# Grok video: cómo crear videos con Grok — modos, prompts y límites

> Grok video es Grok Imagine Video de xAI: clips de hasta 15 segundos con sonido a partir de texto, una foto o referencias. El modelo principal es Video 1.5 (junio de 2026, hasta 1080p, sincronización labial), el económico es 1.5 Lite, y la edición y la extensión las hace el modelo base grok-imagine-video. En AI2Face, Grok video está disponible sin suscripción a SuperGrok.

Publicado el 2026-10-13 · Actualizado el 2026-10-13
URL: https://ai2face.com/es/blog/grok-video

Grok video se busca por dos motivos: saber si Grok hace videos y cómo conseguir un buen resultado. La primera respuesta es sí: en 2026 es uno de los modelos de video más potentes. Revisamos la documentación de xAI, generamos cuatro clips con Grok Video 1.5 y reunimos qué modos hay, cómo escribir prompts, dónde están los límites y por qué a veces la generación falla. La reseña de los dos modelos de Grok está en [Grok Imagine](/es/models/grok-imagine).

## Qué es Grok video

Grok video es la generación de clips en Grok Imagine, la parte visual del chatbot Grok de xAI. Los clips salen ya con sonido: efectos, ambiente y voz. Funciona en grok.com/imagine, en las apps de Grok para iOS y Android y a través de la API de xAI.

Tres modelos cubren los distintos modos:

| | Video 1.5 | Video 1.5 Lite | grok-imagine-video |
|---|---|---|---|
| Modos | texto, foto, referencias, primer y último fotograma, fotogramas clave | texto, foto | texto, foto, edición de video, extensión |
| Resolución | 1080p nativo, hasta 720p con referencias | 1080p reescalado desde 720p | hasta 720p |
| Duración | 1–15 s | 1–15 s | 1–15 s, hasta 10 s con referencias |
| Audio | sí, con sincronización labial | sí, con sincronización labial | sí |
| Precio en la API de xAI | 0,08 $ por segundo | 0,02 $ por segundo en 480p, 0,03 $ en 720p | 0,05 $ por segundo |

xAI lanzó **Video 1.5** el 16 de junio de 2026 y lo presenta como su mejor modelo en movimiento y física: menos deformaciones, peso e inercia más creíbles, y una voz más limpia que coincide mejor con los labios. En las apps funciona la versión acelerada **Video 1.5 Fast**: un clip de 6 segundos en 720p en unos 25 segundos, frente a más de 40 del modelo anterior. El 31 de julio de 2026 xAI añadió referencias, voz del personaje, texto a video y 1080p nativo.

**Video 1.5 Lite** tiene el precio por segundo más bajo. xAI lo recomienda para videos sencillos.

## Cómo crear un video con Grok paso a paso

1. **Elige el modo.** Texto, cuando aún no tienes un fotograma. Foto, cuando importa un aspecto, un producto o una composición concretos. Referencias, para una serie de clips con el mismo personaje.
2. **Define la relación de aspecto.** Hay 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 y 5:2. En imagen a video se usa la de la foto y tu elección se ignora.
3. **Elige la duración.** De 1 a 15 segundos, 8 por defecto. Para un primer intento bastan 6–8 segundos: caben una acción y un intento fallido sale más barato.
4. **Elige la resolución.** 480p para borradores, 720p para redes sociales, 1080p para la versión final. En la API el valor por defecto es 480p.
5. **Escribe el prompt** con la fórmula de más abajo: escena → acción → cámara → luz → sonido.
6. **Genera y revisa.** Si no sale, cambia una sola cosa cada vez: la acción, la cámara o el sonido.

## Generación de video con Grok a partir de texto

En texto a video, Video 1.5 trabaja en dos pasos: primero dibuja un fotograma inicial a partir de tu descripción y luego lo anima. Es una sola petición y el modelo no devuelve la imagen intermedia. De ahí el consejo principal: describe el primer fotograma con detalle —el lugar, la luz, quién está dónde—. Todo el clip depende de él.

[Un tranvía rojo antiguo avanza por una calle empedrada mojada de noche bajo la lluvia mientras un transeúnte con paraguas amarillo se aparta](https://ai2face.com/_astro/media/blog/grok-video/text-to-video.mp4 "Texto a video: reflejos de neón en los charcos, travelling bajo hacia delante, sonido de lluvia y ciudad. Fallo: el paraguas ya está abierto en el primer fotograma, aunque en el prompt el transeúnte lo abre. Grok Video 1.5, 720p, 8 s")

El prompt de este 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: de imagen a video

Imagen a video es el modo más predecible. La foto ya fija el aspecto, la ropa, el fondo y la luz; al modelo solo le queda el movimiento. En Video 1.5 el prompt incluso es opcional, pero sin él el modelo decide solo qué se mueve.

Cómo conseguir un buen resultado:

- **Describe solo lo que cambia.** No repitas la foto: «el zorro gira la cabeza, bosteza y se aleja trotando a la derecha», no «un zorro rojo sentado en un bosque nevado».
- **Separa el movimiento del sujeto y el de la cámara** en frases distintas.
- **No pidas al fotograma lo imposible.** Si la foto muestra a alguien de cintura para arriba, «camina hacia la cámara de cuerpo entero» obliga al modelo a inventar las piernas.
- **La foto inicial se puede generar.** El primer fotograma de nuestro clip se hizo con Grok Image 2.0; más en la guía de [Grok Image](/es/blog/grok-image).

[Un zorro rojo sentado en un claro nevado gira la cabeza hacia la cámara, bosteza, se levanta y se aleja trotando a la derecha](https://ai2face.com/_astro/media/blog/grok-video/photo-to-video.mp4 "Imagen a video: las tres acciones en orden, la nieve sigue cayendo, pelaje y patas sin deformaciones. Fotograma inicial: Grok Image 2.0; clip: Grok Video 1.5, 720p, 8 s")

Así también se animan fotos antiguas y retratos; más ideas en la guía para [animar una foto con IA](/es/blog/ozhivit-foto).

## Referencias, fotogramas clave y voz

Video 1.5 hace mucho más que animar una foto, y pocos competidores reúnen todo esto en un solo modelo.

- **Imágenes de referencia.** Hasta 7 en el lanzamiento del 31 de julio de 2026; la documentación de la API indica ahora hasta 14. Cada una fija un personaje, una escena, un producto o un lugar. Este modo funciona en 720p.
- **Voz.** Hasta 3 hablantes reciben su propia voz a partir de una referencia de audio, así el rostro y la voz del personaje se mantienen entre escenas. En julio de 2026, las referencias de voz en la API se daban bajo solicitud.
- **Primer y último fotograma.** El modelo interpola el movimiento entre dos imágenes.
- **Fotogramas clave.** Hasta 4 imágenes fijadas en momentos concretos del clip, con un paso de un tercio de segundo. Así se arma una historia con varios estados.

![A la izquierda, una joven de pelo oscuro y rizado con gabardina beige en una calle mojada de un casco antiguo; a la derecha, una taza de cerámica verde salvia con platillo sobre travertino](https://ai2face.com/_astro/references.DWuQHS0k_Z1TL2QI.jpg "Dos referencias para el clip: la protagonista y la taza. Grok Image 2.0")

[Una mujer con gabardina beige entra en un café soleado, se sienta junto a la ventana, toma la taza verde, bebe un sorbo y sonríe](https://ai2face.com/_astro/media/blog/grok-video/references.mp4 "Video con referencias: la protagonista y la taza se reconocen, aunque ninguna imagen fue el primer fotograma. La cámara la sigue y se detiene en un plano medio. Grok Video 1.5, 720p, 8 s")

**Voz.** Video 1.5 y Lite generan voz con sincronización labial. Indica quién habla y pon la frase exacta entre comillas; el resto de sonidos, en otra línea. Una frase corta en 6–8 segundos suena más natural que un monólogo largo.

[Una barista con delantal verde en una cafetería soleada mira a cámara, sonríe, dice una frase y acerca un latte](https://ai2face.com/_astro/media/blog/grok-video/lip-sync.mp4 "Una frase en inglés con sincronización labial y ambiente de cafetería. Fallo: pedimos formato vertical 9:16 y el modelo devolvió 16:9. Grok Video 1.5, 720p, 8 s")

Más sobre clips con voz en la guía de [foto que habla](/es/blog/govoryashchee-foto).

## Prompts para videos de Grok

La fórmula que funciona: **escena → una acción principal → cámara → luz y ambiente → sonido**. Para escenas complejas y movimientos de cámara, escribe en inglés. Los diálogos, en el idioma en que deben sonar y entre comillas.

La cámara, en su propia frase:

| Qué quieres | Cómo escribirlo |
|---|---|
| Acercamiento lento | slow push-in |
| La cámara sigue al sujeto | the camera follows / tracking shot |
| Rodear un objeto | slow orbit around |
| Elevarse sobre la escena | crane up, rising shot |
| Plano fijo | static camera, locked-off shot |
| Cámara lenta en el momento justo | slow motion at the peak of the jump |

Seis prompts para tareas típicas:

**Video de producto para una ficha o un anuncio:**

```
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.
```

**Retrato animado:**

```
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.
```

**Escena de acción:**

```
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.
```

**Paisaje atmosférico:**

```
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.
```

**Comida para redes sociales (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.
```

**La frase de un personaje:**

```
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.
```

Más plantillas para video e imágenes en nuestra selección de [prompts para imágenes](/es/blog/promty-dlya-kartinok).

## Editar y extender un video terminado

En la API de xAI, la edición y la extensión las hace el modelo base grok-imagine-video, no Video 1.5.

- **Edición de video**: describes el cambio con texto y el modelo rehace el clip conservando el resto de la escena. La duración y la relación de aspecto son las del original; la duración, como máximo 8,7 segundos, y la resolución, hasta 720p: un clip en 1080p se reduce.
- **Extensión**: el modelo continúa el clip desde su último fotograma y une el original y la continuación en un solo archivo. Así se construyen escenas de más de 15 segundos.

Consejo: no extiendas más de dos o tres veces seguidas. Cada paso parte de un fotograma ya generado y los pequeños errores se acumulan. Un video largo es más fiable si lo montas con varios clips cortos en un editor.

## Por qué Grok no crea el video o hace otra cosa

- **Se acabó el límite.** En la app, la generación se detiene hasta que se renueva la cuota semanal; antes, 720p baja a 480p.
- **Moderación.** Los prompts o fotos que incumplen las normas de xAI se rechazan sin generar.
- **Demasiados eventos.** Cinco acciones en 8 segundos se comprimen o la mitad se omite. Una acción principal por clip.
- **Contradicciones.** «Cámara fija» y «órbita» en el mismo prompt, o un prompt que choca con la foto: de día en la imagen y de noche en el texto.
- **Demasiados objetos en movimiento.** Una multitud donde cada uno hace algo es una fuente habitual de deformaciones.
- **Diálogos largos.** Un monólogo de 15 segundos se sincroniza peor con los labios que una frase corta.

## Grok video gratis y límites

Grok se puede probar gratis en la web y en las apps. xAI no publica cuántos clips de Imagine se obtienen sin suscripción, y las funciones nuevas —como las referencias y la voz en julio de 2026— llegan primero a los suscriptores de SuperGrok Heavy y Plus.

Cómo funcionan los límites, según la ayuda de xAI:

- **Una cuota semanal común.** Desde junio de 2026, los planes de pago ya no tienen límites separados para chat e Imagine, sino una sola cuota semanal para todos los productos. Un video en alta calidad la consume mucho más rápido que un mensaje de chat.
- **720p → 480p.** Cuando alcanzas el tope de 720p de tu plan, los videos se generan automáticamente en 480p.
- **1080p**, en el plan SuperGrok Plus.
- **Recargas.** Los Extra Usage Credits se compran solo en la web, desde 5 $; cuestan más que las generaciones dentro del plan y caducan al año.
- **Marca de agua.** Las imágenes y los videos de las apps de Grok llevan una marca de agua que no se puede desactivar.

## Grok video frente a otros modelos de video con IA

| | Grok Video 1.5 | [Gemini Omni](/es/models/gemini-omni) | [Seedance 2.5](/es/models/seedance-2-5) | [Kling](/es/models/kling) |
|---|---|---|---|---|
| Puesto en Arena (21/09/2026) | 4 (modo agente) | 1–2 | 7 | 29 (2.6 Pro) |
| Audio y voz | sí, sincronización labial | sí | sí | sí |
| Resolución | hasta 1080p | hasta 4K | no revelada | 720p, 1080p |
| Referencias | hasta 14 imágenes, 3 voces | imágenes y video | hasta 50 | hasta 7 imágenes |

Grok Video 1.5 está entre los cinco primeros y, con referencias, voz, fotogramas clave y extensión, es uno de los modelos más flexibles. Gemini Omni gana en calidad y resolución, y [Seedance](/es/models/seedance) admite más referencias. La comparativa completa está en el artículo sobre [generadores de video con IA](/es/blog/nejroseti-dlya-video).

## Grok video en AI2Face

SuperGrok es una suscripción aparte con tope semanal. En AI2Face, Grok Imagine está disponible directamente en el generador:

- **sin suscripción a SuperGrok**: entra con tu correo o con Google;
- **pago con tarjeta, criptomonedas u otro método cómodo**: el coste de cada generación se ve antes de lanzarla;
- **los créditos no caducan**: además de la suscripción puedes comprar un paquete de créditos, y el saldo pasa al mes siguiente;
- **todos los modelos de video en una suscripción**: Grok, [Veo 3.1](/es/models/veo-3-1), Gemini Omni, Seedance y Kling; sale más a cuenta que pagar suscripciones por separado y es fácil comparar clips con el mismo prompt;
- **créditos de bienvenida al registrarte**: suficientes para tus primeros clips.

## Conclusión

Usa Grok video cuando necesites un clip con sonido y física viva: deporte, animales, acción, producto con la cámara girando alrededor. Para una serie con el mismo personaje, Video 1.5 supera a la mayoría de competidores gracias a las referencias de rostro y voz, y el económico Lite basta para borradores y escenas sencillas. Empieza por imagen a video: es el modo más predecible. Una acción cada 6–8 segundos, cámara y sonido en líneas aparte. Si te importan más la calidad máxima y el 4K, compara el mismo prompt en Gemini Omni; en AI2Face se hace en la misma ventana.

## Preguntas frecuentes

### ¿Grok puede crear videos?

Sí. La generación de video de Grok se llama Grok Imagine: crea clips de 1 a 15 segundos con sonido a partir de una descripción, una foto o referencias. Funciona en grok.com/imagine, en las apps de iOS y Android y a través de la API de xAI.

### ¿Cómo convertir una foto en video con Grok?

Sube la foto como fotograma inicial y describe el movimiento, la cámara y el sonido. El modelo toma la relación de aspecto de la foto y conserva la composición y el aspecto del sujeto. En Video 1.5 el prompt es opcional para imagen a video, pero con él el resultado es más predecible.

### ¿Se pueden hacer videos con Grok gratis?

Puedes probar Grok gratis, pero xAI no publica cuántos videos de Imagine incluye el acceso sin suscripción. Desde junio de 2026 los planes de pago comparten una cuota semanal para todos los productos de Grok. AI2Face da créditos de bienvenida al registrarte.

### ¿Cuál es el límite de videos en Grok?

No hay un número fijo de clips: el video consume la cuota semanal compartida de tu plan, y un video en alta calidad la gasta mucho más rápido que el chat. Cuando alcanzas el tope de 720p de tu plan, Grok pasa automáticamente a 480p.

### ¿Cuánto pueden durar los videos de Grok?

De 1 a 15 segundos, 8 por defecto. Con referencias en el modelo base, hasta 10 segundos, y un clip editado conserva la duración original, con un máximo de 8,7 segundos. Para escenas más largas se extiende desde el último fotograma.

### ¿Los videos de Grok llevan marca de agua?

Sí. En las apps de Grok, las imágenes y los videos generados llevan una marca de agua de Grok y no hay ningún ajuste para quitarla.

## Fuentes

- https://docs.x.ai/developers/model-capabilities/video/generation
- https://docs.x.ai/developers/model-capabilities/imagine
- https://docs.x.ai/developers/models
- https://docs.x.ai/developers/models/grok-imagine-video-1.5-lite
- https://x.ai/news/grok-imagine-video-1-5
- https://x.ai/news/grok-imagine-video-1-5-references
- https://docs.x.ai/grok/faq
- https://arena.ai/leaderboard/text-to-video