Grok Video: So erstellen Sie Videos mit Grok — Modi, Prompts und Limits

Nach Grok Video wird aus zwei Gründen gesucht: Kann Grok überhaupt Videos, und wie kommt man zu einem guten Ergebnis? Die erste Antwort lautet ja — 2026 gehört es zu den stärksten Videomodellen. Wir haben die Dokumentation von xAI durchgearbeitet, vier Clips mit Grok Video 1.5 selbst erstellt und zusammengetragen, welche Modi es gibt, wie man Prompts schreibt, wo die Limits liegen und warum die Generierung manchmal scheitert. Den Überblick über beide Grok-Modelle finden Sie unter Grok Imagine.

Was ist Grok Video

Grok Video ist die Clip-Generierung in Grok Imagine, dem visuellen Teil des Chatbots Grok von xAI. Die Clips haben gleich Ton: Geräusche, Atmo und Sprache. Das funktioniert auf grok.com/imagine, in den Grok-Apps für iOS und Android und über die xAI-API.

Drei Modelle decken die verschiedenen Modi ab:

	Video 1.5	Video 1.5 Lite	grok-imagine-video
Modi	Text, Foto, Referenzen, erstes und letztes Bild, Keyframes	Text, Foto	Text, Foto, Videobearbeitung, Verlängerung
Auflösung	natives 1080p, mit Referenzen bis 720p	1080p, hochskaliert aus 720p	bis 720p
Dauer	1–15 s	1–15 s	1–15 s, mit Referenzen bis 10 s
Ton	ja, lippensynchron	ja, lippensynchron	ja
Preis in der xAI-API	0,08 $ pro Sekunde	0,02 $ pro Sekunde in 480p, 0,03 $ in 720p	0,05 $ pro Sekunde

xAI hat Video 1.5 am 16. Juni 2026 veröffentlicht und nennt es sein bestes Modell für Bewegung und Physik: weniger Verzerrungen, glaubwürdigeres Gewicht und Trägheit, klarere Sprache, die besser zu den Lippen passt. In den Apps läuft die beschleunigte Version Video 1.5 Fast: ein 6-Sekunden-Clip in 720p in rund 25 Sekunden statt über 40 beim Vorgängermodell. Am 31. Juli 2026 kamen Referenzen, Figurenstimmen, Text-zu-Video und natives 1080p hinzu.

Video 1.5 Lite hat den niedrigsten Preis pro Sekunde. xAI empfiehlt es für einfache Videos.

So erstellen Sie ein Video in Grok, Schritt für Schritt

1. Wählen Sie den Modus. Text, wenn Sie noch kein Bild haben. Foto, wenn ein bestimmtes Aussehen, ein Produkt oder ein Bildaufbau wichtig ist. Referenzen für eine Serie von Clips mit derselben Figur.
2. Legen Sie das Seitenverhältnis fest. Zur Wahl stehen 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 und 5:2. Bei Bild-zu-Video gilt das Format des Fotos, Ihre Auswahl wird ignoriert.
3. Wählen Sie die Dauer. 1 bis 15 Sekunden, standardmäßig 8. Für den ersten Versuch reichen 6–8 Sekunden: Eine Handlung passt hinein, und ein Fehlversuch kostet weniger.
4. Wählen Sie die Auflösung. 480p für Entwürfe, 720p für Social Media, 1080p für die finale Fassung. In der API ist 480p voreingestellt.
5. Schreiben Sie den Prompt nach der Formel unten: Szene → Handlung → Kamera → Licht → Ton.
6. Generieren und prüfen. Wenn es nicht passt, ändern Sie immer nur eine Sache: die Handlung, die Kamera oder den Ton.

Grok: Videogenerierung aus Text

Bei Text-zu-Video arbeitet Video 1.5 in zwei Schritten: Zuerst zeichnet es nach Ihrer Beschreibung ein Startbild, dann animiert es dieses. Es bleibt eine einzige Anfrage, das Zwischenbild gibt das Modell nicht aus. Daraus folgt der wichtigste Tipp: Beschreiben Sie das erste Bild ausführlich — Ort, Licht, wer wo steht. Davon hängt der ganze Clip ab.

Der Prompt für diesen Clip:

A vintage red tram rolls slowly through a narrow cobblestone street at night in the rain,
neon shop lights reflecting in the puddles. The camera starts low near the wet stones and
slowly pushes in as a passer-by in a dark coat opens a yellow umbrella and steps aside.
Realistic motion, cinematic lighting.
Sound: steady rain, the tram bell ringing twice, wheels on rails, distant traffic.
No readable text on signs.

Grok: vom Bild zum Video

Bild-zu-Video ist der berechenbarste Modus. Das Foto legt Aussehen, Kleidung, Hintergrund und Licht schon fest, dem Modell bleibt nur die Bewegung. In Video 1.5 ist der Prompt sogar optional, ohne ihn entscheidet das Modell aber selbst, was sich bewegen soll.

So gelingt das Ergebnis:

• Beschreiben Sie nur, was sich ändert. Erzählen Sie das Foto nicht nach: „der Fuchs dreht den Kopf, gähnt und trabt nach rechts davon“, nicht „ein roter Fuchs sitzt in einem verschneiten Wald“.
• Trennen Sie Motiv- und Kamerabewegung in eigene Sätze.
• Verlangen Sie vom Bild nichts Unmögliches. Zeigt das Foto jemanden bis zur Hüfte, zwingt „läuft in voller Größe auf die Kamera zu“ das Modell, die Beine zu erfinden.
• Das Startfoto kann generiert sein. Das erste Bild unseres Clips stammt aus Grok Image 2.0 — mehr dazu in unserer Anleitung zu Grok Image.

So lassen sich auch alte Fotos und Porträts beleben — mehr Ideen in unserer Anleitung, wie Sie ein Foto mit KI animieren.

Referenzen, Keyframes und Stimme

Video 1.5 kann viel mehr, als ein Foto zu animieren, und nur wenige Konkurrenten bieten all das in einem Modell.

• Bildreferenzen. Zum Start am 31. Juli 2026 bis zu 7, die API-Dokumentation nennt inzwischen bis zu 14. Jede fixiert eine Figur, eine Szene, ein Produkt oder einen Ort. Dieser Modus läuft in 720p.
• Stimme. Bis zu 3 Sprecher erhalten jeweils eine Stimme aus einer Audioreferenz, sodass Gesicht und Stimme der Figur über Szenen hinweg gleich bleiben. Stand Juli 2026 gab es Stimmreferenzen in der API auf Anfrage.
• Erstes und letztes Bild. Das Modell interpoliert die Bewegung zwischen zwei Bildern.
• Keyframes. Bis zu 4 Bilder, festgesetzt an bestimmten Zeitpunkten im Clip, im Raster von einer Drittelsekunde. So lässt sich eine Handlung mit mehreren Zuständen aufbauen.

Sprache. Video 1.5 und Lite erzeugen Sprache lippensynchron. Nennen Sie, wer spricht, und setzen Sie den genauen Satz in Anführungszeichen; andere Geräusche in eine eigene Zeile. Ein kurzer Satz in 6–8 Sekunden klingt natürlicher als ein langer Monolog.

Mehr zu Clips mit Sprache in unserer Anleitung zum sprechenden Foto.

Grok Video Prompts

Die Formel, die funktioniert: Szene → eine Haupthandlung → Kamera → Licht und Stimmung → Ton. Komplexe Szenen und Kamerabewegungen beschreiben Sie am besten auf Englisch. Dialoge der Figuren stehen in Anführungszeichen, in der Sprache, in der sie gesprochen werden sollen.

Die Kamera in einem eigenen Satz:

Was Sie wollen	Wie Sie es schreiben
Langsame Annäherung	slow push-in
Kamera folgt dem Motiv	the camera follows / tracking shot
Um ein Objekt kreisen	slow orbit around
Über die Szene aufsteigen	crane up, rising shot
Starre Einstellung	static camera, locked-off shot
Zeitlupe im richtigen Moment	slow motion at the peak of the jump

Sechs Prompts für typische Aufgaben:

Produktvideo für Shop oder Anzeige:

A glass perfume bottle on a dark wet stone surface, thin mist drifting around it,
soft highlights moving across the glass. The camera slowly orbits the bottle.
Sound: a deep ambient tone, a single water drop.

Animiertes Porträt:

The man slowly looks up from the book into the camera and gives a slight warm smile.
Static camera, his face and clothes stay unchanged.
Sound: quiet room tone, a page turning.

Actionszene:

A mountain biker speeds down a forest trail and jumps over a fallen log. The camera
tracks alongside, slow motion at the peak of the jump, then back to normal speed as he lands.
Sound: tires on gravel, wind, a hard landing.

Stimmungsvolle Landschaft:

A misty mountain lake at sunrise, clouds slowly rolling over the peaks, a lone canoe
gliding across the still water. Crane up, rising shot.
Sound: birds, gentle water ripples.

Food für Social Media (9:16):

Vertical close-up: honey slowly pours onto a stack of fluffy pancakes, a blueberry rolls
off the top. Static camera, warm morning light, shallow depth of field.
Sound: a soft drip, quiet kitchen ambience.

Der Satz einer Figur:

Medium close-up of a young woman in a yellow raincoat at a bus stop in the rain.
She turns to the camera and says: "Looks like summer is over."
Sound: her voice, heavy rain on the roof, a passing car.

Weitere Vorlagen für Video und Bild in unserer Sammlung von Prompts für Bilder.

Ein fertiges Video bearbeiten und verlängern

In der xAI-API laufen Bearbeitung und Verlängerung über das Basismodell grok-imagine-video, nicht über Video 1.5.

• Videobearbeitung — Sie beschreiben die Änderung als Text, und das Modell überarbeitet den Clip, während der Rest der Szene erhalten bleibt. Länge und Seitenverhältnis entsprechen dem Original; die Länge ist auf 8,7 Sekunden begrenzt, die Auflösung auf 720p: Ein 1080p-Clip wird verkleinert.
• Verlängerung — das Modell setzt den Clip ab dem letzten Bild fort und fügt Original und Fortsetzung zu einer Datei zusammen. So entstehen Szenen, die länger als 15 Sekunden sind.

Tipp: Verlängern Sie nicht öfter als zwei- bis dreimal hintereinander. Jeder Schritt baut auf einem bereits generierten Bild auf, und kleine Fehler summieren sich. Ein langes Video wird zuverlässiger, wenn Sie es aus mehreren kurzen Clips im Schnittprogramm zusammensetzen.

Warum Grok kein Video erstellt oder das falsche

• Das Limit ist erreicht. In der App pausiert die Generierung bis zum Zurücksetzen des Wochenkontingents; vorher fällt 720p auf 480p.
• Moderation. Prompts oder Fotos, die gegen die Regeln von xAI verstoßen, werden ohne Generierung abgelehnt.
• Zu viele Ereignisse. Fünf Handlungen in 8 Sekunden werden gestaucht oder zur Hälfte ausgelassen. Eine Haupthandlung pro Clip.
• Widersprüche. „Starre Kamera“ und „Orbit“ im selben Prompt oder ein Prompt, der dem Foto widerspricht: Tag im Bild, Nacht im Text.
• Zu viele bewegte Objekte. Eine Menschenmenge, in der jeder etwas tut, ist eine häufige Quelle für Verzerrungen.
• Lange Sprache. Ein 15-Sekunden-Monolog wird schlechter lippensynchron als ein kurzer Satz.

Grok Video kostenlos und Limits

Grok lässt sich im Web und in den Apps kostenlos ausprobieren. Wie viele Imagine-Clips es ohne Abo gibt, veröffentlicht xAI nicht, und neue Funktionen — wie Referenzen und Stimme im Juli 2026 — bekommen zuerst Abonnenten von SuperGrok Heavy und Plus.

So funktionieren die Limits laut Hilfe von xAI:

• Ein gemeinsames Wochenkontingent. Seit Juni 2026 haben kostenpflichtige Tarife keine getrennten Limits mehr für Chat und Imagine, sondern ein Wochenkontingent für alle Produkte. Ein Video in hoher Qualität verbraucht es deutlich schneller als eine Chatnachricht.
• 720p → 480p. Ist das 720p-Kontingent Ihres Tarifs erschöpft, werden Videos automatisch in 480p erzeugt.
• 1080p — im Tarif SuperGrok Plus.
• Nachkaufen. Extra Usage Credits gibt es nur im Web, ab 5 $; sie kosten mehr als Generierungen im Tarif und verfallen nach einem Jahr.
• Wasserzeichen. Bilder und Videos aus den Grok-Apps tragen ein Wasserzeichen, das sich nicht abschalten lässt.

Grok Video im Vergleich mit anderen KI-Videomodellen

	Grok Video 1.5	Gemini Omni	Seedance 2.5	Kling
Platz in der Arena (21.09.2026)	4 (Agent-Modus)	1–2	7	29 (2.6 Pro)
Ton und Sprache	ja, lippensynchron	ja	ja	ja
Auflösung	bis 1080p	bis 4K	nicht angegeben	720p, 1080p
Referenzen	bis 14 Bilder, 3 Stimmen	Bilder und Video	bis 50	bis 7 Bilder

Grok Video 1.5 liegt in den Top 5 und ist mit Referenzen, Stimme, Keyframes und Verlängerung eines der flexibelsten Modelle. Gemini Omni ist bei Qualität und Auflösung vorn, Seedance akzeptiert mehr Referenzen. Den vollständigen Vergleich finden Sie in unserem Artikel über KI-Videogeneratoren.

Grok Video in AI2Face

SuperGrok ist ein eigenes Abo mit wöchentlicher Obergrenze. In AI2Face ist Grok Imagine direkt im Generator verfügbar:

• ohne SuperGrok-Abo — Anmeldung per E-Mail oder mit Google;
• Zahlung per Karte, Krypto oder einer anderen bequemen Methode — die Kosten jeder Generierung sehen Sie vor dem Start;
• Credits verfallen nicht — neben dem Abo können Sie ein Credit-Paket kaufen, das Guthaben wird in den nächsten Monat übertragen;
• alle Videomodelle in einem Abo — Grok, Veo 3.1, Gemini Omni, Seedance und Kling: günstiger als Einzelabos, und Clips lassen sich mit demselben Prompt leicht vergleichen;
• Willkommens-Credits bei der Registrierung — genug für die ersten Clips.

Fazit

Greifen Sie zu Grok Video, wenn Sie einen Clip mit Ton und lebendiger Physik brauchen: Sport, Tiere, Action, Produktaufnahmen mit kreisender Kamera. Für eine Serie mit derselben Figur schlägt Video 1.5 dank Gesichts- und Stimmreferenzen die meisten Konkurrenten, und das günstige Lite reicht für Entwürfe und einfache Szenen. Starten Sie mit Bild-zu-Video: Dieser Modus ist am berechenbarsten. Eine Handlung pro 6–8 Sekunden, Kamera und Ton in eigenen Zeilen. Wenn maximale Qualität und 4K wichtiger sind, vergleichen Sie denselben Prompt in Gemini Omni — in AI2Face geht das im selben Fenster.