Grok Imagine Video 1.5
Grok Imagine Video 1.5 es el modelo de vídeo que xAI ofrece en su Imagine API con el nombre grok-imagine-video-1.5. Esta página pone la documentación del fabricante junto a los ajustes que el servicio de este sitio devuelve para el mismo producto, y marca cada punto en el que ambos discrepan.
Qué es Grok Imagine Video 1.5, en palabras del fabricante
Dos anuncios de xAI describen este modelo. El primero, fechado el 16 de junio de 2026 en la página de noticias del fabricante, declara Grok Imagine Video 1.5 disponible con carácter general en la Imagine API, lo llama uno de "our best image-to-video models yet: better motion, better physics, better audio, at the fastest speeds" y organiza la página en tres epígrafes: audio y habla, movimiento y física, y velocidad. El segundo anuncio añade referencias de imagen y de voz y 1080p nativo, y abre llamándolo "our best video model, now with text, image, and voice references - generating up to 1080p".
El identificador del modelo es grok-imagine-video-1.5, versión 1.0. El fabricante lista dos alias, grok-imagine-video-1.5-preview y grok-imagine-video-1.5-2026-05-30. Por eso los artículos más antiguos llevan una fecha de mayo y una frase de "xAI ha lanzado" que no encaja con el anuncio de disponibilidad general.
Todo lo de este apartado está citado del fabricante y las fuentes quedan archivadas junto a esta página. Esta página no es una declaración de xAI y xAI no la ha revisado.
Las citas se dejan en el inglés original del fabricante. Una especificación traducida es la vía habitual por la que los números empiezan a desviarse.
Qué publica el servicio de este sitio para el mismo producto
El taller no lee la documentación del fabricante. Lee el catálogo propio de este sitio, y ese catálogo devuelve una sola ficha de producto por modelo. Para Grok Imagine Video 1.5 esa ficha está disponible y es invocable, pertenece a la familia que el catálogo llama xAI Grok video y declara tres tipos de tarea: texto a vídeo, imagen a vídeo y referencia a vídeo. Los tres comparten el mismo precio de entrada publicado, catorce puntos por tarea, y el mismo techo, cuarenta y cinco.
El catálogo declara referencia a vídeo para este producto, y el taller solo ofrece una familia en ese selector cuando el modo recibido puede llevar una entrada de vídeo. Esta ficha toma imágenes, no clips, así que el modo lo declara el servicio pero no aparece en el menú de referencia a vídeo.
| Modo | Qué aportas | Imágenes de referencia |
| Texto a vídeo | una escena descrita | ninguna |
| Imagen a vídeo | un prompt y una imagen fija | 1 a 7 |
| Referencia a vídeo | un prompt y referencias visuales | 1 a 7, pero véase la nota |
Los cuatro controles que el taller dibuja de verdad
El servicio publica un esquema de formulario por modo, y el taller construye sus controles a partir de ese esquema, no de las tablas de modelos que vienen en el código fuente de este sitio. Para este producto el esquema contiene prompt, resolución, relación de aspecto y duración, más un campo de imagen en los dos modos que parten de una imagen. Los valores de abajo son, por tanto, los que ve una persona visitante, no los que contenga por casualidad un archivo local de valores por defecto.
| Campo | Tipo | Valores publicados por el servicio |
| prompt | texto, obligatorio | texto libre |
| resolution | selector | 480p, 720p - por defecto 480p |
| aspect_ratio | selector | 2:3, 3:2, 1:1, 9:16, 16:9 - por defecto 16:9 |
| duration | selector | 6, 8, 9, 10 y de 12 a 30 - por defecto 6 |
Duración: los dos rangos publicados no son el mismo rango
Esto es lo más útil que se puede saber antes de gastar puntos aquí. La documentación de la API del fabricante indica que el parámetro duration acepta de 1 a 15 segundos. El servicio a través del cual vende este sitio publica veintitrés opciones de duración que van de 6 segundos a 30 segundos. Son dos conjuntos distintos, con extremos distintos, y ambos proceden de una fuente que se puede consultar por cuenta propia.
El taller sigue la fila central, porque el servicio publica un campo de duración y un campo publicado tiene prioridad sobre un valor local. La tercera fila está en esta tabla solo para que la diferencia se vea; nada de ella llega al formulario.
| Fuente | Rango publicado | Valor por defecto |
| Documentación de la API de xAI | 1 a 15 segundos | no indicado |
| Catálogo del servicio de este sitio | 6, 8, 9, 10 y luego 12 a 30 | 6 segundos |
| Tabla de respaldo en el código fuente | 2 a 15 segundos, paso 1 | 5 segundos |
Resolución: tres niveles arriba, dos en este taller
El fabricante documenta tres resoluciones de salida y las tarifa por segundo de vídeo generado: 480p a 0,08 dólares, 720p a 0,14 dólares y 1080p a 0,25 dólares. La misma página precisa que 1080p está soportado en este modelo para texto a vídeo e imagen a vídeo, y que referencia a vídeo queda limitado a 720p. El servicio a través del cual vende este sitio publica dos de esos tres niveles, 480p y 720p, y elige por defecto el más barato.
Conviene ser exacto con la tercera fuente. Una tabla de respaldo en el código fuente de este sitio enumera 720p y 1080p para esta familia, lo que no es ni la lista de tres niveles del fabricante ni los dos niveles que publica el servicio. Esa tabla solo se aplica cuando el servicio no publica ningún campo de resolución, y sí publica uno, así que el formulario muestra 480p y 720p.
El fabricante también cobra las entradas: una imagen de entrada se factura, un prompt de texto no, y la entrada de audio con voces predefinidas es gratuita. Son precios de la API del fabricante, por segundo, y no lo que cobra este sitio. Lo que cobra este sitio lo indica el servidor en puntos antes de que empiece la tarea.
El sonido llega con la imagen, y este taller no tiene interruptor para él
El fabricante indica que los vídeos generados incluyen una pista de audio por defecto y que pasar generate_audio con valor false solicita un vídeo sin sonido. En la vía de referencia a vídeo va más lejos: se pueden adjuntar hasta tres voces predefinidas por petición, direccionadas en el prompt mediante marcas de índice, tomadas del mismo repertorio de voces que el modelo de texto a voz del fabricante, mientras que los archivos de audio propios quedan reservados a socios de confianza que lo soliciten.
El servicio a través del cual vende este sitio no publica ningún campo de audio para este producto en ninguno de sus tres modos. Así que aquí no hay interruptor de "incluir audio" ni selector de voz, y que existan los ejemplos de audio del anuncio no significa que quien visita esta página pueda dirigirlos.
Leídas juntas, las dos afirmaciones no se contradicen: la API del fabricante puede llevar control de audio y el catálogo de este sitio no ha publicado un campo para ello. La descripción honesta del taller es la segunda.
Este apartado no afirma que el audio esté desactivado. Afirma que este taller no ofrece ningún control sobre él.
Referencias y cómo se construye texto a vídeo por debajo
La documentación del fabricante para referencia a vídeo fija un máximo de siete imágenes de referencia por petición, y el segundo anuncio repite esa cifra como "up to seven references per generation" y describe para qué sirve cada una: una cara, un producto, un lugar. Las imágenes de referencia guían el plano sin fijar su primer fotograma, y eso es precisamente lo que separa este modo de imagen a vídeo.
Hay un detalle de implementación que se pasa por alto con facilidad y que explica muchos resultados desconcertantes. El fabricante indica que en este modelo texto a vídeo se ejecuta como texto a imagen seguido de imagen a vídeo: primero se genera un fotograma a partir del prompt y después se anima. Tú sigues enviando una sola petición y la imagen intermedia no se te devuelve.
La misma documentación señala que la salida de imagen a vídeo adopta por defecto la relación de aspecto de la imagen de entrada, salvo que envíes una relación de aspecto; en ese caso la imagen se estira a la relación pedida en lugar de recortarse.
Por qué esta página muestra fotogramas y no los clips del fabricante
El fabricante publicó mucho material para este modelo: tres demostraciones de sonido y tres de movimiento, un par de velocidad antes y después, tres recorridos de funciones y un tráiler en la página del anuncio; dos clips en la página de vista previa; y cuatro clips de referencia en 1080p nativo en la página de referencias. Todos esos archivos se sirven desde data.x.ai o media.x.ai, y todos responden a una petición normal con una página de error HTTP 403, incluidas las peticiones hechas desde una sesión de navegador real con las cookies y el referente del propio fabricante. Abiertos en la página del fabricante, esos mismos archivos informan de un error multimedia en lugar de reproducirse.
Así que esta página muestra lo que sí pudo recuperar y verificar: un clip oficial servido desde la ruta de documentación del fabricante que sí se descarga, cuatro fotogramas extraídos de él, un fotograma clave del tráiler que el fabricante atribuye a este modelo y la imagen fija que anima el propio ejemplo de imagen a vídeo del fabricante.
Cada uno de esos elementos lleva leyenda con lo que es y de dónde viene. Los clips que no se pudieron recuperar figuran en el registro de compilación de esta página en lugar de describirse como si se hubieran visto.
Otros tres imágenes oficiales se recuperaron y luego se descartaron: las portadas de los recorridos de Projects, Multiple agents y Search son capturas de la interfaz de la aplicación, y una captura de interfaz no es prueba de lo que genera un modelo.
Preguntas frecuentes
¿Es esta la página oficial de Grok Imagine Video 1.5?
No. Es una página de este sitio sobre el modelo. Las páginas del fabricante aparecen enlazadas como fuentes, y esta página no ha sido revisada ni respaldada por xAI.
¿Qué modos puedo ejecutar realmente aquí?
Texto a vídeo e imagen a vídeo. El servicio también declara referencia a vídeo para este producto, pero ese modo toma imágenes en lugar de clips, así que el taller no incluye la familia en su menú de referencia a vídeo.
¿Por qué la lista de duración pasa de quince segundos si xAI documenta un límite de quince?
Porque dos fuentes distintas publican dos listas distintas. La documentación de la API de xAI indica de 1 a 15 segundos; el servicio de este sitio publica veintitrés opciones desde 6 hasta 30 segundos. El taller sigue al servicio, y esta página muestra ambas en lugar de elegir una.
¿Puedo obtener 1080p aquí?
Con los ajustes que describe esta página, no. El fabricante documenta y tarifa un nivel de 1080p para este modelo, y el servicio de este sitio publica solo 480p y 720p, con 480p por defecto.
¿Los vídeos llevan sonido?
El fabricante dice que los vídeos generados llevan una pista de audio por defecto y que puede desactivarse en su API. Este servicio no publica ningún campo de audio para el producto, así que aquí no hay interruptor en ningún sentido.
¿Cuántas imágenes de referencia puedo adjuntar?
El servicio publica un límite de una a siete para los dos modos que parten de una imagen, y la documentación del fabricante indica también un máximo de siete imágenes de referencia por petición. Aquí ambas coinciden.
¿Cómo se calcula el cargo?
El servidor lo indica en puntos para el modo y los ajustes elegidos antes de que empiece la tarea. El catálogo publica un precio de entrada y una tabla de tramos para este producto; no hay un precio único que citar en esta página.
¿Me devuelve texto a vídeo el primer fotograma como imagen?
No. El fabricante indica que texto a vídeo genera un primer fotograma y después lo anima, y que esa imagen intermedia no se devuelve. Envías una petición y recibes un vídeo.
¿Por qué la galería de aquí tiene solo tres elementos?
Porque el resto del material del fabricante no se pudo recuperar. Cada archivo de clip de las páginas de anuncio, vista previa y referencias responde con una página de acceso denegado, tanto desde el navegador como desde la línea de comandos, así que la página muestra el material verificable y anota el resto como hueco.