跳到正文
Grok image
简体中文
English简体中文繁體中文DeutschEspañolPortuguês

Grok Imagine Video 1.5

Grok Imagine Video 1.5 是 xAI 在 Imagine API 里提供的视频模型,标识为 grok-imagine-video-1.5。这一页把发布方自己的文档,与本站服务对同一产品返回的设置并排放在一起,并逐条标出两者不一致的地方。

更新于:

Grok Imagine Video 1.5

先选模式,再写描述,生成前先看服务端报出的成本。

Grok Imagine Video 1.5
AI 视频0
5s
2s15s

当前模型不支持参考视频输入

生成结果

生成内容将显示在这里

来源素材

这个模型的官方素材

发布方放出的、确实能取到并核验过的三条素材;凡发布方为它公布过提示词的,一并附上原文。

画廊短是有意为之。发布方放出的片段远不止这些,但那些文件在这台机器上取不到,而其中三段的封面帧其实是产品界面截图,不是模型产出。这里没有的东西,写在了构建记录里,而不是拿别的东西顶上。

一个孤身人影站在昏暗的旷野上,头顶是密集的星空,银河像一条明亮的带子横过画面 看提示词 ↗

01 / 官方输入静图

xAI 图生视频示例所动起来的那张静图

xAI documentation ↗

发布方为这条素材公布的提示词

Generate a slow and serene time-lapse

把这个提示词带进工作台 ↗

提示词按发布方的英文原文照录。如果某一行是冲着画中这段片段去的指令、而不是生成它的提示词,图注里会写明。

一顶带盔缨的斯巴达头盔立在日落时分的战场上,背后是烟雾、零散的人影和一路退向远方的长矛线 看提示词 ↗

02 / 官方预告片静帧

发布方归功于这个模型的那部预告片的关键帧

xAI news ↗

发布方为这条素材公布的提示词

Slow cinematic push-in as embers drift across the battlefield and the helmet's crest stirs in the wind

把这个提示词带进工作台 ↗

提示词按发布方的英文原文照录。如果某一行是冲着画中这段片段去的指令、而不是生成它的提示词,图注里会写明。

一位穿浅色长裙的女士站在海湾上方的阳台上,金色时分的光线里她抬起一只手做了个很小的动作 看提示词 ↗

03 / 官方样例片段静帧

发布方自己示例里被编辑的那段片段中的一刻

xAI documentation ↗

发布方为这条素材公布的提示词

Give the woman a silver necklace

把这个提示词带进工作台 ↗

提示词按发布方的英文原文照录。如果某一行是冲着画中这段片段去的指令、而不是生成它的提示词,图注里会写明。

Grok Imagine Video 1.5 是什么(用发布方自己的话)

xAI 用两篇公告介绍这个模型。第一篇发布在发布方新闻页上,日期为 2026 年 6 月 16 日,写明 Grok Imagine Video 1.5 已在 Imagine API 正式可用,把它称为「我们目前最好的图生视频模型之一:更好的运动、更好的物理、更好的音频,并且速度最快」,整页围绕三个小标题展开:音频与语音、运动与物理、速度。第二篇公告补上了图像参考与音色参考以及原生 1080p,开篇称它是「我们最好的视频模型,现在支持文本、图像与音色参考,最高可生成 1080p」。

模型标识是 grok-imagine-video-1.5,版本 1.0。发布方列出两个别名:grok-imagine-video-1.5-preview 与 grok-imagine-video-1.5-2026-05-30。这就是为什么更早的一些文章会带着 5 月的日期和「xAI 发布」的说法,与正式可用那篇公告对不上。

本节内容全部引自发布方,来源已随本页归档。本页不是 xAI 的声明,也未经 xAI 审阅。

引文保留发布方的英文原文。规格说明一旦翻译,数字就会漂移。

本站服务对同一产品发布了什么

工作台不读发布方的文档,它读本站自己的服务目录,而目录对每个模型只给一条产品记录。Grok Imagine Video 1.5 这一条处于可用且可调用状态,归属的家族是 xAI Grok video,声明了三种任务类型:文生视频、图生视频、参考生视频。三种模式发布的地板价都是每次 14 点,上限都是 45 点。

服务为这个产品声明了参考生视频,而工作台只在收到的模式能承载视频输入时,才会把该家族放进那个选择器。这一条模式收的是图片不是片段,所以服务声明了它,参考生视频菜单里却不会出现。

模式你要提供的东西参考图张数
文生视频一段文字描述的场景无
图生视频提示词加一张要动起来的静图1 到 7
参考生视频提示词加若干视觉参考1 到 7,但请见下面的说明

工作台真正渲染出来的四个控件

服务会为每个模式发布一份表单结构,工作台按这份结构生成控件,而不是按本站源码里那张模型表。对这个产品而言,结构里的字段是提示词、分辨率、宽高比、时长,另外两个以图驱动的模式会多一个图片字段。所以下面这些是访客真正会看到的值,不是某个本地默认文件碰巧写着的值。

控件类型服务发布的值
prompt文本,必填自由文本
resolution选择480p、720p,默认 480p
aspect_ratio选择2:3、3:2、1:1、9:16、16:9,默认 16:9
duration选择6、8、9、10,以及 12 到 30,默认 6

时长:两个已发布的区间并不是同一个区间

这是花积分之前最该知道的一件事。发布方的 API 文档写明 duration 参数接受 1 到 15 秒。本站通过的服务对同一产品发布了 23 个时长选项,从 6 秒一直到 30 秒。这是两组不同的数字,两端都不一样,而且两个来源都能自己打开核对。

工作台走的是中间那一行,因为服务发布了 duration 字段,而服务发布的字段优先于本地默认。第三行留在这张表里只为让差异可见,它没有任何一项会进到表单里。

来源发布的区间默认值
xAI API 文档1 到 15 秒未写明
本站服务目录6、8、9、10,然后 12 到 306 秒
本站源码里的本地兜底表2 到 15 秒,步长 15 秒

分辨率:上游三档,这个工作台两档

发布方写明三档输出分辨率,并按生成视频的秒数计价:480p 每秒 0.08 美元,720p 每秒 0.14 美元,1080p 每秒 0.25 美元。同一页还写明,在这个模型上 1080p 支持文生视频与图生视频,而参考生视频封顶 720p。本站通过的服务发布了其中两档,480p 与 720p,并且默认取更便宜的那一档。

第三个来源要说清楚。本站源码里的本地兜底表为这个家族列的是 720p 与 1080p,既不是上游那三档,也不是服务发布的那两档。那张表只在服务完全没有发布分辨率字段时才会生效,而服务发布了这个字段,所以表单里显示的是 480p 与 720p。

发布方对输入也计费:图片输入收费,文本提示不收费,预设音色的音频输入免费。那些是发布方 API 的价格,按秒算,不是本站的收费方式。本站的收费是任务开始前由服务端以点数报出的。

声音跟着画面一起来,而这个工作台没有对应的开关

发布方写明,生成的视频默认带一条音轨,把 generate_audio 传成 false 才会拿到静音视频。在参考生视频这条路上还更进一步:每次请求最多可挂三条预设音色,在提示词里用下标标记引用,音色来自与发布方语音合成模型同一份名册,而自备音频文件保留给受信任的合作方按需开通。

本站通过的服务对这个产品的三个模式都没有发布任何音频字段。所以这一页没有「包含音频」开关,也没有音色选择器;公告页上那些音频演示确实存在,不代表在这里的访客能指挥它们。

把两句话放在一起看并不矛盾:上游 API 能承载音频控制,而本站目录没有为它发布字段。对工作台的诚实描述是后一句。

本节没有说音频是关的。本节说的是这个工作台没有给你控制它的入口。

参考图,以及文生视频在底层是怎么做出来的

发布方的参考生视频文档写明每次请求最多七张参考图,第二篇公告也重复了这个数字——「每次生成最多七个参考」——并说明每一张负责锁住一样东西:一张脸、一件产品、一个地点。参考图引导画面但不锁定首帧,这正是它和图生视频的分界。

有一个实现细节很容易被忽略,却能解释不少让人困惑的结果。发布方写明,在这个模型上,文生视频是以「先文生图、再图生视频」的方式跑完的:先按你的提示词生成第一帧,再把它动起来。你仍然只发一次请求,中间那张静图不会返回给你。

同一份文档还写明,图生视频的输出默认沿用输入图片的宽高比;如果你传了 aspect_ratio,图片会按你要的比例被拉伸,而不是被裁剪。

为什么这一页放的是静帧,而不是发布方的片段

发布方为这个模型放出的素材相当多:公告页上有三段音效演示、三段运动演示、一组前后对比的速度片段、三段功能演示和一部预告片;预览公告页上有两段;参考公告页上有四段原生 1080p 参考片段。这些文件全部由 data.x.ai 或 media.x.ai 提供,而它们在正常请求下一律返回 HTTP 403 的拒绝页,包括在真实浏览器会话里带着发布方自己的 cookie 与来源页发起请求也一样。在发布方自己的页面上打开,这些文件报的是媒体错误,而不是开始播放。

所以这一页只放它确实取到并核验过的素材:一段从发布方文档路径取到、确实能下载的官方片段,从它抽出的四帧,发布方说是用这个模型做出来的那部预告片的一张关键帧,以及发布方自己的图生视频示例所使用的那张输入静图。

每一条都标注了它是什么、来自哪里。没能取到的那些片段,写进了本页的构建记录,而不是被描述成看过的内容。

另有三张官方图片取到了却没有放上来:Projects、Multiple agents、Search 三段功能演示的封面帧其实是应用界面截图,而界面截图不能当作模型产出的证据。

效果案例

本页唯一取到的官方片段:8.1 秒,848×480,每秒 24 帧,带音轨。发布方把它作为视频编辑示例的源片发布。它是那个示例的输入,不是 Grok Imagine Video 1.5 的输出,放在这里是作为发布方公开的源素材,而不是当作这个模型的样片。

xAI 文档,视频编辑页,2026-09-19 取自 data.x.ai/docs/video-generation/portrait-wave.mp4。 · 第三方素材,权利归来源方,此处带出处引用,不主张所有权。

一位穿浅色长裙的女士站在阳台栏杆前,双手交叠在身前,身后是低角度金色光线下的海面与小镇

第 1.0 秒抽帧。开场那一拍:人是静的,重心落定,镜头停在阳台上。

本站从 xAI 公开的样例片段中抽帧,2026-09-19。 · 第三方素材,权利归来源方,此处带出处引用,不主张所有权。

同一位女士在阳台上略微转身,头发与裙摆都在动,港口灯火开始在天色里显现

第 3.0 秒抽帧。转体那一拍:主体读起来是在旋转而不是在平移,运动评分说的通常就是这一部分。

本站从 xAI 公开的样例片段中抽帧,2026-09-19。 · 第三方素材,权利归来源方,此处带出处引用,不主张所有权。

女士朝镜头抬起一只手做了个幅度很小的挥手动作,海湾与浅色建筑填满背景

第 5.0 秒抽帧。动作那一拍,也是本页画廊卡片用的那一帧。

本站从 xAI 公开的样例片段中抽帧,2026-09-19。 · 第三方素材,权利归来源方,此处带出处引用,不主张所有权。

女士双臂垂在身侧靠近栏杆,身后水面的光线正逐渐变深

第 7.0 秒抽帧。片段的收尾:同样的构图,主体回到静止。值得和第 1.0 秒那一帧对照着看,八秒里始终把主体稳在原位,正是这类镜头最先暴露的失效点。

本站从 xAI 公开的样例片段中抽帧,2026-09-19。 · 第三方素材,权利归来源方,此处带出处引用,不主张所有权。

日落战场上的一顶带盔缨的斯巴达头盔,四周是烟雾、散落的人影和向远处退去的长矛阵

公告把这部预告片归功于这个模型,作者是 David Thompson,随发布一并公开。这是一张静帧,也是本页能从这部预告片里拿出的唯一一张图:预告片文件本身就在返回 403 的那一批里。

xAI 新闻,Grok Imagine Video 1.5 公告页,封面帧 2026-09-19 取得。 · 第三方素材,权利归来源方,此处带出处引用,不主张所有权。

夜色中的昏暗旷野,一个孤身人影的剪影立在一道明亮的银河之下

xAI 图生视频示例喂给这个模型的那张静图,由发布方自己公开,配套提示词是 Generate a slow and serene time-lapse,时长 12 秒。它是输入帧,所以它显示的是模型被要求去动起来的东西,而不是它产出的东西。

xAI 文档,图生视频页,2026-09-19 取得。 · 第三方素材,权利归来源方,此处带出处引用,不主张所有权。

常见问题

这是 Grok Imagine Video 1.5 的官方页面吗?

不是。这是本站关于这个模型的一页。发布方自己的页面在正文里作为来源链接,本页未经 xAI 审阅,也未经其认可。

在这里我实际能跑哪些模式?

文生视频和图生视频。服务也为这个产品声明了参考生视频,但那个模式收的是图片而不是片段,所以工作台不会把这个家族列进参考生视频菜单。

xAI 文档写明十五秒上限,为什么这里的时长列表更长?

因为两个不同的来源发布了两个不同的列表。xAI 的 API 文档写的是 1 到 15 秒;本站服务发布的是从 6 秒到 30 秒共 23 个选项。工作台跟的是服务,这一页把两者都列出来,而不是替你挑一个。

在这里能拿到 1080p 输出吗?

按本页描述的设置拿不到。发布方为这个模型写明并定价了 1080p 档,而本站通过的服务只发布 480p 与 720p,并默认 480p。

生成的视频带声音吗?

发布方说生成的视频默认带音轨,并且上游可以关掉。本站服务对这个产品没有发布任何音频字段,所以这里两种说法都没有对应的开关。

最多能附几张参考图?

服务为两个以图驱动的模式发布的都是一到七张的上限,发布方文档写的也是每次请求最多七张参考图。两边一致。

费用是怎么算出来的?

任务开始前由服务端按你选的模式和设置以点数报出。目录为这个产品发布了地板价和档位表,本页没有可以直接引用的单一价格。

文生视频会把第一帧作为图片给我吗?

不会。发布方写明文生视频先生成第一帧再把它动起来,中间那张静图不返回。你只发一次请求,拿回来的是一个视频。

为什么这里的画廊只有三条?

因为发布方其余的片段取不到。公告页、预览页和参考页上的每一个片段文件都返回拒绝页,浏览器会话和命令行都一样,所以这一页只放它能核验的素材,其余的记为缺口。

继续探索