Grok動画生成：Grokで動画を作る方法 — モード、プロンプト、制限

Grokの動画生成を調べる人の疑問は主に2つです。Grokはそもそも動画を作れるのか、そしてどうすれば良い結果が出るのか。1つ目の答えは「はい」で、2026年時点でトップクラスの動画モデルの1つです。xAIのドキュメントを読み込み、Grok Video 1.5本体で4本の動画を作ったうえで、使えるモード、プロンプトの書き方、制限、生成がうまくいかない理由をまとめました。Grokの2つのモデルの概要は Grok Imagine のページにあります。

Grokの動画生成とは

Grokの動画生成は、xAIのチャットボットGrokのビジュアル機能であるGrok Imagineの動画機能です。生成される動画には最初から効果音、環境音、セリフといった音声が付いています。grok.com/imagine、GrokのiOS・Androidアプリ、xAI APIで使えます。

モードごとに3つのモデルが分担しています。

	Video 1.5	Video 1.5 Lite	grok-imagine-video
モード	テキスト、写真、参照画像、最初と最後のフレーム、キーフレーム	テキスト、写真	テキスト、写真、動画編集、延長
解像度	ネイティブ1080p、参照画像モードは最大720p	720pから1080pへアップスケール	最大720p
長さ	1〜15秒	1〜15秒	1〜15秒、参照画像モードは最長10秒
音声	あり、リップシンク対応	あり、リップシンク対応	あり
xAI APIの料金	1秒あたり0.08ドル	480pで1秒0.02ドル、720pで0.03ドル	1秒あたり0.05ドル

xAIは2026年6月16日に Video 1.5 を公開し、動きと物理表現で同社最高のモデルと位置づけています。歪みが少なく、重さや慣性がよりリアルで、セリフはクリアになり口の動きともよく合います。アプリでは高速版の Video 1.5 Fast が動いており、6秒・720pの動画を約25秒で生成します（前モデルは40秒以上）。2026年7月31日には、参照画像、キャラクターの声、テキストから動画、ネイティブ1080pが追加されました。

Video 1.5 Lite は1秒あたりの料金が最も安いモデルです。xAIはシンプルな動画向けに推奨しています。

Grokで動画を作る手順

1. モードを選ぶ。 まだ画像がないならテキスト。特定の見た目、商品、構図が大事なら写真。同じキャラクターで複数の動画を作るなら参照画像。
2. アスペクト比を決める。 1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9、5:2から選べます。画像から動画では写真の比率が使われ、選択は無視されます。
3. 長さを選ぶ。 1〜15秒で、デフォルトは8秒。最初の試行は6〜8秒で十分です。アクションが1つ収まり、失敗したときのコストも抑えられます。
4. 解像度を選ぶ。 下書きは480p、SNSは720p、完成版は1080p。APIのデフォルトは480pです。
5. プロンプトを書く。 下の公式どおり、シーン → アクション → カメラ → 光 → 音の順に。
6. 生成して確認する。 うまくいかないときは、アクション、カメラ、音のどれか1つだけを変えます。

Grokのテキストから動画生成

テキストから動画では、Video 1.5は2段階で動きます。まず説明をもとに最初のフレームを描き、それをアニメーションにします。リクエストは1回で、途中の画像は返されません。だからこそ一番のコツは、最初のフレームを細かく書くことです。場所、光、誰がどこに立っているか。動画全体がこの1枚で決まります。

この動画のプロンプト：

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で画像から動画を作る

画像から動画は、最も結果を予測しやすいモードです。見た目、服装、背景、光は写真で決まっているので、モデルは動きを加えるだけ。Video 1.5ではプロンプトすら任意ですが、書かないと何を動かすかをモデルが勝手に決めます。

うまくいくコツ：

• 変化する部分だけを書く。 写真の内容を繰り返さず、「雪の森に座る赤いキツネ」ではなく「キツネが振り向き、あくびをして、右へ小走りで去る」と書きます。
• 被写体の動きとカメラの動きは別の文に分ける。
• 画像に無理をさせない。 腰から上しか写っていない写真で「全身でカメラに向かって歩く」と頼むと、モデルは脚を想像で描くしかありません。
• 最初の写真は生成してもよい。 今回の動画の最初のフレームはGrok Image 2.0で作りました。詳しくは Grok Image のガイドへ。

古い写真やポートレートも同じ方法で動かせます。ほかのアイデアは AIで写真を動かす ガイドで紹介しています。

参照画像、キーフレーム、声

Video 1.5は写真を動かすだけのモデルではありません。これらの機能を1つのモデルにまとめている競合は多くありません。

• 参照画像。 2026年7月31日のリリース時は最大7枚、現在のAPIドキュメントでは最大14枚です。1枚ごとにキャラクター、シーン、商品、場所を固定できます。このモードは720pで動作します。
• 声。 最大3人の話者が音声リファレンスからそれぞれ声を得られ、シーンが変わってもキャラクターの顔と声が保たれます。2026年7月時点で、APIの音声リファレンスは申請制でした。
• 最初と最後のフレーム。 2枚の画像の間の動きをモデルが補間します。
• キーフレーム。 動画内の指定した時点に最大4枚の画像を固定できます（3分の1秒刻み）。複数の状態をたどるストーリーを組み立てられます。

セリフ。 Video 1.5とLiteはリップシンク付きでセリフを生成します。誰が話すかを書き、セリフはそのまま引用符で囲み、ほかの音は別の行に。6〜8秒の短いセリフのほうが、長いモノローグより自然に聞こえます。

セリフ付き動画について詳しくは 写真をしゃべらせる ガイドをご覧ください。

Grokの動画プロンプト

効く公式は、シーン → 主要なアクションを1つ → カメラ → 光と雰囲気 → 音 です。複雑なシーンやカメラワークは英語で書くと確実です。キャラクターのセリフは引用符で囲み、話させたい言語で書きます。

カメラは独立した1文で：

やりたいこと	書き方
ゆっくり寄る	slow push-in
被写体を追う	the camera follows / tracking shot
被写体の周りを回る	slow orbit around
シーンの上へ上昇	crane up, rising shot
固定カメラ	static camera, locked-off shot
決めの瞬間でスローモーション	slow motion at the peak of the jump

よくある用途別のプロンプト6つ：

ECや広告用の商品動画：

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.

ポートレートを動かす：

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.

アクションシーン：

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.

雰囲気のある風景：

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.

SNS向けのフード動画（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.

キャラクターのセリフ：

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.

動画と画像のテンプレートは 画像生成プロンプト集 にもまとめています。

完成した動画の編集と延長

xAI APIでは、編集と延長はVideo 1.5ではなく、ベースモデルのgrok-imagine-videoが担当します。

• 動画編集：変更内容をテキストで伝えると、モデルがシーンの残りを保ったまま動画を作り直します。長さとアスペクト比は元動画と同じで、長さは最大8.7秒、解像度は最大720pです。1080pの動画は縮小されます。
• 延長：モデルが最後のフレームから続きを生成し、元の動画と続きを1つのファイルにまとめます。15秒を超えるシーンはこうして作ります。

コツ：連続での延長は2〜3回までにしましょう。各ステップは生成済みのフレームが起点になるため、小さなミスが積み重なります。長い動画は、短いクリップを何本か編集ソフトでつなぐほうが確実です。

Grokが動画を作らない、または意図と違う理由

• 上限に達した。 アプリでは週間利用枠がリセットされるまで生成が止まります。その前に720pが480pに下がります。
• モデレーション。 xAIのルールに反するプロンプトや写真は、生成されずに拒否されます。
• 出来事が多すぎる。 8秒に5つのアクションを詰めると、圧縮されるか半分が抜け落ちます。1本につき主要なアクションは1つ。
• 矛盾している。 「固定カメラ」と「周回」が同じプロンプトにある、あるいはプロンプトが写真と食い違う（画像は昼、文章は夜）。
• 動くものが多すぎる。 全員が別々のことをする群衆は、歪みの典型的な原因です。
• セリフが長い。 15秒のモノローグは、短い一言より口の動きと合いにくくなります。

Grokの動画は無料？制限について

Grokはウェブとアプリで無料で試せます。サブスクなしで作れるImagine動画の本数をxAIは公表しておらず、新機能（2026年7月の参照画像や声など）はまずSuperGrok HeavyとPlusの加入者に提供されます。

xAIのヘルプによると、制限の仕組みは次のとおりです。

• 共通の週間利用枠。 2026年6月から、有料プランはチャットとImagineの個別上限ではなく、すべての製品で共通の週間利用枠を使います。高画質の動画は、チャットのメッセージよりはるかに多く枠を消費します。
• 720p → 480p。 プランの720p上限に達すると、動画は自動的に480pで生成されます。
• 1080p はSuperGrok Plusプランで利用できます。
• 追加購入。 Extra Usage Creditsはウェブでのみ5ドルから購入でき、プラン内の生成より割高で、1年で失効します。
• 透かし。 Grokアプリの画像と動画には、オフにできない透かしが入ります。

Grokの動画生成と他のAI動画モデルの比較

	Grok Video 1.5	Gemini Omni	Seedance 2.5	Kling
Arenaの順位（2026年9月21日）	4位（エージェントモード）	1〜2位	7位	29位（2.6 Pro）
音声とセリフ	あり、リップシンク	あり	あり	あり
解像度	最大1080p	最大4K	非公開	720p、1080p
参照	最大14枚の画像、3つの声	画像と動画	最大50	最大7枚の画像

Grok Video 1.5はトップ5に入り、参照画像、声、キーフレーム、延長がそろった最も柔軟なモデルの1つです。画質と解像度ではGemini Omni、参照の数ではSeedanceが上です。全体の比較は AI動画生成ツール の記事にまとめています。

AI2FaceでGrokの動画生成を使う

SuperGrokは週ごとの上限がある別のサブスクです。AI2Faceなら、ジェネレーターで直接Grok Imagineを使えます。

• SuperGrokへの加入は不要 — メールまたはGoogleでログイン。
• カード、暗号資産など便利な方法で支払い — 各生成の費用は実行前に表示。
• クレジットは失効しない — サブスクに加えてクレジットパックも購入でき、残高は翌月に繰り越し。
• すべての動画モデルを1つのサブスクで — Grok、Veo 3.1、Gemini Omni、Seedance、Kling。個別に契約するよりお得で、同じプロンプトで比べるのも簡単。
• 登録後にウェルカムクレジット — 最初の数本を作るのに十分。

まとめ

音声付きで、物理表現が生き生きした動画が必要ならGrokの動画生成を選びましょう。スポーツ、動物、アクション、カメラが周回する商品紹介に向いています。同じキャラクターのシリーズなら、顔と声の参照があるVideo 1.5がほとんどの競合を上回り、下書きやシンプルなシーンなら安価なLiteで十分です。まずは画像から動画で始めてください。最も予測しやすいモードです。6〜8秒に1アクション、カメラと音は別の行に。最高画質や4Kを重視するなら、同じプロンプトをGemini Omniで試して比べましょう。AI2Faceなら1つの画面で完結します。