很多人开了 X 的蓝 V，真正用到的只有三件事：认证标、长文和少一点广告。

但如果你平时做短视频，最容易被浪费的权益其实是 Grok。

我最近在 Mac Mini 上翻工作流时，发现本机三套视频生产链路都在复用同一个批量生成模块。真正跑通的不是“文字直接批量生成视频”，而是一条更稳的三段式链路：Codex 先生成底稿图片；Grok Imagine 网页端把图片变成视频；ChatCut 接手剪辑、字幕、配音和成片。

换句话说，你不一定要先买第三个视频生成工具。可以先把自己已经在付费的 Grok 用满，再决定是否需要 API 或专业平台。

先说边界：蓝 V 不等于无限免费

X 官方目前有 Basic、Premium 和 Premium+ 三档。蓝色认证标属于 Premium 和 Premium+；Premium 会提高 Grok 使用额度，Premium+ 的额度更高。

但“提高额度”不等于无限生成，也不代表每个账号、地区和灰度阶段都拥有完全相同的 Imagine 权益。真正开始之前，请先登录

grok.com

，确认自己的账号能否进入 Imagine、能否生成视频，以及页面显示的剩余额度。

还要区分两笔账：

• Grok 网页端：使用你现有账号的订阅或周额度

• xAI Imagine API：单独创建 API Key，按生成秒数和分辨率计费

这篇文章主要讲第一条——先把已有会员权益接进自己的视频工作流。API 是需要规模化以后再考虑的第二阶段。

这套组合到底怎么工作？

最终链路只有三步：

Codex 生成底稿图片 → Grok 网页端图生视频 → ChatCut 剪辑成片。

Codex 负责先把画面“钉死”：根据口播拆分镜，统一人物、服装、场景、构图和色调，然后为每个镜头生成一张能直接使用的底稿图片。

Grok 负责让这些底稿动起来。因为有明确的首帧，视频模型不需要每次重新猜人物长什么样、场景在哪里，镜头之间更容易保持一致。

ChatCut 则负责把一堆几秒钟的孤立素材变成真正能发布的作品：对齐口播、裁切节奏、加字幕、配音、音乐和转场。

第一步：让 Codex 生成每个镜头的底稿图片

不要直接把一篇一千字口播塞给视频模型。

先把口播拆成镜头，再为每个镜头生成一张 9:16 底稿。底稿不是普通配图，而是接下来图生视频的首帧：人物站位、表情、服装、道具、背景和光线都应该已经确定。

我会先把下面这段模板交给 Codex：

请把下面的中文口播稿拆成分镜，并为每个镜头生成一张图生视频底稿。

要求：
1. 每个镜头对应 5—6 秒视频，只表达一个核心动作；
2. 底稿为 9:16 竖图，主体位于安全区，给运镜留出空间；
3. 每条包含：镜头编号、对应旁白、画面描述、底稿图片提示词、Grok 运动提示词；
4. 先建立人物与视觉风格设定，后续底稿必须保持脸、服装、时代、道具和色调一致；
5. 底稿中不要出现文字、字幕、商标、边框和水印；
6. 抽象观点改写成可以被拍摄的具体场景；
7. 逐张生成底稿，并同时输出 JSON 清单。

口播稿：
【粘贴你的稿件】

底稿图片为什么比直接文生视频更稳？

因为最难保持一致的部分，已经在图片阶段解决了。

Codex 可以先生成角色定妆图、场景基准图和道具参考，再基于这些参考逐镜头出图。你可以在生成视频之前把画面逐张排开，发现人物变脸、服装跳色、构图不适合竖屏时，立刻重做图片，而不是浪费一次视频额度。

为什么还要输出 JSON？

因为真正的批量工作流不能只靠聊天记录。每个镜头需要有编号、底稿图片、运动提示词、生成状态、视频文件和失败原因。这样即使中途关机、额度耗尽或浏览器超时，也知道应该从哪条继续。

第二步：把底稿图片交给 Grok 网页端，让它动起来

xAI 官方确认 Grok Imagine 支持图生视频：上传一张静态图片作为起始画面，再用提示词描述动作、镜头运动、节奏和声音。

我常用的单镜头运动模板是：

Animate this source image into a 6-second vertical video.

Main action: [6 秒内唯一的核心动作]
Camera movement: [推、拉、摇、移、环绕或固定机位]
Motion intensity: [轻微 / 中等 / 明显]
Ending frame: [镜头最终停在哪里]
Keep unchanged: face, clothing, props, background layout and overall color palette.
Avoid: cuts, new characters, sudden object changes, on-screen text and subtitles.

有了底稿以后，不要在运动提示词里重新描述整张画面，否则模型可能擅自重绘。

例如底稿已经是一名穿灰色夹克的男人坐在凌晨办公室，运动提示词只需要写：“男人缓慢合上电脑并抬头看向窗外，镜头从桌面轻推至侧脸，6 秒内不切镜，保持脸、服装、桌面物品和冷蓝色调不变。”

手工测试时，流程是：打开

grok.com/imagine

，选择图生视频，上传 Codex 生成的底稿图片，粘贴运动提示词，等待结果，然后下载。

Codex 也可以辅助完成重复的网页动作：

\1. 读取下一条分镜和对应底稿图片。

\2. 在已经登录的 Grok 页面上传底稿，并提交运动提示词。

\3. 等待页面出现可播放结果，而不是只看按钮被点过。

\4. 下载视频并按镜头编号命名。

\5. 把该镜头标记为成功、失败或待人工确认。

\6. 再处理下一条。

但要注意：Codex 操作网页只是辅助，核心流程仍然是“底稿图片 → Grok 图生视频”，不能省略底稿阶段。

如果提示词被安全规则拦截、会员额度不足、页面要求验证码或连续生成失败，任务应该停止并告诉你原因，而不是绕过限制、刷新轰炸或偷偷切换账号。

网页端路线适合什么人？

适合已经有 Grok 权益、每天只做少量作品、愿意保留人工检查的人。

它的优势是不需要 API Key，也不会一开始就产生按秒计费；缺点是网页会变化、额度有限、需要保持登录，而且不适合高并发无人值守生产。

第三步：把 Grok 生成的视频交给 ChatCut

所谓“嵌入 ChatCut”，并不是把

grok.com

整个塞进剪辑软件。

更稳定的做法，是让 Grok 成为上游素材生成器，让 ChatCut 接收标准化的视频文件和分镜清单。

每个镜头至少保留这些字段：

{
  "shot_id": "S01",
  "duration": 6,
  "voiceover": "这一句对应的中文旁白",
  "source_image": "S01_base.png",
  "motion_prompt": "提交给 Grok 的运动提示词",
  "file": "S01_take01.mp4",
  "status": "approved",
  "notes": "人物一致，尾帧可与 S02 衔接"
}