xAI 的 Grok Imagine Video 1.5 能把提示词或一张静态图变成视频，动作连贯，声音踩在动作上，很适合做由多个镜头讲完的故事。
Grok Imagine Video 1.5 是 xAI 在初代 Grok Imagine Video 之后推出的视频模型。xAI 发布时称它是自家最强的图生视频模型；没有起始图片时，只靠文字也能生成。
xAI 说的改进：
它最有用的地方，是由多个镜头组成的作品。每条视频里的角色都保持稳定，还可以从你选定的图片开始。
先按节拍把短故事拆开，比如一个快递员取件、在车流中穿行、爬楼梯、把包裹交到对方手里。再从同一张起始静帧出发，把每个节拍单独生成一个镜头。
xAI 对这个版本的说明也强调连续性：让一张脸、一件产品或一个地点在场景之间保持不变。如果只做一条快速的社交短视频，初代Grok Imagine Video更轻量。
在 Zero Kit 上，Grok Imagine Video 1.5 就在本页顶部的编辑器里，免费版 及以上套餐可用。写下镜头描述或加一张起始图，把时长设在 1 到 15 秒之间，然后生成。
每秒 20 积分起，费率取决于你选的分辨率。先用短时长确认动作成不成立最省钱，之后再决定要不要做更长的镜头。
Grok Imagine 系列页把它和其他图片、视频版本放在一起做了对比。
Grok Imagine Video 1.5 的声音和画面一次生成。xAI 称音效、环境声和对白都能踩在动作上，人声也比以前更清晰、同步更好。
给声音一个看得见的落点：一滴水砸进平静的水面、水壶开始鸣笛、烟花绽放到最盛。
示例里的微距水花就是这样的画面：一次清脆的撞击，溅起一圈皇冠状的水珠。
在描述动作的同一句话里写清听到什么、什么时候响起。第一条结果出来后先听一遍，确认音轨确实生成了。
电影感 16:9 视频关键帧，微距慢动作镜头：一滴水砸在平静的深色水面上，溅起干净的皇冠状水花，细小的水珠悬停在空中，涟漪里映着青蓝和品红色的光。正是撞击的那一瞬间，清脆，有回响。
用 Video 1.5 做跨多个镜头的故事，一个镜头一个镜头地来效果最好。
先规划节拍，就像示例里的分镜网格：在面馆取件、穿过车流、爬楼梯、在门口交件。然后把每个节拍单独生成一条视频。
每个镜头都从同一位快递员的静帧开始，每段提示词里都重复同样的描述：黄色夹克、黑色头盔、自行车。调色保持一致，最后在剪辑软件里把几条视频接起来。
用Grok Imagine Image 2.0做一张静帧，可以当作这组镜头共用的起始帧。
二乘二的网格，四个电影感视频画面，跟拍同一位穿亮黄色夹克、戴黑色头盔的自行车快递员在夜里送件：在面馆取件，在霓虹灯下的车流中穿行，爬楼梯，在门口把包裹交出去。每一格里的人、服装和自行车都相同，青蓝与品红调色保持一致，细黑边框。
Video 1.5 擅长让一整条视频保持同一种氛围。xAI 称整条视频里的动作保持连贯，环境声和画面一起生成，所以一个场景从头到尾都能保持节奏。
夜间驾驶是个好测试：雨落在挡风玻璃上，雨刷按稳定的节拍来回扫动，前方的霓虹虚化成青蓝和品红的光斑，仪表盘的光照亮司机的双手。
写明那些重复出现的元素，比如雨刷、雨和掠过的灯光，并让光源从头到尾保持一致。
电影感 16:9 视频关键帧，夜里从车内透过布满雨水的挡风玻璃往外看，雨刷扫到一半，前方街道的青蓝和品红霓虹虚化成光斑，司机握着方向盘的双手被仪表盘柔和地照亮。氛围阴郁，富有节奏，身临其境。
提示词用一句话写清镜头：主体、动作、运镜、光线。「一名快递员在车流中穿行，手持跟拍，夜晚霓虹」就足够起步。
给声音一个提示：写明听到什么、从哪一刻开始，比如「蒸汽喷出时水壶鸣笛」。
做一组镜头时，每段提示词里对角色的描述和调色保持一致，只改动作和地点。
画面风格重要时，从一张图片开始。这张图会成为第一帧，提示词只需描述运动。
先用短时长、低分辨率打草稿，再把满意的那条以最高 1080p 生成。
电影感 16:9 视频关键帧，远景：夜里分叉的闪电劈在城市天际线后方，闪光把低垂的云层照成紫色，大雨成片地落在屋顶上，窗户泛着青蓝色的光。定格在闪电劈下的那一刻，戏剧性强，看上去就震耳欲聋。
电影感 16:9 视频关键帧，特写：一只铜水壶放在蓝色燃气火焰上，正是它开始鸣笛的那一刻，一股蒸汽从壶嘴急速喷出，壶盖上挂着水珠，厨房窗外是下雨的夜晚。青蓝色火焰配暖铜色，触感和声音感都很强。
电影感 16:9 视频关键帧，夜里港口上空绽放出大朵菊花形烟花，品红、青蓝和金色的火花倒映在深色水面上，帆船和码头上的人群成为剪影。画面定格在烟花绽放到最盛的一刻。
电影感 16:9 视频关键帧，一名穿黑衬衫的调酒师在昏暗的霓虹吧台后摇晃不锈钢雪克杯，接着连冰带酒倒出，一泼品红色酒液以慢动作凝固在一只浅碟香槟杯上方。青蓝色逆光，水珠清晰锐利，节奏感强，动作精准。
示例图仅作示意，实际效果因模型而异。
下面的价格都取自实时价目表，价格一调整，这里就跟着变。图片按张计费，视频按秒计费。
| 分辨率 | 套餐 | 积分 |
|---|---|---|
| 480p | 免费版 | 20 约 US$0.20 |
| 720p | 免费版 | 35 约 US$0.35 |
| 1080p | 免费版 | 63 约 US$0.63 |
每次生成都是一条独立的视频，整组镜头的连贯要靠你自己把控。
即使起始图和措辞都一样，夹克上的 logo、包的形状这类细节也可能在镜头之间变化。每个节拍多生成几条，留下能对上的。
人声比以前的 Grok Imagine 视频更清晰，但长句的口型同步，或者几个人同时说话时，仍需要检查。对白尽量短，每个镜头只安排一个人说话。
画面里的文字不可靠，很多人互相接触的复杂动作也仍可能变形。屏幕文字留到剪辑时再加，快速的群体动作尽量简单。
在 xAI 自家的应用里不免费。Grok 的免费套餐包括聊天、搜索和语音，而 xAI 把 Grok Imagine 的视频生成列在付费的 SuperGrok 套餐里，X Premium+ 也包含 SuperGrok。
在 Zero Kit 上，免费版就能使用。新账号注册即送 10 免费积分。
每秒视频的价格是：480p 档 20 积分（约 US$0.20）、720p 档 35 积分（约 US$0.35） 和 1080p 档 63 积分（约 US$0.63）。
按视频时长和你选的分辨率计费，本页表格列出了每种分辨率的实时费率。
美元金额为约数，按月付订阅价折算。
步骤如下：
动作、物理效果或声音很重要，或者故事要跨几个镜头讲完，就用 Video 1.5。xAI 列出的改进是扭曲更少、重量感更可信、人声更清晰且同步更好。
单个简单的镜头用初代 Grok Imagine Video，xAI 设计它时主打速度和成本。
在 Zero Kit 上，每次生成 1 到 15 秒。
生成前在编辑器里设好时长。要讲更长的故事，就生成几个镜头再剪到一起。
按 xAI 的设计，Video 1.5 会在生成画面的同时生成音效、环境声和对白。
本页的示例是静态图片，发布前请先听一遍你自己的视频，确认音轨确实生成了。
加一张图片，Grok Imagine Video 1.5 会把它当作起始帧，再用提示词描述动作和运镜。xAI 发布 Video 1.5 时称它是自家最强的图生视频模型，它也能只靠文字生成。
只想让一张照片动起来、不想写完整的镜头描述，用让照片动起来更省事。
按 xAI 的说法，相比初代 Grok Imagine Video，它的动作、物理效果和音频都更好。
具体是：整条视频里的扭曲变形更少，重量感和惯性更可信，人声更清晰、同步更好。
付费套餐可以。付费套餐下生成的图片和视频可以商用，包括商品详情页、广告和社交媒体内容，但须遵守我们的服务条款。免费版的产出仅限个人、非商业用途。
不会。我们不会用你的提示词、上传内容或生成结果训练 AI 模型。为了完成生成，提示词和参考文件会发送给你所选模型的提供方，由对方按其自身条款处理这次请求。
写一句描述，或挑一个示例提示词，然后点生成。
最近更新：