Grok Imagine Video 1.5: el modelo de video de xAI — sonido, 14 referencias, voces y fotogramas clave

Qué es Grok Imagine Video 1.5

Grok Imagine Video 1.5 es el modelo de generación de video de xAI, la empresa del chatbot Grok. Salió en dos etapas:

• 16 de junio de 2026 — animación de fotos y la versión rápida Video 1.5 Fast en las apps de Grok; el modelo de la API salió de la vista previa;
• 31 de julio de 2026 — imágenes de referencia y voces, video a partir de texto y 1080p.

En octubre de 2026 se le sumó la versión ligera Grok Imagine Video 1.5 Lite. El modelo funciona en grok.com/imagine, en las apps de Grok para iOS y Android y a través de la API de xAI con el nombre grok-imagine-video-1.5. Las imágenes del mismo ecosistema las hace Imagine Image 2.0; ambos modelos están en la página de Grok Imagine.

Qué hace Grok Imagine Video 1.5

Clips con sonido de 1 a 15 segundos. Efectos, ambiente y voz con sincronización labial se generan en la misma pasada que la acción. El sonido se puede desactivar para obtener un clip mudo.

1080p nativo. A partir de texto o de una foto, el modelo dibuja 1080p directamente, sin reescalado. Por defecto está en 480p, pensado para borradores. En el modo de referencias el techo es 720p.

Nueve relaciones de aspecto. 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3 y las menos habituales 21:9 y 5:2, para banners y portadas anchas. Al animar una foto, el formato se toma de la imagen original.

Física y movimiento. xAI llama a la 1.5 su mejor modelo de movimiento: menos deformaciones y un peso y una inercia de los cuerpos más creíbles.

Video a partir de texto, pasando por un fotograma. Si el prompt no lleva imagen, el modelo primero dibuja el fotograma inicial y luego lo anima.

Un mismo personaje en distintas escenas. Hasta 14 imágenes de referencia mantienen la cara y el aspecto del personaje. La voz se asigna aparte: hasta 3 personajes que hablan por clip, cada uno con su voz de un conjunto ya preparado.

Primer fotograma, último y fotogramas clave. Puede fijar el último fotograma exacto y, si hay una imagen de origen, también el primero. Entre ambos caben hasta 4 fotogramas clave: cada uno va ligado a un momento del clip, con un paso de un tercio de segundo.

Con imágenes, referencias o fotogramas clave, el prompt es opcional: el modelo puede tomar el movimiento de los propios fotogramas. Describir la acción y el sonido da un resultado más predecible.

Video 1.5, Fast y Lite: en qué se diferencian

	Video 1.5	Video 1.5 Fast	Grok Imagine Video 1.5 Lite
Dónde	apps y API	apps de Grok	API
Velocidad	un clip complejo puede tardar varios minutos	6 s en 720p, unos 25 segundos	más rápido que el modelo completo
1080p	nativo	—	reescalado desde 720p
Duración	1–15 s	—	1–15 s
Referencias y voces	14 imágenes, 3 voces	—	no
Primer y último fotograma y fotogramas clave	sí	—	no
Precio en la API	0,08 $ por segundo	—	0,02 $ por segundo

Fast es un modo de las apps de Grok: xAI dice que es casi el doble de rápido que el modelo anterior, que necesitaba más de 40 segundos para un clip de 6 segundos en 720p. Lite es un modelo aparte en la API, para clips sencillos a partir de un solo prompt o una foto.

Para qué sirve Grok Imagine Video 1.5

• Clips cortos con mucho movimiento: deporte, animales, acrobacias, cámara lenta en el momento justo.
• Series con un mismo personaje y voz — hasta 14 referencias y 3 voces.
• Clips con un final fijado: el primer y el último fotograma marcan cómo empieza y cómo termina la escena.
• Una trayectoria compleja — un objeto que vuela, una cámara que atraviesa habitaciones — a partir de 4 fotogramas clave.
• Banners y portadas en 21:9 y 5:2 con movimiento.

Grok Imagine Video 1.5 frente a otras opciones

	Grok Imagine Video 1.5	Kling 3.0	Veo 3.1	Seedance 2.0
Desarrollador	xAI	Kuaishou	Google DeepMind	ByteDance Seed
Duración por generación	1–15 s	hasta 15 s	4, 6, 8 s	4–15 s
Resolución máxima	1080p	4K	4K	4K
Referencias	14 imágenes, 3 voces	hasta 7 imágenes o elementos	hasta 3 imágenes	9 fotos, 3 videos, 3 audios
Fotogramas clave	primero, último y hasta 4 intermedios	primero y último	primero y último	primero y último
Formatos 21:9 y 5:2	sí	—	—	21:9
En AI2Face	sí	sí	sí	sí

Grok Imagine Video 1.5 destaca por los fotogramas clave intermedios y por el número de imágenes de referencia. Para 4K y diálogos largos, mire Kling 3.0 y Veo 3.1; para referencias de video y audio, Seedance 2.0.

Cómo escribir prompts para Grok Imagine Video 1.5

1. Describa la acción en orden: qué pasa al principio, en el medio y al final del clip.
2. Añada la cámara: «la cámara sigue por detrás», «cámara lenta en el pico del salto», «órbita».
3. Escriba el sonido en una línea aparte: los diálogos entre comillas, los ruidos, la música o su ausencia.
4. Con fotogramas clave, describa las transiciones entre ellos, no los fotogramas en sí: las imágenes ya dicen qué hay en cada uno.
5. El borrador, en 480p; el final, en 720p o 1080p.

Un prompt para los fotogramas clave de arriba:

Un niño lanza un avión de papel desde el pupitre del fondo. El avión planea
suavemente sobre los pupitres, gira hacia la ventana llena de sol, coge una
corriente de aire y se posa con suavidad en la mesa del profesor, junto al globo
terráqueo. La cámara sigue el avión de lado y, al final, se acerca un poco a la mesa.
Sonido: roce del papel, risas apagadas de la clase, trinos de pájaros tras la ventana, sin música.

Cómo usar Grok Imagine Video 1.5 en AI2Face

Grok Imagine Video 1.5 está en el generador de AI2Face junto a Kling 3.0, Veo 3.1 y Seedance 2.0.

1. Regístrese: las cuentas nuevas reciben créditos de bienvenida.
2. Abra el generador, pase a video y elija Grok Imagine Video 1.5.
3. Suba una foto, referencias o fotogramas clave, escriba el prompt y fije la duración y la resolución.
4. El coste en créditos se ve antes de empezar. Puede pagar con tarjeta o criptomonedas, y los créditos de los paquetes no caducan.

El repaso paso a paso de los modos y los límites dentro del propio Grok está en la guía Grok video. Los fotogramas clave y las referencias del personaje se preparan con Nano Banana Pro en el mismo generador.

Límites

• 720p con referencias. El 1080p nativo solo vale para video a partir de texto y a partir de una foto.
• En la 1.5 no hay edición ni extensión. xAI edita el clip con el modelo anterior, Grok Imagine Video, en 720p y para clips de hasta 8,7 segundos.
• Las voces salen de un conjunto. En la API, a cada uno de los 3 personajes que hablan se le asigna una voz del conjunto preparado de xAI.
• Tiempo de generación. Un clip complejo en alta resolución puede tardar varios minutos.
• Moderación. Las peticiones y los resultados se filtran según las normas de xAI; si un clip queda bloqueado, la API lo devuelve marcado.

Conclusión

Grok Imagine Video 1.5 es una buena opción para clips cortos con mucho movimiento y para escenas en las que la trayectoria tiene que quedar clavada: los fotogramas clave intermedios solo los tiene este modelo. 14 referencias y 3 voces permiten llevar un mismo personaje por una serie de clips. Si necesita 4K o un diálogo largo, compárelo con Kling 3.0 y Veo 3.1. Para clips sencillos a partir de una sola foto, sale más barato Grok Imagine Video 1.5 Lite.