Grok Imagine Video 1.5
Grok Imagine Video 1.5 ist das Videomodell, das xAI unter dem Namen grok-imagine-video-1.5 in seiner Imagine API anbietet. Diese Seite stellt die Dokumentation des Herstellers neben die Einstellungen, die der Dienst dieser Seite für dasselbe Produkt zurückgibt, und markiert jede Stelle, an der die beiden voneinander abweichen.
Was Grok Imagine Video 1.5 ist, in den Worten des Herstellers
Zwei Ankündigungen von xAI beschreiben dieses Modell. Die erste, datiert auf den 16. Juni 2026 auf der News-Seite des Herstellers, erklärt Grok Imagine Video 1.5 für allgemein verfügbar in der Imagine API, nennt es eines von "our best image-to-video models yet: better motion, better physics, better audio, at the fastest speeds" und gliedert die Seite in drei Überschriften: Audio und Sprache, Bewegung und Physik, Geschwindigkeit. Die zweite Ankündigung ergänzt Bild- und Stimmreferenzen sowie natives 1080p und eröffnet mit "our best video model, now with text, image, and voice references - generating up to 1080p".
Die Modellkennung lautet grok-imagine-video-1.5, Version 1.0. Der Hersteller nennt zwei Aliasse, grok-imagine-video-1.5-preview und grok-imagine-video-1.5-2026-05-30. Deshalb tragen ältere Berichte ein Maidatum und die Formulierung "xAI hat veröffentlicht", die nicht zu der Ankündigung der allgemeinen Verfügbarkeit passt.
Alles in diesem Abschnitt ist beim Hersteller zitiert, die Quellen liegen neben dieser Seite archiviert. Diese Seite ist keine Aussage von xAI und wurde von xAI nicht geprüft.
Zitate bleiben im englischen Original des Herstellers. Eine übersetzte Spezifikation ist der übliche Weg, auf dem Zahlen zu wandern beginnen.
Was der Dienst dieser Seite für dasselbe Produkt veröffentlicht
Die Werkbank liest nicht die Dokumentation des Herstellers. Sie liest den eigenen Dienstkatalog dieser Seite, und der Katalog führt je Modell genau einen Produkteintrag. Für Grok Imagine Video 1.5 ist dieser Eintrag verfügbar und aufrufbar, gehört zur Familie, die der Katalog xAI Grok video nennt, und deklariert drei Aufgabentypen: Text zu Video, Bild zu Video und Referenz zu Video. Alle drei tragen denselben veröffentlichten Einstiegspreis von vierzehn Punkten pro Aufgabe und dieselbe Obergrenze von fünfundvierzig.
Der Katalog deklariert Referenz zu Video für dieses Produkt, und die Werkbank bietet eine Familie in dieser Auswahl nur dann an, wenn der empfangene Modus eine Videoeingabe tragen kann. Dieser Eintrag nimmt Bilder, keine Clips, also wird der Modus vom Dienst deklariert, erscheint aber nicht im Menü für Referenz zu Video.
| Modus | Was Sie liefern | Referenzbilder |
| Text zu Video | eine beschriebene Szene | keine |
| Bild zu Video | einen Prompt und ein Standbild | 1 bis 7 |
| Referenz zu Video | einen Prompt und visuelle Referenzen | 1 bis 7, siehe Hinweis unten |
Die vier Bedienelemente, die die Werkbank wirklich rendert
Der Dienst veröffentlicht je Modus ein Formularschema, und die Werkbank baut ihre Bedienelemente aus diesem Schema statt aus den Modelltabellen im Quelltext dieser Seite. Für dieses Produkt enthält das Schema Prompt, Auflösung, Seitenverhältnis und Dauer, dazu ein Bildfeld in den beiden bildgestützten Modi. Die folgenden Werte sind daher das, was ein Besucher sieht, nicht das, was eine lokale Standarddatei zufällig enthält.
| Feld | Typ | Vom Dienst veröffentlichte Werte |
| prompt | Text, erforderlich | freier Text |
| resolution | Auswahl | 480p, 720p - Standard 480p |
| aspect_ratio | Auswahl | 2:3, 3:2, 1:1, 9:16, 16:9 - Standard 16:9 |
| duration | Auswahl | 6, 8, 9, 10, dann 12 bis 30 - Standard 6 |
Dauer: die zwei veröffentlichten Bereiche sind nicht derselbe Bereich
Das ist die nützlichste Information, bevor hier Punkte ausgegeben werden. Die API-Dokumentation des Herstellers nennt für den Parameter duration einen Bereich von 1 bis 15 Sekunden. Der Dienst, über den diese Seite verkauft, veröffentlicht dreiundzwanzig Daueroptionen, die von 6 Sekunden bis 30 Sekunden laufen. Das sind zwei verschiedene Mengen mit verschiedenen Enden, und beide stammen aus einer Quelle, die sich selbst nachlesen lässt.
Die Werkbank folgt der mittleren Zeile, weil der Dienst ein Dauerfeld veröffentlicht und ein veröffentlichtes Feld Vorrang vor einer lokalen Vorgabe hat. Die dritte Zeile steht nur in dieser Tabelle, damit die Abweichung sichtbar wird; nichts daraus erreicht das Formular.
| Quelle | Veröffentlichter Bereich | Standard |
| xAI API-Dokumentation | 1 bis 15 Sekunden | nicht genannt |
| Dienstkatalog dieser Seite | 6, 8, 9, 10, dann 12 bis 30 | 6 Sekunden |
| Lokale Ersatztabelle im Quelltext | 2 bis 15 Sekunden, Schrittweite 1 | 5 Sekunden |
Auflösung: drei Stufen beim Hersteller, zwei in dieser Werkbank
Der Hersteller dokumentiert drei Ausgabeauflösungen und bepreist sie pro Sekunde erzeugten Videos: 480p mit 0,08 US-Dollar, 720p mit 0,14 US-Dollar und 1080p mit 0,25 US-Dollar. Dieselbe Seite hält fest, dass 1080p in diesem Modell für Text zu Video und Bild zu Video unterstützt wird und dass Referenz zu Video auf 720p begrenzt ist. Der Dienst, über den diese Seite verkauft, veröffentlicht zwei dieser drei Stufen, 480p und 720p, und wählt standardmäßig die günstigere.
Zur dritten Quelle lohnt Genauigkeit. Eine lokale Ersatztabelle im Quelltext dieser Seite nennt für diese Familie 720p und 1080p, was weder die dreistufige Liste des Herstellers noch die zwei Stufen des Dienstes ist. Diese Tabelle greift nur, wenn der Dienst überhaupt kein Auflösungsfeld veröffentlicht, und er veröffentlicht eines, deshalb zeigt das Formular 480p und 720p.
Der Hersteller berechnet auch Eingaben: ein Bild als Eingabe wird berechnet, ein Textprompt nicht, und Audioeingabe mit voreingestellten Stimmen ist kostenlos. Das sind die Preise der Hersteller-API, pro Sekunde, und nicht das, was diese Seite berechnet. Was diese Seite berechnet, nennt der Server in Punkten, bevor eine Aufgabe startet.
Ton kommt mit dem Bild, und diese Werkbank hat keinen Schalter dafür
Der Hersteller hält fest, dass erzeugte Videos standardmäßig eine Tonspur enthalten und dass die Übergabe von generate_audio mit dem Wert false ein stummes Video anfordert. Auf dem Weg über Referenz zu Video geht es weiter: bis zu drei voreingestellte Stimmen lassen sich pro Anfrage anhängen, im Prompt über Indexmarken adressiert, entnommen demselben Stimmverzeichnis wie das Text-zu-Sprache-Modell des Herstellers, während eigene Audiodateien vertrauenswürdigen Partnern auf Anfrage vorbehalten bleiben.
Der Dienst, über den diese Seite verkauft, veröffentlicht für dieses Produkt in keinem der drei Modi ein Audiofeld. Auf dieser Seite gibt es also keinen Schalter für "Ton einschließen" und keine Stimmauswahl, und dass die Audiodemos der Ankündigung existieren, heißt nicht, dass ein Besucher sie hier steuern kann.
Zusammengelesen widersprechen sich die beiden Aussagen nicht: die API des Herstellers kann Audiosteuerung tragen, und der Katalog dieser Seite hat dafür kein Feld veröffentlicht. Die ehrliche Beschreibung der Werkbank ist die zweite.
Dieser Abschnitt behauptet nicht, dass Ton abgeschaltet ist. Er stellt fest, dass diese Werkbank keine Steuerung dafür anbietet.
Referenzen und wie Text zu Video darunter aufgebaut ist
Die Dokumentation des Herstellers zu Referenz zu Video setzt höchstens sieben Referenzbilder pro Anfrage, und die zweite Ankündigung wiederholt diese Zahl als "up to seven references per generation" und beschreibt, wofür jedes einzelne steht: ein Gesicht, ein Produkt, ein Ort. Referenzbilder lenken die Aufnahme, ohne das erste Bild festzulegen, und genau das trennt den Modus von Bild zu Video.
Ein Implementierungsdetail wird leicht übersehen und erklärt viele verwirrende Ergebnisse. Der Hersteller hält fest, dass Text zu Video in diesem Modell als Text zu Bild und anschließend Bild zu Video läuft: aus dem Prompt entsteht ein erstes Bild, das dann animiert wird. Sie senden trotzdem nur eine Anfrage, und das Zwischenbild wird Ihnen nicht zurückgegeben.
Dieselbe Dokumentation merkt an, dass die Ausgabe von Bild zu Video standardmäßig das Seitenverhältnis des Eingabebilds übernimmt, sofern kein Seitenverhältnis übergeben wird; in diesem Fall wird das Bild auf das gewünschte Verhältnis gestreckt statt beschnitten.
Warum diese Seite Standbilder zeigt und nicht die Clips des Herstellers
Der Hersteller hat für dieses Modell reichlich Material veröffentlicht: drei Klangdemos und drei Bewegungsdemos, ein Geschwindigkeitspaar vorher und nachher, drei Funktionsrundgänge und einen Trailer auf der Ankündigungsseite; zwei Clips auf der Vorschauseite; vier native 1080p-Referenzclips auf der Referenzseite. Alle diese Dateien werden von data.x.ai oder media.x.ai ausgeliefert, und alle antworten auf eine normale Anfrage mit einer HTTP-403-Fehlerseite, auch auf Anfragen aus einer echten Browsersitzung mit den Cookies und dem Referrer des Herstellers. In der Seite des Herstellers selbst geöffnet, melden dieselben Dateien einen Medienfehler statt abzuspielen.
Diese Seite zeigt deshalb, was tatsächlich abrufbar und prüfbar war: einen amtlichen Clip, der über den Dokumentationspfad des Herstellers ausgeliefert wird und sich herunterladen lässt, vier daraus entnommene Einzelbilder, ein Schlüsselbild aus dem Trailer, den der Hersteller diesem Modell zuschreibt, und das Standbild, das das eigene Bild-zu-Video-Beispiel des Herstellers animiert.
Jeder dieser Einträge ist damit beschriftet, was er ist und woher er stammt. Die Clips, die nicht abrufbar waren, stehen im Baunachweis dieser Seite, statt so beschrieben zu werden, als wären sie angesehen worden.
Drei weitere amtliche Bilder wurden abgerufen und dann beiseitegelegt: die Vorschaubilder der Rundgänge zu Projects, Multiple agents und Search sind Programmoberflächen, und ein Screenshot einer Oberfläche ist kein Beleg dafür, was ein Modell erzeugt.
Häufige Fragen
Ist das die offizielle Seite zu Grok Imagine Video 1.5?
Nein. Das ist eine Seite dieser Website über das Modell. Die Seiten des Herstellers sind als Quellen verlinkt, und diese Seite wurde von xAI weder geprüft noch befürwortet.
Welche Modi kann ich hier tatsächlich ausführen?
Text zu Video und Bild zu Video. Der Dienst deklariert für dieses Produkt auch Referenz zu Video, aber dieser Modus nimmt Bilder statt Clips, deshalb führt die Werkbank die Familie nicht in ihrem Menü für Referenz zu Video.
Warum geht die Dauerliste über fünfzehn Sekunden hinaus, wenn xAI fünfzehn Sekunden dokumentiert?
Weil zwei verschiedene Quellen zwei verschiedene Listen veröffentlichen. Die API-Dokumentation von xAI nennt 1 bis 15 Sekunden; der Dienst dieser Seite veröffentlicht dreiundzwanzig Optionen von 6 bis 30 Sekunden. Die Werkbank folgt dem Dienst, und diese Seite zeigt beide, statt sich für eine zu entscheiden.
Bekomme ich hier 1080p als Ausgabe?
Mit den hier beschriebenen Einstellungen nicht. Der Hersteller dokumentiert und bepreist für dieses Modell eine 1080p-Stufe, der Dienst dieser Seite veröffentlicht nur 480p und 720p, mit 480p als Standard.
Kommen die Videos mit Ton?
Der Hersteller sagt, erzeugte Videos tragen standardmäßig eine Tonspur, und dass sie sich beim Hersteller abschalten lässt. Dieser Dienst veröffentlicht für das Produkt kein Audiofeld, also gibt es hier in beide Richtungen keinen Schalter.
Wie viele Referenzbilder kann ich anhängen?
Der Dienst veröffentlicht für beide bildgestützten Modi eine Grenze von eins bis sieben, und die Dokumentation des Herstellers nennt ebenfalls höchstens sieben Referenzbilder pro Anfrage. Hier stimmen beide überein.
Wie wird die Berechnung ermittelt?
Der Server nennt sie in Punkten für den gewählten Modus und die gewählten Einstellungen, bevor die Aufgabe startet. Der Katalog veröffentlicht für dieses Produkt einen Einstiegspreis und eine Stufentabelle, einen einzelnen Preis zum Zitieren gibt es auf dieser Seite nicht.
Bekomme ich bei Text zu Video das erste Bild als Datei?
Nein. Der Hersteller hält fest, dass Text zu Video zuerst ein erstes Bild erzeugt und es dann animiert, und dass das Zwischenbild nicht zurückgegeben wird. Sie senden eine Anfrage und erhalten ein Video.
Warum hat die Galerie hier nur drei Einträge?
Weil der Rest des Materials nicht abrufbar war. Jede Clipdatei auf der Ankündigungs-, Vorschau- und Referenzseite antwortet mit einer Zugriffsverweigerung, aus der Browsersitzung ebenso wie von der Kommandozeile, also zeigt diese Seite das prüfbare Material und vermerkt den Rest als Lücke.