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

> Grok Imagine Video 1.5 es el modelo de video de xAI, publicado el 16 de junio de 2026. Genera clips con sonido y sincronía labial, de 1 a 15 segundos, en 1080p nativo a partir de texto, y desde el 31 de julio acepta hasta 14 imágenes de referencia, hasta 3 voces, el primer y el último fotograma y hasta 4 fotogramas clave. En la API cuesta 0,08 $ por segundo. Grok Imagine Video 1.5 está en el generador de AI2Face.

Desarrollador: xAI · Lanzamiento: 2026-06-16 · Actualizado el 2026-10-27
URL: https://ai2face.com/es/models/grok-imagine-video-1-5

## Datos clave

| | |
|---|---|
| Desarrollador | xAI |
| Fecha de salida | 16 de junio de 2026; referencias, texto a video y 1080p el 31 de julio de 2026 |
| Qué hace | Video con sonido a partir de texto, una foto, referencias, primer y último fotograma o fotogramas clave |
| Duración | 1–15 segundos, 8 por defecto |
| Resolución | 480p, 720p, 1080p nativo; con referencias, hasta 720p |
| Relación de aspecto | 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9, 5:2 |
| Referencias | Hasta 14 imágenes y hasta 3 voces |
| Fotogramas clave | Primer y último fotograma, y hasta 4 intermedios con un paso de un tercio de segundo |
| Precio de la API | 0,08 $ por segundo de video |
| En AI2Face | Sí, en el generador |

## 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](/es/news/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](/es/models/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.

![Cuatro fotogramas en fila: un niño lanza un avión de papel en el aula, el avión planea sobre los pupitres, pasa junto a la ventana y aterriza en la mesa del profesor, junto a un globo terráqueo](https://ai2face.com/_astro/keyframes.B6cBNsAO_mNTWM.jpg "Fotogramas clave para Grok Imagine Video 1.5: cuatro imágenes marcan la trayectoria del avión y el modelo completa el movimiento entre ellas. Imágenes hechas con Nano Banana Pro")

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](/es/news/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](/es/models/kling-3-0) | [Veo 3.1](/es/models/veo-3-1) | [Seedance 2.0](/es/models/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](/es/models/kling-3-0), [Veo 3.1](/es/models/veo-3-1) y [Seedance 2.0](/es/models/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](/es/blog/grok-video). Los fotogramas clave y las referencias del personaje se preparan con [Nano Banana Pro](/es/models/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](/es/models/kling-3-0) y [Veo 3.1](/es/models/veo-3-1). Para clips sencillos a partir de una sola foto, sale más barato [Grok Imagine Video 1.5 Lite](/es/news/grok-imagine-video-1-5-lite).

## Preguntas frecuentes

### ¿Qué es Grok Imagine Video 1.5?

Un modelo de video de xAI, la empresa del chatbot Grok. Genera clips con sonido y voz a partir de texto, fotos y referencias. Salió el 16 de junio de 2026, y el modo de referencias se añadió el 31 de julio.

### ¿Cuántos segundos de video hace Grok Imagine Video 1.5?

De 1 a 15 segundos por generación, 8 por defecto.

### ¿Qué resolución tiene Grok Imagine Video 1.5?

480p, 720p o 1080p. El modelo dibuja 1080p de forma nativa cuando el clip sale de texto o de una foto. Con referencias, el techo es 720p.

### ¿Cómo se mantiene el mismo personaje en distintos clips?

Suba sus imágenes como referencias — hasta 14 — y asígnele una voz: hasta 3 personajes que hablan por clip. La cara y la voz se mantienen de una escena a otra.

### ¿En qué se diferencia Video 1.5 de 1.5 Lite?

Lite es cuatro veces más barato (0,02 $ frente a 0,08 $ por segundo), pero solo acepta texto y una foto, y el 1080p lo obtiene por reescalado. Lite no tiene referencias, voces ni fotogramas clave.

### ¿Está Grok Imagine Video 1.5 en AI2Face?

Sí. El modelo está en el generador de AI2Face y el coste se ve antes de lanzar la generación.

## Fuentes

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