xAI 的 Grok Imagine Video 1.5 能把提示詞或一張靜態圖變成影片，動作連貫、聲音對得上畫面，很適合當成多鏡頭故事的基礎。
Grok Imagine Video 1.5 是 xAI 接在初代 Grok Imagine Video 之後推出的影片模型。xAI 在發布時稱它是自家最強的圖片轉影片模型；沒有起始圖時，也能只用文字生成。
xAI 提到的進步：
它真正派上用場的地方，是由好幾個鏡頭組成的作品。每段影片的角色都很穩定，也能從你指定的圖片開始。
先把一個短故事拆成幾拍，例如外送員取件、在車陣中穿梭、爬上樓梯間、把包裹交出去。再從同一張起始圖，把每一拍各生成一個鏡頭。
xAI 對這一版的說明特別強調連貫性：讓同一張臉、同一個商品或同一個地點在各場景之間保持一致。只想做一支簡單的社群短片，初代Grok Imagine Video比較輕巧。
在 Zero Kit 上，Grok Imagine Video 1.5 就在本頁上方的編輯器裡，Free 以上方案可用。寫好鏡頭描述或加入起始圖，把片長設在 1 到 15 秒之間，就能生成。
每秒 20 點起，費率依你選的解析度而定。先用短片長確認動作對不對，是最省點數的做法，確定了再做長一點的版本。
Grok Imagine 系列總覽把它和其他圖片、影片版本做了比較。
Grok Imagine Video 1.5 會和畫面一起生成聲音。xAI 表示音效、環境音和對白都會對準動作，說話也比之前更清楚、更同步。
給聲音一個看得見的時間點：水滴打在平靜水面上、水壺開始鳴笛、煙火炸開到最高點的那一刻。
本頁的微距水花範例就是這樣的畫面：一次俐落的撞擊，濺起一圈皇冠狀的水珠。
在描述動作的同一句裡，寫出聽到什麼、什麼時候響起。生成第一支影片後，先聽一遍確認音軌有出來。
電影感 16:9 影片關鍵影格，微距慢動作鏡頭：一滴水砸在平靜的深色水面上，濺起乾淨的皇冠狀水花，細小的水珠懸停在空中，漣漪裡映著青藍與洋紅色的光。正是撞擊的那一瞬間，清脆，有迴響。
用 Video 1.5 做多鏡頭故事，一個鏡頭一個鏡頭來，效果最好。
先規劃好幾拍，就像範例的分鏡格：在麵店取件、在車陣中騎行、爬樓梯間、在門口交件。再把每一拍各生成成一段影片。
每個鏡頭都從同一位外送員的靜態圖開始，每段提示詞裡都用同樣的字眼描述黃色外套、黑色安全帽和腳踏車。調色維持一致，最後在剪輯軟體裡接起來。
用Grok Imagine Image 2.0做一張靜態圖，可以當成這些鏡頭共用的起始畫面。
二乘二的網格，四個電影感影片畫面，跟拍同一位穿亮黃色夾克、戴黑色安全帽的自行車外送員在夜裡送件：在麵店取件，在霓虹燈下的車陣中穿梭，爬樓梯，在門口把包裹交出去。每一格裡的人、服裝與自行車都相同，青藍與洋紅調色維持一致，細黑邊框。
Video 1.5 很擅長讓整段影片維持同一種氛圍。xAI 表示動作在整段影片裡都很連貫，環境音也會和畫面一起出來，所以場景從頭到尾都保有自己的節奏。
夜間開車是很好的測試：雨打在擋風玻璃上，雨刷規律地來回，前方霓虹燈糊成青色和洋紅色的光斑，駕駛的手被儀表板的光照亮。
寫出會重複出現的元素，例如雨刷、雨和掠過的燈光，並讓光源從頭到尾保持一致。
電影感 16:9 影片關鍵影格，夜裡從車內透過佈滿雨水的擋風玻璃往外看，雨刷刷到一半，前方街道的青藍與洋紅霓虹糊成光斑，駕駛握著方向盤的雙手被儀表板柔和地照亮。氛圍陰鬱，富有節奏，身歷其境。
提示詞用一句話寫完：主體、動作、運鏡、光線。「外送員在車陣中穿梭，手持跟拍，夜晚霓虹」就足夠開始了。
給聲音一個提示：寫出聽到什麼、從哪一刻開始，例如「蒸氣噴出的同時，水壺開始鳴笛」。
做一整串鏡頭時，每段提示詞都用同樣的角色描述和同樣的調色，只改動作和地點。
畫面風格很重要時，就從一張圖開始。這張圖會成為第一格畫面，提示詞只要描述怎麼動。
先用短片長、低解析度打草稿，喜歡的版本再用最高 1080p 輸出。
電影感 16:9 影片關鍵影格，遠景：夜裡分岔的閃電劈在城市天際線後方，閃光把低垂的雲層照成紫色，大雨成片落在屋頂上，窗戶泛著青藍色的光。定格在閃電劈下的那一刻，戲劇性強烈，看起來就震耳欲聾。
電影感 16:9 影片關鍵影格，特寫：一只銅水壺放在藍色瓦斯火焰上，正是它開始鳴笛的那一刻，一股蒸氣從壺嘴急速噴出，壺蓋上掛著水珠，廚房窗外是下雨的夜晚。青藍色火焰搭配暖銅色，觸感與聲音感都很強。
電影感 16:9 影片關鍵影格，夜裡港口上空綻放出大朵菊花形煙火，洋紅、青藍與金色的火花倒映在深色水面上，帆船與碼頭上的人群成為剪影。畫面定格在煙火綻放到最盛的一刻。
電影感 16:9 影片關鍵影格，一名穿黑襯衫的調酒師在昏暗的霓虹吧檯後搖晃不鏽鋼雪克杯，接著連冰帶酒倒出，一潑洋紅色酒液以慢動作凝結在一只淺碟香檳杯上方。青藍色逆光，水珠清晰銳利，節奏感強，動作精準。
範例圖僅供示意，實際效果因模型而異。
以下價格都取自即時價目表，價格一調整，這裡就會跟著更新。圖片按張計費，影片按秒計費。
| 解析度 | 方案 | 點數 |
|---|---|---|
| 480p | Free | 20 約 US$0.20 |
| 720p | Free | 35 約 US$0.35 |
| 1080p | Free | 63 約 US$0.63 |
每次生成都是獨立的一段影片，整串鏡頭的連貫性要靠你自己把關。
就算用同一張起始圖、同樣的描述，外套上的標誌或包包的形狀這類細節，鏡頭之間還是可能跑掉。每一拍多生成幾個版本，留下對得上的那幾段。
說話比早期的 Grok Imagine 影片清楚，但長台詞或好幾個人同時說話時，嘴型還是要檢查。台詞盡量短，每個鏡頭只安排一個人說話。
畫面裡的文字不穩定，很多人互相接觸的複雜動作也還是可能變形。畫面上的字留到剪輯時再加，快速的群體動作盡量簡單。
在 xAI 自家的 App 裡不行。Grok 免費方案包含聊天、搜尋和語音，Grok Imagine 的影片生成則列在付費的 SuperGrok 方案裡，X Premium+ 也包含 SuperGrok。
在 Zero Kit 上，免費方案就能使用。新帳號註冊即送 10 點免費點數。
每秒影片的價格是 480p 解析度 20 點（約 US$0.20）、720p 解析度 35 點（約 US$0.35） 和 1080p 解析度 63 點（約 US$0.63）。
費用依片長和你選的解析度計算，本頁的價格表列出每種解析度目前的單價。
美元金額依月繳訂閱價格換算，僅供參考。
步驟如下：
動作、物理或聲音很重要，或故事要跨好幾個鏡頭時，用 Video 1.5。xAI 提到它變形更少、重量感更可信，說話也更清楚、更同步。
單一、簡單的鏡頭用初代 Grok Imagine Video 就好，xAI 設計它時著重速度和成本。
在 Zero Kit 上，每次生成 1 到 15 秒。
生成前在編輯器裡設定片長。故事比較長時，就生成好幾個鏡頭再剪在一起。
按 xAI 的設計，Video 1.5 的音效、環境音和對白會跟畫面一次生成。
本頁的範例是靜態圖片，所以發布前請自己聽一遍，確認音軌有出來。
加入一張圖，Grok Imagine Video 1.5 會把它當成起始畫面，再用提示詞描述動作和運鏡。xAI 在發布 Video 1.5 時稱它是自家最強的圖片轉影片模型，它也能只用文字生成。
不想寫完整的鏡頭描述、只想讓照片動起來，用AI 讓照片動起來更簡單。
依 xAI 的說法，和初代 Grok Imagine Video 相比，它的動作、物理和音訊都更好。
也就是整段影片變形更少、重量感和慣性更可信，說話更清楚、更同步。
付費方案可以。付費方案生成的圖片與影片可用於商業用途，包含商品頁、廣告與社群貼文，但須遵守我們的服務條款。免費方案的產出僅限個人、非商業用途。
不會。我們不會用你的提示詞、上傳內容或生成結果訓練 AI 模型。為了執行生成，提示詞與參考檔案會傳送給你所選模型的供應商，由對方依其自身條款處理這次請求。
寫一句描述，或挑一個範例提示詞，然後按下生成。
最後更新：