Images de référence et images épinglées

Leçon réécrite le 2 novembre 2026 d’après la documentation Reference-to-Video de xAI : les images de référence servent à faire apparaître des personnes, des objets ou des vêtements précis, que le prompt désigne par <IMAGE_0>, <IMAGE_1>… — et non à imposer un simple style ; sur grok-imagine-video-1.5, elles peuvent désormais accompagner image, une dernière image épinglée, des images clés et des voix. L’ancienne version affirmait que image et reference_images étaient incompatibles. Sources : Reference-to-Video · Référence Videos.

Nourrir le modèle avec du visuel

L’animation directe d’une image n’est pas la seule manière de donner du visuel au modèle. L’API vidéo de xAI propose un second mécanisme, les images de référence : au lieu d’être mises en mouvement telles quelles, elles fournissent des éléments que la vidéo doit faire apparaître — une personne, un produit, un vêtement —, sans figer le premier plan. Comprendre la frontière entre image et reference_images est la clé de cette leçon.

Deux paramètres, deux intentions

Le paramètre image fournit l’image à animer : elle devient la première image de la vidéo, et son contenu est mis en mouvement. C’est l’image-to-video des leçons précédentes.

Le paramètre reference_images fournit des images dont le modèle reprend des éléments : le visage d’un mannequin, une chemise, une bouteille de parfum. La scène, elle, suit votre prompt. xAI cite trois usages typiques : l’essayage virtuel, le placement de produit et les histoires à personnages récurrents. Chaque référence est une URL HTTPS publique, des données encodées en base64 ou le file_id d’un fichier téléversé, et les trois formes peuvent se mêler dans une requête.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "Travelling lent sur un plateau de défilé blanc. Le mannequin de <IMAGE_0> entre par le fond et s'avance vers la caméra ; il porte la chemise de <IMAGE_1> et un jean noir. Ralenti, haute qualité, visages détaillés.",
  "reference_images": [
    {"url": "https://exemple.com/mannequin.jpg"},
    {"url": "https://exemple.com/chemise.jpg"}
  ],
  "duration": 10,
  "aspect_ratio": "16:9",
  "resolution": "720p"
}

Citer les références dans le prompt

Le prompt désigne chaque référence par sa position dans la liste : <IMAGE_0> pour la première, <IMAGE_1> pour la deuxième, et ainsi de suite. Si vous fournissez aussi image pour épingler la première image, c’est elle qui prend <IMAGE_0>, et vos références commencent à <IMAGE_1>.

Avec plusieurs références, xAI recommande de donner à chacune un seul rôle et une place fixe dans la scène, de garder une distribution réduite et des accessoires immobiles. Une référence qui sert à la fois de personnage et de décor, ou dix objets qui bougent en même temps, produisent des scènes confuses.

Les règles du jeu

Une requête de ce type doit contenir au moins une image de référence, une voix, une dernière image ou une image clé.

Épingler des images précises (grok-imagine-video-1.5)

Sur grok-imagine-video-1.5, vous pouvez fixer des images exactes à des moments donnés de la vidéo :

• image et last_frame ensemble : la vidéo part de la première image et arrive sur la dernière, le modèle interpolant entre les deux
• last_frame seul : le modèle invente l’ouverture et atterrit sur l’image épinglée
• last_frame avec des références ou des voix : la dernière image est épinglée, les références guident le reste ; ajoutez image pour épingler aussi la première
• keyframes : jusqu’à quatre images clés, chacune avec un timestamp_s strictement compris entre 0 et la durée de la vidéo ; les ancrages se calent sur une grille d’un tiers de seconde, et deux images clés doivent donc être espacées d’au moins un tiers de seconde

{
  "model": "grok-imagine-video-1.5",
  "prompt": "La fleur s'ouvre lentement sous la lumière du matin",
  "image": {"url": "https://exemple.com/bouton-ferme.jpg"},
  "last_frame": {"url": "https://exemple.com/fleur-ouverte.jpg"},
  "keyframes": [
    {"image": {"url": "https://exemple.com/fleur-mi-ouverte.jpg"}, "timestamp_s": 3.0}
  ],
  "duration": 6
}

Le même modèle peut donner une voix à vos personnages : reference_audios accepte jusqu’à trois voix prédéfinies, désignées par leur voice_id (le catalogue des voix de la synthèse vocale de xAI, eve ou leo par exemple), que le prompt cite en <AUDIO_0>, <AUDIO_1>…

Ce que les références rendent possible

Le premier usage, et le plus rentable en contexte professionnel, est la continuité : le même personnage, le même produit, d’une vidéo à l’autre. Imaginez une campagne de dix vidéos produites sur trois semaines : sans référence, le produit change subtilement de forme et la mascotte de visage d’un clip à l’autre. En fournissant systématiquement les mêmes références, vous ancrez ce qui doit rester identique, et seul le prompt fait varier la scène.

{
  "model": "grok-imagine-video-1.5",
  "prompt": "Le smartphone de <IMAGE_0> est posé sur un bureau minimaliste ; son écran s'allume progressivement, lumière douce du matin",
  "reference_images": [
    {"url": "https://exemple.com/smartphone-officiel.jpg"}
  ],
  "duration": 6
}

Le placement de produit suit la même logique — votre bouteille, votre chaussure dans une scène inventée —, et l’essayage virtuel la pousse plus loin : une personne et un vêtement, chacun sur sa référence, réunis dans le même plan.

Bien choisir et bien accompagner ses références

Choisissez des images nettes, bien éclairées, où l’élément à reprendre occupe l’essentiel du cadre : une chemise photographiée seule sur fond neutre se reprend mieux qu’une chemise portée dans une foule. Une référence, un sujet.

La rédaction du prompt suit la répartition des rôles : les références apportent les éléments, le prompt décrit la scène et l’action. Nommez chaque référence par sa balise à l’endroit où elle intervient, et restez explicite sur le mouvement, qu’aucune image ne porte.

Face à une requête, la décision se prend en une question. Si vous voulez animer une image précise telle quelle, c’est image. Si vous voulez une scène nouvelle où apparaissent des personnes ou des objets donnés, c’est reference_images. Si vous voulez contrôler le début, la fin ou des moments précis, ce sont les images épinglées de grok-imagine-video-1.5. Et si rien de tout cela ne compte, le prompt seul suffit.

Points clés à retenir

• image anime une image qui devient la première de la vidéo ; reference_images fait apparaître des éléments sans figer le premier plan
• Le prompt cite les références par position : <IMAGE_0>, <IMAGE_1>… (image prend <IMAGE_0> quand elle est fournie)
• Jusqu’à 14 références sur grok-imagine-video-1.5 (15 s), 7 sur grok-imagine-video (10 s), 720p au plus
• Sur grok-imagine-video-1.5, image, last_frame, keyframes et reference_audios complètent les références
• Un rôle par référence, une distribution réduite, des accessoires immobiles