٹ پر بھیجتے ہیں، اور ہم نے نتیجہ فریم بہ فریم جانچا ہے: ابتدائی فریم اِن پٹ امیج ہی ہے، اس کی کوئی نئی تعبیر نہیں۔
ماڈل · xAI Grok Imagine Video 1.5
Grok Imagine Video 1.5 — ایک تصویر جو بولنے لگتی ہے
xAI کا ویڈیو ماڈل، اور وہ کام جو یہ یہاں کسی بھی اور سے بہتر کرتا ہے: یہ آپ کی تصویر سے کھلتا ہے اور آپ کی لائن بولتا ہے۔ اسے ایک پورٹریٹ اور واوین میں ایک جملہ دیں، اور کلپ کا پہلا فریم وہی پورٹریٹ ہوتا ہے، جملہ بلند آواز میں بولا جاتا ہے اور ہونٹ اس سے ملتے ہیں۔ کلپس 4 سے 15 سیکنڈ کے ہوتے ہیں، کسی بھی پورے سیکنڈ کی لمبائی میں، 720p یا 1080p پر، پانچ اسپیکٹ ریشوز میں۔ آپ فی سیکنڈ ادائیگی کرتے ہیں — 720p پر $0.14، 1080p پر $0.25 — وہی شرحیں جو xAI اپنی API کے لیے بتاتا ہے۔ کرپٹو یا کارڈ، کوئی سبسکرپشن نہیں۔
01یہ ہے کیا
Grok Imagine Video 1.5 کیا ہے؟
Grok Imagine Video 1.5 xAI کا ویڈیو جنریشن ماڈل ہے — وہی جو Grok Imagine کے ویڈیو حصے کے پیچھے ہے — اور یہ ایک پرامپٹ کو، یا ایک ساکت امیج اور پرامپٹ کو، 15 سیکنڈ تک کے کلپ میں بدلتا ہے جس میں آواز اسی پاس میں رینڈر ہوتی ہے۔ یہ جون 2026 سے xAI API میں ہے اور 16 ستمبر 2026 سے BananaBanana پر، اور باقی ہر ماڈل والے اسی بیلنس سے ادائیگی ہوتی ہے۔ ہم xAI کی اپنی فی سیکنڈ شرحیں لیتے ہیں، 720p پر $0.14 اور 1080p پر $0.25، اور xAI ہر اِن پٹ امیج پر جو فیس جوڑتا ہے وہ آپ پر نہیں ڈالتے۔
یہ اصل میں کس چیز میں اچھا ہے؟
مکالمے اور پہلے فریم میں۔ واوین میں لکھی لائن بولی جاتی ہے، لِپ سنک ہوتی ہے اور گفتگو کی سطح پر مکس ہوتی ہے — کریئیٹر طرز کے اشتہار کو یہی چاہیے۔ اور جب آپ اسے پہلے فریم کے طور پر تصویر دیتے ہیں تو کلپ اسی تصویر سے کھلتا ہے — وہی شخص، وہی کمرہ، سویٹر پر وہی نمونہ — دوبارہ اسٹیج کیے گئے کسی ہم شکل سے نہیں۔ صرف متن والے پرامپٹ بھی چلتے ہیں، اور عمودی فارمیٹ سچا ہے: 1080p پر 9:16 کا آرڈر 1088×1920 کی فائل کے طور پر واپس آیا، کراپ کیے ہوئے افقی رینڈر کے طور پر نہیں۔
02یہ اچھا کیا کرتا ہے
خرچ کرنے سے پہلے جاننے کے قابل چھ باتیں
بولی گئی لائنیں، لِپ سنک کے ساتھ
جملے کو واوین میں رکھیں اور ماڈل اسے بول دیتا ہے۔ آڈیو ہمیشہ آن ہے اور ہمیشہ قیمت میں شامل ہے؛ نہ کوئی خاموش ٹیئر ہے، نہ آواز کے لیے کچھ اضافی۔
4 سے 15 سیکنڈ تک کوئی بھی لمبائی
تین دورانیوں کا مینو نہیں: رینج کا ہر پورا سیکنڈ۔ مکالمے کی ایک لائن کے لیے سات سیکنڈ، دو کے لیے گیارہ، اور ادائیگی ٹھیک اتنے کی۔
پانچ اسپیکٹ ریشو
16:9، 9:16، 1:1، 3:2 اور 2:3۔ مربع اور 3:2 ایسے فارمیٹ ہیں جنہیں یہاں کے باقی ویڈیو ماڈلز رینڈر ہی نہیں کرتے۔
7 تک ریفرنس امیجز
ریفرنس موضوع اور جگہ کو سمت دیتے ہیں، جبکہ منظر ماڈل خود ترتیب دیتا ہے۔ یہ پہلے فریم کا متبادل ہیں، اس کا اضافہ نہیں — دونوں میں سے ایک بھیجیں۔
دو پرائس ٹیئر
720p پر $0.14 فی سیکنڈ، 1080p پر $0.25۔ پرامپٹ 720p پر پکا کریں، پھر رکھنے والا text-to-video 1080p پر ایک بار رینڈر کریں۔
03کھلی کھلی حدود
Grok جو نہیں کرے گا
یہاں امیج سے شروع ہونے والے کلپس 720p پر چلتے ہیں۔ xAI ریفرنس سے رہنمائی پانے والی ویڈیو کو 720p تک محدود رکھتا ہے، اور پہلے فریم کا جو راستہ ہمیں دستیاب ہے وہ ابھی 1080p نہیں لیتا، اس لیے 1080p text-to-video کے لیے ہے۔ آپ سے 1080p کی شرح لے کر چھوٹی فائل دینے کے بجائے ہم اس امتزاج کو کچھ بھی چارج ہونے سے پہلے ہی مسترد کر دیتے ہیں؛ اسٹوڈیو میں 1080p چنتے ہی امیج سلاٹس ایک نوٹ کے ساتھ بند ہو جاتے ہیں۔ پہلا فریم اور ریفرنس امیجز ساتھ نہیں چل سکتے۔ نہ آخری فریم ہے، نہ seed، نہ نیگیٹو پرامپٹ، نہ ویڈیو اِن پٹ۔
15 سیکنڈ سب سے لمبا واحد رینڈر ہے، اور اس کے بعد نہ extend ہے نہ ایڈٹ — چالیس سیکنڈ کا اشتہار یعنی تین کلپس اور ایک کٹ۔ آڈیو گفتار اور نام لے کر بتائی گئی آوازوں میں مضبوط ہے اور مبہم ماحول میں کمزور: ”soft ambient kitchen sounds“ لگ بھگ −50 dB پر واپس آیا، یعنی خاموشی۔ کسی آواز کا نام لیں (”a kettle starting to whistle off-screen“) یا ایڈٹ میں کمرے کی آواز شامل کریں۔ پرامپٹ کی حد 2048 حروف ہے۔ اگر آپ کو ایک ٹیک میں آدھا منٹ، ریفرنس کلپس یا seed چاہییں تو Wan 3.0 یہ سب دیتا ہے؛ اگر آپ تیار کلپ کو تبدیلی بیان کر کے بدلنا چاہتے ہیں تو وہ Gemini Omni Flash ہے۔
04چلائیں کیسے
تصویر سے کلپ تک تین مراحل میں
وہ فریم بنائیں جس سے آپ آغاز کرنا چاہتے ہیں
ایک پورٹریٹ، ہاتھ میں پروڈکٹ، پیچھے کمرہ۔ یہیں جنریٹ کریں یا اپنی امیج اپ لوڈ کریں۔ اس تصویر میں جو کچھ ہے کلپ اسی سے شروع ہوتا ہے، اس لیے حرکت کے پیسے دینے سے پہلے فریم ٹھیک کر لیں۔
ایک جملہ، واوین میں ایک لائن، کیمرے کا ایک نوٹ
بتائیں کہ فریم میں کون ہے، بولی جانے والی لائن واوین میں رکھیں، پھر بتائیں کہ کیمرا کیسے حرکت کرتا ہے۔ ”Natural handheld motion, quiet room tone“ کافی ہے۔ اسے 2048 حروف کے اندر رکھیں۔
جتنے سیکنڈ آرڈر کیے، اتنے کی ادائیگی
720p پر چار سیکنڈ $0.56 کے ہیں۔ جاب شروع ہوتے ہی بیلنس سے رقم کٹتی ہے، اور ناکامی یا فلٹر کے انکار پر خود بخود واپس آ جاتی ہے۔ کرپٹو یا کارڈ سے ٹاپ اپ کریں؛ کوئی ماہانہ فیس نہیں۔
05قیمتیں
ایک کلپ اصل میں کتنے کی پڑتی ہے
| ماڈل | 4 سیکنڈ | 8 سیکنڈ | 15 سیکنڈ | آواز |
|---|---|---|---|---|
| Grok Imagine Video 1.5 · 720p$0.14/سیکنڈ — پہلا فریم، ریفرنس، ڈرافٹس | $0.56 | $1.12 | $2.10 | ہمیشہ آن، شامل |
| Grok Imagine Video 1.5 · 1080p$0.25/سیکنڈ — صرف text-to-video | $1.00 | $2.00 | $3.75 | ہمیشہ آن، شامل |
| Wan 3.0 · 720pAlibaba کا ماڈل، 30 سیکنڈ تک | $0.40 | $0.80 | $1.50 | شامل، مفت |
| Veo 3.1 Fast · 720pGoogle کا ماڈل، صرف 4–8 سیکنڈ | $0.35 | $0.70 | — | الگ سے قیمت |
| Gemini Omni Flash · 720pGoogle کا ماڈل، فی سیکنڈ، 3–10 سیکنڈ | $0.40 | $0.80 | — | ہمیشہ آن |
قیمتیں فی تیار کلپ ہیں اور ان میں آڈیو ٹریک شامل ہے۔ اِن پٹ امیجز مفت ہیں۔ ڈیش کا مطلب ہے کہ ماڈل وہ لمبائی ایک رن میں رینڈر نہیں کر سکتا۔ $50 کے ڈپازٹ پر بیلنس میں 5% اور $100 پر 10% جڑتا ہے؛ فعال پرومو کوڈ اسی ڈپازٹ پر مزید 10% جوڑتا ہے۔
ہر ماڈل کا مکمل جدول قیمتوں کے صفحے پر موجود ہے۔
06آگے پڑھیں
گہرائی میں جانے والی رہنمائی
تصویر کو ویڈیو میں بدلنا
ابتدائی فریم، اختتامی فریم اور لوپ دراصل کیسا برتاؤ کرتے ہیں، اُنہی پرامپٹس کے ساتھ جن سے یہ بنے۔
گائیڈ پڑھیںویڈیو ماڈلز کے لیے پرامپٹ لکھنا
کیمرے کی زبان، روشنی، حرکت۔ لکھا Veo کے لیے گیا ہے، مگر ڈھانچہ Wan پر تقریباً جوں کا توں چلتا ہے۔
گائیڈ پڑھیںGemini Omni Flash کا جائزہ
وہ ماڈل جس کی طرف تب جائیں جب کلپ کو نیا پرامپٹ لکھ کر نہیں، بات کر کے بدلنا ہو۔
گائیڈ پڑھیں07عام سوالات
وہ سوال جو لوگ واقعی پوچھتے ہیں
کیا Grok Imagine Video 1.5 آواز بناتا ہے؟
جی ہاں، ہمیشہ۔ واوین میں لکھا مکالمہ لِپ سنک کے ساتھ بولا جاتا ہے، اور نام لے کر بتائے گئے ساؤنڈ ایفیکٹس رینڈر ہوتے ہیں۔ مبہم ماحول والی درخواستیں اکثر تقریباً خاموش واپس آتی ہیں، اس لیے ضرورت ہو تو کسی مخصوص آواز کا نام لیں۔ آواز قیمت میں شامل ہے۔
Grok کا ایک کلپ کتنے کا پڑتا ہے؟
آپ فی سیکنڈ ادائیگی کرتے ہیں: 720p پر $0.14 اور 1080p پر $0.25، وہی شرحیں جو xAI اپنی API پر لیتا ہے۔ تو 720p پر چار سیکنڈ $0.56 کے ہیں، آٹھ سیکنڈ ریزولوشن کے حساب سے $1.12 یا $2.00 کے، اور زیادہ سے زیادہ — 1080p پر 15 سیکنڈ — $3.75 کا۔ یہاں اِن پٹ امیجز پر کچھ اضافی نہیں لگتا۔
مکمل جواب پڑھیںکیا میں اپنی تصویر کو 1080p پر متحرک کر سکتا ہوں؟
آج نہیں۔ پہلے فریم سے شروع ہونے والے یا ریفرنس امیجز والے کلپس 720p کے ہوتے ہیں: xAI ریفرنس سے رہنمائی پانے والی ویڈیو کو 720p تک محدود رکھتا ہے، اور پہلے فریم کا جو نیٹو راستہ ہماری رسائی میں ہے وہ ابھی 1080p نہیں لیتا۔ زیادہ قیمت پر چھوٹی فائل دینے کے بجائے ہم امیج والے 1080p آرڈر کو چارج کرنے سے پہلے ہی مسترد کر دیتے ہیں۔ 1080p text-to-video کے لیے کام کرتا ہے۔
کیا میں کلپ کو 15 سیکنڈ سے آگے بڑھا سکتا ہوں؟
اس ماڈل پر نہیں۔ فی کلپ 15 سیکنڈ تک رینڈر کریں اور لمبے حصے ایڈٹ میں جوڑیں، یا 30 سیکنڈ تک کے ایک ٹیک کے لیے Wan 3.0 استعمال کریں، یا Gemini Omni Flash جو اپنے ہی کلپس کو 40 سیکنڈ تک بڑھاتا ہے۔
کیا یہ آخری فریم یا seed لیتا ہے؟
نہیں۔ یہ ایک پہلا فریم یا 7 تک ریفرنس امیجز لیتا ہے، بس۔ پہلے اور آخری فریم کے کنٹرول کے لیے Veo 3.1، Omni یا Wan 3.0 استعمال کریں؛ seed کے لیے Veo یا Wan۔
جنریشن ناکام ہو جائے تو کیا ہوتا ہے؟
پوری رقم خود بخود آپ کے بیلنس میں واپس آ جاتی ہے، کانٹینٹ فلٹر کے انکار سمیت۔ پلیٹ فارم کے ہر ماڈل کے لیے یہی اصول ہے۔
مکمل جواب پڑھیںکیا Grok کی ویڈیوز تجارتی طور پر استعمال ہو سکتی ہیں؟
جی ہاں۔ جو آپ بناتے ہیں وہ آپ کا ہے، بشمول کلائنٹ اور تجارتی کام، بشرطیکہ ہماری شرائط میں دیے گئے مواد کے قواعد کی پابندی ہو۔ آؤٹ پٹ پر کوئی واٹر مارک نہیں اور الگ سے کوئی لائسنس خریدنا نہیں پڑتا۔
ایک تصویر، ایک لائن
نئے اکاؤنٹس بیلنس میں $0.20 کے ساتھ شروع ہوتے ہیں — پہلا فریم بنانے کے لیے کافی۔ کلپس $0.56 سے، کوئی سبسکرپشن نہیں، کوئی پابندی نہیں۔