Grok Imagine API: उदाहरणों सहित एक संपूर्ण Python गाइड

नोट: इस लेख का सारा कोड इस GitHub रिपॉजिटरी में मिल सकता है।

वीडियो डाउनलोड करना

उपरोक्त कोड वीडियो के जनरेट होने तक इंतजार करेगा, फिर वीडियो का URL प्रिंट करेगा। हम इस download_video() फ़ंक्शन का उपयोग करके वीडियो डाउनलोड भी कर सकते हैं:

import requests
from pathlib import Path
from urllib.parse import urlparse
def download_video(url: str, output_dir: str = "."):
    # Extract filename from URL
    filename = Path(urlparse(url).path).name
    if not filename:
        raise ValueError("Could not determine filename from URL")
output_path = Path(output_dir) / filename
with requests.get(url, stream=True) as r:
        r.raise_for_status()
        with open(output_path, "wb") as f:
            for chunk in r.iter_content(chunk_size=8192):
                if chunk:
                    f.write(chunk)
  print(f"Video saved to {output_path.resolve()}")संचालित द्वारा

इस फ़ंक्शन को परिभाषित करने के बाद, download_video(response.url) कॉल करने से वीडियो आपके वर्किंग डायरेक्टरी में डाउनलोड हो जाएगा।

वीडियो डाउनलोड सहित पूरा उदाहरण रिपॉजिटरी में मिल सकता है।

Grok Imagine API के साथ वीडियो जनरेट करना

हमने xAI API का उपयोग करके टेक्स्ट से वीडियो बनाना सीख लिया। अब, हम मॉडल की पूरी क्षमताओं का अन्वेषण करेंगे। अधिक जानकारी के लिए, आप हमेशा xAI दस्तावेज़ीकरण देख सकते हैं।

वीडियो जेनरेशन विकल्पों का अन्वेषण

वीडियो जनरेट करते समय Grok Imagine तीन मुख्य विकल्प प्रदान करता है:

• duration: वीडियो की अवधि सेकंड में, 1 से 15 तक की संख्या।

• aspect_ratio: वीडियो का अनुपात। मॉडल निम्नलिखित अनुपातों का समर्थन करता है: "1:1", "16:9", "9:16", "4:3", "3:4", "3:2", और "2:3"।

• resolution: वीडियो का रिज़ॉल्यूशन, या तो "720p" या "480p"।

यहाँ एक उदाहरण है कि हम API अनुरोध में उपरोक्त विकल्प कैसे सेट कर सकते हैं:

prompt = """
A person stands holding their phone, gazing at a stunning landscape 
photo on the screen. The image begins to subtly move and glow. 
Suddenly, the phone pulls them in, and they are sucked through the screen, 
transitioning seamlessly into the vast, breathtaking landscape itself.
"""
response = client.video.generate(
    prompt=prompt,
    model="grok-imagine-video",
    duration=15,
    aspect_ratio="9:16",
    resolution="480p",
)संचालित द्वारा

यह रहा परिणाम:

कम से कम कहें तो मुझे यह परिणाम निराशाजनक लगा।

इमेज से वीडियो जनरेट करना

AI इमेज जेनरेशन मॉडलों की सबसे शक्तिशाली विशेषताओं में से एक है उनकी इमेज से वीडियो जनरेट करने की क्षमता। यह वर्कफ़्लो, यदि हमारे पास एक बेस इमेज है, तो सुसंगत वीडियो बनाना बहुत आसान बना देता है, क्योंकि मॉडल को केवल मोशन जनरेट करना होता है। 

मान लीजिए कि आप किसी विशेष कैरेक्टर या व्यक्ति के साथ वीडियो बनाना चाहते हैं। एक इमेज प्रदान करने से, सैद्धांतिक रूप से, कम से कम, कैरेक्टर की शुद्धता सुनिश्चित होती है।

इमेज से वीडियो जनरेट करने के लिए, उस इमेज के URL के साथ image_url पैरामीटर का उपयोग करें जिसे हम इस्तेमाल करना चाहते हैं। उनके दस्तावेज़ के अनुसार, जब कोई इमेज दी जाती है, तो उसे वीडियो के पहले फ़्रेम के रूप में उपयोग किया जाएगा। हालाँकि, हमें यह सुनिश्चित करना होगा कि वह अनुरोधित आस्पेक्ट रेशियो से मेल खाती हो।

मैंने नीचे दी गई फोटो—जो मैंने कुछ समय पहले खींची थी—से समुद्र तट पर घोड़ों की सवारी करते लोगों का एक FPV ड्रोन शॉट जनरेट करने की कोशिश की। ध्यान दें कि इमेज को URL के रूप में प्रदान करने की आवश्यकता होने के कारण, हमें पहले इसे कहीं अपलोड करना होगा। मेरे मामले में, मैंने इस लेख से संबंधित GitHub रिपॉजिटरी का उपयोग किया।

prompt = """
A FPV drone shot of the people riding the horses on the beach.
"""
response = client.video.generate(
    prompt=prompt,
    model="grok-imagine-video",
    image_url="https://raw.githubusercontent.com/fran-aubry/grok-imagine-tutorial/refs/heads/main/resources/horses.jpeg",
)संचालित द्वारा

यह वह वीडियो है जो Grok Imagine ने जनरेट किया:

वीडियो में स्पष्ट AI आर्टिफैक्ट्स हैं, जैसे ऑब्जेक्ट का डुप्लीकेशन। इसके बावजूद, मॉडल ने वह शॉट समझ लिया जिसे हम जनरेट करना चाहते थे।

यहाँ एक और उदाहरण है जहाँ मैं एक इमेज को टाइमलैप्स में बदलने की कोशिश करता हूँ। मैंने इसे दो बार आज़माया क्योंकि पहले परिणाम में एक ऐसी बिल्डिंग जोड़ दी गई थी जो मूल इमेज में थी ही नहीं।

दूसरा प्रयास पहले की तुलना में अधिक सफल रहा, लेकिन यह अब भी AI आर्टिफैक्ट्स से भरा हुआ है।

तीसरे उदाहरण के रूप में, मैंने देखा कि Grok Imagine कैमरा मूवमेंट को कैसे संभालता है, इसके लिए मैंने फोटो को विषय पर ज़ूम करते हुए ऐनिमेट करने को कहा। मेरी राय में यह सबसे अच्छा काम किया।

Grok Imagine API के साथ वीडियो एडिट करना

Grok Imagine आपको टेक्स्ट प्रॉम्प्ट के आधार पर किसी मौजूदा वीडियो को एडिट करने देता है। इसका तरीका इमेज के आधार पर वीडियो जनरेट करने जैसा ही है। हम video_url पैरामीटर का उपयोग करके एडिट करने के लिए इच्छित वीडियो को URL के रूप में प्रदान करते हैं और प्रॉम्प्ट के साथ बदलावों का वर्णन करते हैं।

ध्यान दें कि वीडियो एडिट करते समय, इनपुट वीडियो की अधिकतम अवधि 8.7 सेकंड हो सकती है।

इसे परखने के लिए, मैंने Grok Imagine का उपयोग करके तीन गेंदों को जॉगल करते हुए एक व्यक्ति का वीडियो जनरेट किया।

फिर, मैंने उस वीडियो के URL का उपयोग करके मॉडल से गेंदों में आग जोड़ने को कहा। नीचे वीडियो एडिट करने का अनुरोध दिया गया है। पूरा कोड GitHub रिपॉजिटरी में मिल सकता है।

prompt = """
Add fire to the balls.
"""
response = client.video.generate(
    prompt=prompt,
    model="grok-imagine-video",
    video_url="https://vidgen.x.ai/xai-vidgen-bucket/xai-video-2109c762-efcb-415b-ab3c-661b1df113cd.mp4",
)संचालित द्वारा

मैंने तीसरा एडिट भी किया जिसमें मैंने व्यक्ति को बिल्ली से बदलने को कहा। यहाँ परिणाम हैं:

यह अंतिम उदाहरण है जिसमें मैंने तारों भरे आकाश की अपनी एक फोटो से शुरुआत की। मैंने Grok Imagine से कहा कि पगडंडी पर चलते हुए दो ट्रेकर जोड़ें, जो तारों की प्रशंसा करने के लिए रुकते हैं। अंत में, मैंने उस वीडियो को इनपुट के रूप में इस्तेमाल किया और उसे बर्फ़ीला बनाने के लिए एडिट करने को कहा।

यह एक और उदाहरण है जहाँ परिणाम काफ़ी खराब हैं। पहले वीडियो में एक नया रास्ता बना दिया गया जो दृश्य के साथ असंगत है। बर्फ़ वाला एडिट पहले तो अच्छा लगा, लेकिन फिर एहसास हुआ कि पृष्ठभूमि को बिना बदले छोड़ दिया गया, जिससे अब बर्फ़ीले अग्रभूमि के साथ असंगतता हो गई।

निष्कर्ष

यह देखना उत्साहजनक है कि अधिक वीडियो मॉडल API एक्सेस के साथ आ रहे हैं, क्योंकि इससे हम जो बना और स्वचालित कर सकते हैं, वह सचमुच विस्तृत होता है—त्वरित प्रोटोटाइप से लेकर पूर्ण पाइपलाइनों तक।

Grok Imagine की API सेट अप और कॉल करने में सुखद रूप से सरल है, लेकिन कुछ रुकावटें भी हैं। सबसे उल्लेखनीय, इमेज और वीडियो को URL के माध्यम से पास करने की आवश्यकता बुनियादी वर्कफ़्लोज़ (जैसे लोकल एसेट्स पर इटरेशन) को आवश्यकता से अधिक बोझिल बना देती है।

व्यवहार में, मेरे परिणाम ऊँचे दावों की तुलना में निराशाजनक रहे: टेक्स्ट-टू-वीडियो अक्सर निशाने से चूक गया, और इमेज-टू-वीडियो में स्पष्ट आर्टिफैक्ट्स और असंगतताएँ आईं। एक क्षेत्र जहाँ यह बेहतर दिखा, वह एडिटिंग था, जहाँ प्रॉम्प्ट-चालित बदलाव अधिक विश्वसनीय और नियंत्रण योग्य लगे।

Grok Imagine का एक बहुत ही मजबूत पक्ष इसकी गति है। मैंने बहुत से AI वीडियो जेनरेशन मॉडल इस्तेमाल किए हैं, और मेरे अनुभव में, Grok Imagine अब तक का सबसे तेज़ है।

मैं इस क्षेत्र की दिशा को लेकर आशावादी हूँ, पर फिलहाल Grok Imagine एक सर्वश्रेष्ठ जनरेटर की बजाय एक आशाजनक एडिटर जैसा लगता है, और मुझे उम्मीद है कि भविष्य के अपडेट इनपुट विकल्पों का दायरा बढ़ाएँगे और कोर जेनरेशन गुणवत्ता को बेहतर करेंगे।

जो लोग AI वीडियो जेनरेशन में उपयोग की जाने वाली तकनीकों के बारे में अधिक जानना चाहते हैं, उनके लिए मैं हमारे AI Fundamentals स्किल ट्रैक में नामांकन की सलाह देता हूँ।