# 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の動画生成は、xAIのGrok Imagine Videoです。テキスト、写真、参照画像から、音声付きで最長15秒の動画を作れます。メインはVideo 1.5（2026年6月、最大1080p、リップシンク）、低価格版は1.5 Lite、動画の編集と延長はベースモデルのgrok-imagine-videoが担当します。AI2FaceならSuperGrokに加入せずにGrokの動画生成を使えます。 公開日 2026-10-13 · 更新日 2026-10-13 URL: https://ai2face.com/ja/blog/grok-video 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](/ja/models/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。 [雨の夜、赤いレトロな路面電車が濡れた石畳の通りを走り、黄色い傘の通行人が脇によける](https://ai2face.com/_astro/media/blog/grok-video/text-to-video.mp4 "テキストから動画：水たまりに映るネオン、低い位置からのプッシュイン、雨と街の音。欠点：プロンプトでは通行人が傘を開くはずが、最初のフレームから傘が開いている。Grok Video 1.5、720p、8秒") 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](/ja/blog/grok-image) のガイドへ。 [雪の空き地に座る赤いキツネが、カメラのほうへ振り向き、あくびをし、立ち上がって右へ小走りで去っていく](https://ai2face.com/_astro/media/blog/grok-video/photo-to-video.mp4 "画像から動画：3つの動作が順番どおり、雪は降り続け、毛並みや脚に歪みなし。最初のフレーム：Grok Image 2.0、動画：Grok Video 1.5、720p、8秒") 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](/ja/blog/ozhivit-foto) 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。 ![左：古い街並みの濡れた通りに立つ、ベージュのトレンチコートを着た黒い巻き髪の若い女性。右：トラバーチンの上に置かれたセージグリーンの陶器のカップとソーサー](https://ai2face.com/_astro/references.DWuQHS0k_Z1TL2QI.jpg "動画用の2枚の参照画像：主人公とカップ。Grok Image 2.0") [ベージュのトレンチコートの女性が日当たりのいいカフェに入り、窓際に座って緑のカップを手に取り、一口飲んで微笑む](https://ai2face.com/_astro/media/blog/grok-video/references.mp4 "参照画像から動画：どちらの画像も最初のフレームではないのに、主人公とカップがしっかり再現されている。カメラは彼女を追い、ミディアムショットで止まる。Grok Video 1.5、720p、8秒") **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。 [日当たりのいいコーヒーショップで、緑のエプロンのバリスタがカメラを見て微笑み、ひと言話してラテを差し出す](https://ai2face.com/_astro/media/blog/grok-video/lip-sync.mp4 "英語のセリフをリップシンクで、カフェの環境音付き。欠点：縦長の9:16を指定したが、16:9で出力された。Grok Video 1.5、720p、8秒") セリフ付き動画について詳しくは [写真をしゃべらせる](/ja/blog/govoryashchee-foto) 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](/ja/blog/promty-dlya-kartinok) 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](/ja/models/gemini-omni) | [Seedance 2.5](/ja/models/seedance-2-5) | [Kling](/ja/models/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](/ja/blog/nejroseti-dlya-video) 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](/ja/models/veo-3-1)、Gemini Omni、[Seedance](/ja/models/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。 ## よくある質問 ### Grokで動画は作れますか？ はい。Grokの動画生成はGrok Imagineと呼ばれ、テキストの説明、写真、参照画像から1〜15秒の音声付き動画を作れます。grok.com/imagine、iOS・Androidアプリ、xAI APIで利用できます。 ### Grokで写真を動画にするには？ 写真を最初のフレームとしてアップロードし、動き、カメラ、音を説明します。モデルは写真のアスペクト比を使い、構図と被写体の見た目を保ちます。Video 1.5では画像から動画へのプロンプトは任意ですが、書いたほうが結果を予測しやすくなります。 ### Grokの動画は無料で作れますか？ Grokは無料で試せますが、サブスクなしで作れるImagine動画の本数をxAIは公表していません。2026年6月から、有料プランはすべてのGrok製品で共通の週ごとの利用枠を使います。AI2Faceでは登録後にウェルカムクレジットがもらえます。 ### Grokの動画生成の制限は？ 本数の固定上限はありません。動画はプランの共通の週間利用枠を消費し、高画質の動画はチャットよりはるかに早く枠を使います。プランの720p上限に達すると、Grokは自動的に480pに切り替わります。 ### Grokの動画は何秒まで作れますか？ 1〜15秒で、デフォルトは8秒です。ベースモデルの参照画像モードは最長10秒、編集した動画は元の長さのままで上限は8.7秒です。より長いシーンは最後のフレームから延長します。 ### Grokの動画に透かしは入りますか？ はい。Grokアプリで生成した画像と動画にはGrokの透かしが入り、設定で消すことはできません。 ## 出典 - 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