Grok Imagine Video 1.5
Grok Imagine Video 1.5 é o modelo de vídeo que a xAI disponibiliza na sua Imagine API com o nome grok-imagine-video-1.5. Esta página coloca a documentação do próprio fabricante ao lado das definições que o serviço deste site devolve para o mesmo produto, e assinala cada ponto em que os dois divergem.
O que é o Grok Imagine Video 1.5, nas palavras do fabricante
Dois anúncios da xAI descrevem este modelo. O primeiro, datado de 16 de junho de 2026 na página de notícias do fabricante, declara o Grok Imagine Video 1.5 disponível de forma geral na Imagine API, chama-lhe um dos "our best image-to-video models yet: better motion, better physics, better audio, at the fastest speeds" e organiza a página em três secções: áudio e fala, movimento e física, e velocidade. O segundo anúncio acrescenta referências de imagem e de voz e 1080p nativo, e abre chamando-lhe "our best video model, now with text, image, and voice references - generating up to 1080p".
O identificador do modelo é grok-imagine-video-1.5, versão 1.0. O fabricante indica dois alias, grok-imagine-video-1.5-preview e grok-imagine-video-1.5-2026-05-30. É por isso que artigos mais antigos trazem uma data de maio e uma frase de "a xAI lançou" que não coincide com o anúncio de disponibilidade geral.
Tudo nesta secção é citado do fabricante e as fontes ficam arquivadas junto desta página. Esta página não é uma declaração da xAI e não foi revista pela xAI.
As citações mantêm-se no inglês original do fabricante. Traduzir uma especificação é a forma habitual de os números começarem a desviar-se.
O que o serviço deste site publica para o mesmo produto
O espaço de trabalho não lê a documentação do fabricante. Lê o catálogo do serviço deste site, que responde com uma entrada de produto por modelo. Para o Grok Imagine Video 1.5 essa entrada está disponível e é executável, pertence à família que o catálogo designa por xAI Grok video e declara três tipos de tarefa: texto para vídeo, imagem para vídeo e referência para vídeo. Cada um dos três traz o mesmo mínimo publicado de catorze pontos por tarefa e o mesmo máximo de quarenta e cinco.
O catálogo declara referência para vídeo para este produto, e o espaço de trabalho só oferece uma família nesse seletor quando o modo que recebe consegue transportar uma entrada de vídeo. Esta entrada aceita imagens, não clipes, pelo que o modo é declarado pelo serviço mas não aparece no menu de referência para vídeo.
| Modo | O que forneces | Imagens de referência |
| Texto para vídeo | uma cena escrita | nenhuma |
| Imagem para vídeo | um prompt e uma imagem estática para animar | 1 a 7 |
| Referência para vídeo | um prompt e referências visuais | 1 a 7, mas ver a nota abaixo |
Os quatro controlos que o espaço de trabalho realmente apresenta
O serviço publica um esquema de formulário para cada modo, e o espaço de trabalho constrói os seus controlos a partir desse esquema, e não a partir das tabelas de modelos incluídas no código-fonte deste site. Para este produto o esquema é prompt, resolution, aspect_ratio e duration, com um campo de imagem acrescentado nos dois modos guiados por imagem. Os valores abaixo são, portanto, os valores que um visitante vê, e não os valores que um ficheiro local de predefinições por acaso contém.
| Controlo | Tipo | Valores publicados pelo serviço |
| prompt | texto, obrigatório | texto livre |
| resolution | seleção | 480p, 720p - predefinição 480p |
| aspect_ratio | seleção | 2:3, 3:2, 1:1, 9:16, 16:9 - predefinição 16:9 |
| duration | seleção | 6, 8, 9, 10, 12 a 30 - predefinição 6 |
Duração: os dois intervalos publicados não são o mesmo intervalo
Este é o ponto mais útil a saber antes de gastar pontos aqui. A documentação da API do fabricante diz que o parâmetro de duração aceita 1 a 15 segundos. O serviço através do qual este site vende publica vinte e três opções de duração que vão dos 6 aos 30 segundos. São conjuntos diferentes com extremos diferentes, e os dois são publicados por uma fonte que podes ler por ti mesmo.
O espaço de trabalho segue a linha do meio, porque o serviço publica um campo de duração e um campo publicado tem precedência sobre uma predefinição local. A terceira linha consta desta tabela apenas para que a diferença fique visível; nada dela chega ao formulário.
| Fonte | Intervalo publicado | Predefinição |
| Documentação da API da xAI | 1 a 15 segundos | não indicada |
| Catálogo de serviço deste site | 6, 8, 9, 10 e depois 12 a 30 | 6 segundos |
| Tabela de recurso local no código deste site | 2 a 15 segundos, passo 1 | 5 segundos |
Resolução: três níveis a montante, dois níveis neste espaço de trabalho
O fabricante documenta três resoluções de saída e atribui-lhes um preço por segundo de vídeo gerado: 480p a $0.08, 720p a $0.14 e 1080p a $0.25. Indica também que o 1080p é suportado neste modelo para texto para vídeo e imagem para vídeo, e que a referência para vídeo está limitada a 720p. O serviço através do qual este site vende publica dois desses três níveis, 480p e 720p, e assume o mais barato como predefinição.
Vale a pena ser exato quanto à terceira fonte. Uma tabela de recurso local no código deste site indica 720p e 1080p para esta família, o que não é nem a lista de três níveis a montante nem os dois níveis que o serviço publica. Essa tabela só se aplica quando o serviço não publica qualquer campo de resolução, e o serviço publica um, pelo que o formulário mostra 480p e 720p.
O fabricante cobra também as entradas: uma imagem de entrada é faturada, um prompt de texto não é, e o áudio de voz predefinida é gratuito. São os preços da própria API do fabricante, por segundo, e não são o que este site cobra. O que este site cobra é indicado pelo servidor em pontos antes de a tarefa começar.
O som chega com a imagem, e este espaço de trabalho não tem um interruptor para ele
O fabricante afirma que os vídeos gerados incluem uma faixa de áudio por predefinição, e que passar generate_audio com o valor false pede um vídeo silencioso. No percurso de referência para vídeo vai mais longe: podem ser anexadas até três vozes predefinidas por pedido, endereçadas no prompt por etiquetas de índice, retiradas do mesmo conjunto de vozes do modelo de texto para fala do fabricante, ficando os teus próprios ficheiros de áudio reservados a parceiros de confiança que os peçam.
O serviço através do qual este site vende não publica qualquer campo de áudio para este produto em nenhum dos seus três modos. Por isso, nesta página não existe um botão de "incluir áudio" nem um seletor de vozes, e o facto de existirem demonstrações de áudio no anúncio não significa que um visitante daqui as possa orientar.
Lidas em conjunto, as duas afirmações não são uma contradição: a API a montante consegue transportar controlo de áudio, e o catálogo deste site não publicou um campo para isso. A descrição honesta do espaço de trabalho é a segunda.
Nada nesta secção afirma que o áudio está desligado. Afirma que este espaço de trabalho não te dá qualquer controlo sobre ele.
Referências, e como o texto para vídeo é construído por baixo
A documentação de referência para vídeo do fabricante fixa um máximo de sete imagens de referência por pedido, e o segundo anúncio repete esse número como "up to seven references per generation", descrevendo para que serve cada uma: um rosto, um produto, um local. As imagens de referência orientam o plano sem fixarem o seu primeiro fotograma, que é o que separa este modo do de imagem para vídeo.
Um detalhe de implementação é fácil de perder e explica muitos resultados confusos. O fabricante afirma que, neste modelo, o texto para vídeo corre como texto para imagem seguido de imagem para vídeo: gera-se um primeiro fotograma a partir do teu prompt e anima-se em seguida. Continuas a enviar um único pedido, e a imagem intermédia não te é devolvida.
A mesma documentação nota que a saída de imagem para vídeo assume por predefinição a proporção da imagem de entrada, a menos que indiques uma proporção, caso em que a imagem é esticada para a proporção pedida em vez de recortada.
Porque esta página mostra imagens fixas em vez dos clipes do fabricante
O fabricante publicou bastante filmagem para este modelo: três demonstrações de desenho sonoro e três de movimento, um par de antes e depois sobre velocidade, três visitas guiadas a funcionalidades e um trailer na página do anúncio; dois clipes na página de pré-visualização; e quatro clipes de referência em 1080p nativo na página de referências. Todos esses ficheiros são servidos a partir de data.x.ai ou media.x.ai e todos respondem com uma página de erro HTTP 403 a um pedido normal, incluindo pedidos feitos a partir de uma sessão de navegador real com os próprios cookies e o referrer do fabricante. Abertos na página do próprio fabricante, os mesmos ficheiros comunicam um erro de media em vez de reproduzirem.
Esta página mostra então aquilo que conseguiu realmente obter e verificar: um clipe oficial servido a partir do percurso de documentação do fabricante, que descarrega, quatro fotogramas retirados desse clipe, um fotograma-chave do trailer que o fabricante atribui a este modelo, e a imagem estática que o exemplo de imagem para vídeo do próprio fabricante anima.
Cada um desses itens tem legenda com o que é e de onde veio. Os clipes que não foi possível obter estão listados no registo de compilação desta página, em vez de serem descritos como se tivessem sido vistos.
Três outras imagens oficiais foram obtidas e depois postas de parte em vez de mostradas: os fotogramas de capa das visitas guiadas a Projects, Multiple agents e Search são capturas de ecrã da aplicação, e uma captura de ecrã de uma interface de produto não é prova do que um modelo gera.
Perguntas frequentes
Esta é a página oficial do Grok Imagine Video 1.5?
Não. É uma página deste site sobre o modelo. As páginas do próprio fabricante estão ligadas como fontes, e esta página não foi revista nem aprovada pela xAI.
Que modos posso realmente executar aqui?
Texto para vídeo e imagem para vídeo. O serviço declara também referência para vídeo para este produto, mas esse modo aceita imagens e não clipes, pelo que o espaço de trabalho não lista a família no seu menu de referência para vídeo.
Porque é que a lista de durações passa dos quinze segundos quando a xAI documenta um limite de quinze?
Porque duas fontes diferentes publicam duas listas diferentes. A documentação da API da xAI indica 1 a 15 segundos; o serviço deste site publica vinte e três opções de 6 até 30 segundos. O espaço de trabalho segue o serviço, e esta página mostra as duas em vez de escolher uma.
Consigo obter saída em 1080p aqui?
Não através das definições que esta página descreve. O fabricante documenta e tarifa um nível de 1080p para este modelo, e o serviço através do qual este site vende publica apenas 480p e 720p, com 480p como predefinição.
Os vídeos trazem som?
O fabricante diz que os vídeos gerados trazem uma faixa de áudio por predefinição e que esta pode ser desligada a montante. Este espaço de trabalho não publica qualquer campo de áudio para este produto, pelo que aqui não há botão em nenhum dos sentidos.
Quantas imagens de referência posso anexar?
O serviço publica um limite de uma a sete para os dois modos guiados por imagem, e a documentação do fabricante indica também um máximo de sete imagens de referência por pedido.
Como é calculada a cobrança?
O servidor indica-a em pontos para o modo e as definições que escolheste, antes de a tarefa começar. O catálogo publica um mínimo e uma tabela de escalões para este produto, e não há um preço fixo a citar nesta página.
O texto para vídeo devolve-me o primeiro fotograma como imagem?
Não. O fabricante afirma que o texto para vídeo gera um primeiro fotograma e depois o anima, e que a imagem intermédia não é devolvida. Envias um pedido e recebes um vídeo.
Porque é que a galeria aqui tem apenas três itens?
Porque o resto da filmagem do fabricante não foi possível obter. Todos os ficheiros de clipe nas páginas de anúncio, pré-visualização e referências respondem com uma página de acesso negado, tanto a partir de uma sessão de navegador como a partir de uma linha de comandos, pelo que a página mostra o material que conseguiu verificar e regista o resto como lacuna.