Grok Imagine Video 1.5：xAIの動画モデル — 音声、参照14枚、声、キーフレーム

Grok Imagine Video 1.5とは

Grok Imagine Video 1.5は、チャットボットGrokを作るxAIの動画生成モデルです。公開は2段階でした。

• 2026年6月16日 — Grokアプリで写真を動かす機能と、速いVideo 1.5 Fast。APIのモデルはプレビューを終了
• 2026年7月31日 — 参照画像と声、テキストから動画、1080p

2026年10月には軽い Grok Imagine Video 1.5 Lite が加わりました。モデルは grok.com/imagine、iOSとAndroidのGrokアプリ、xAI API（名前は grok-imagine-video-1.5）で動きます。同じ製品群の画像は Imagine Image 2.0 が担当し、両方のモデルは Grok Imagine のページにまとまっています。

Grok Imagine Video 1.5でできること

音声付きで1〜15秒。 効果音、環境音、口の動きに合ったセリフが、動きと同じ生成で入ります。音声を切れば無音の動画になります。

ネイティブ1080p。 テキストや写真からは、アップスケールなしで1080pを直接描きます。初期値は下書き向けの480pです。参照モードの上限は720pです。

アスペクト比は9種類。 1:1、16:9、9:16、4:3、3:4、3:2、2:3に加え、バナーや横長カバー向けの21:9と5:2。写真を動かすときは元画像の比率を使います。

物理と動き。 xAIは1.5を、動きがいちばん良いモデルだと呼んでいます。歪みが少なく、体の重さと慣性もそれらしい、という位置づけです。

テキストから動画は、まず1枚。 プロンプトに画像がないとき、モデルは最初のフレームを描いてから、それを動かします。

別のシーンでも同じキャラクター。 参照画像は最大14枚で、顔と見た目を保ちます。声は別に指定します。話すキャラクターは1本あたり3人までで、それぞれ用意された声のセットから割り当てます。

最初、最後、そしてキーフレーム。 最後のフレームを正確に固定でき、元画像があれば最初のフレームも固定できます。その間にキーフレームを最大4枚置けます。それぞれ動画内の時点に結び、刻みは3分の1秒です。

画像、参照、キーフレームがあるときはプロンプトは任意です。モデルはフレーム自体から動きを取れます。動作と音を書いておくと、結果は読みやすくなります。

Video 1.5、Fast、Liteの違い

	Video 1.5	Video 1.5 Fast	Grok Imagine Video 1.5 Lite
どこで	アプリとAPI	Grokアプリ	API
速さ	複雑な動画は数分かかることがある	720pの6秒が約25秒	フル版より速い
1080p	ネイティブ	—	720pからアップスケール
長さ	1〜15秒	—	1〜15秒
参照と声	画像14枚、声3つ	—	なし
最初・最後のフレームとキーフレーム	あり	—	なし
API料金	1秒0.08ドル	—	1秒0.02ドル

FastはGrokアプリのモードです。xAIによれば、前のモデルのほぼ2倍の速さで、前のモデルは720p・6秒の動画に40秒以上かかっていました。LiteはAPIの別モデルで、プロンプト1つ、または写真1枚の簡単な動画向けです。

Grok Imagine Video 1.5が向いていること

• 短く動きの大きい動画。 スポーツ、動物、スタント、必要な瞬間のスロー。
• 同じキャラクターと声のシリーズ — 参照14枚まで、声3つまで。
• 終わりが決まっている動画。 最初と最後のフレームで、場面の始まりと終わりを固定する。
• 複雑な軌道 — 飛ぶ物体、部屋を通り抜けるカメラ — をキーフレーム4枚で指定。
• 動きのある21:9と5:2のバナーとカバー。

Grok Imagine Video 1.5と他のモデル

	Grok Imagine Video 1.5	Kling 3.0	Veo 3.1	Seedance 2.0
開発元	xAI	Kuaishou	Google DeepMind	ByteDance Seed
1回の長さ	1〜15秒	最大15秒	4、6、8秒	4〜15秒
最高解像度	1080p	4K	4K	4K
参照	画像14枚、声3つ	画像または要素が最大7	画像最大3枚	写真9、動画3、音声3
キーフレーム	最初、最後、間に最大4	最初と最後	最初と最後	最初と最後
21:9と5:2	あり	—	—	21:9
AI2Face	あり	あり	あり	あり

Grok Imagine Video 1.5が目立つのは、間のキーフレームと、参照画像の枚数です。4Kや長い会話なら Kling 3.0 と Veo 3.1、動画と音声の参照なら Seedance 2.0 を見てください。

Grok Imagine Video 1.5のプロンプトの書き方

1. 動きを順番に書く。 動画の最初、途中、最後で何が起きるか。
2. カメラを足す。 「カメラが後ろから追う」「ジャンプの頂点でスロー」「周回」。
3. 音は別の行に。 セリフは引用符で、効果音、音楽、または音楽なし。
4. キーフレームがあるときは フレームの中身ではなく、その間の移り方を書く。中身は画像がすでに決めています。
5. 下書きは480p、 本番は720pか1080p。

上のキーフレーム向けのプロンプトです。

男の子が後ろの席から紙飛行機を飛ばす。紙飛行機は机の上を滑らかに滑空し、
日の差す窓へ向きを変え、気流をつかんで、地球儀のそばの教卓にそっと着地する。
カメラは横から紙飛行機を追い、最後は教卓へ軽く寄る。
音：紙の擦れる音、教室のくぐもった笑い、窓の外の鳥のさえずり。音楽なし。

AI2FaceでGrok Imagine Video 1.5を使う

Grok Imagine Video 1.5は、AI2Faceのジェネレーターで Kling 3.0、Veo 3.1、Seedance 2.0 と並んでいます。

1. 登録する。新しいアカウントにはウェルカムクレジットが付きます。
2. ジェネレーターを開き、動画に切り替えて Grok Imagine Video 1.5 を選ぶ。
3. 写真、参照、またはキーフレームをアップロードし、プロンプトを書いて長さと解像度を決める。
4. クレジットの料金は実行前に表示されます。カードまたは暗号資産で支払えます。パックのクレジットに有効期限はありません。

Grok本体のモードと制限を手順どおりに見たければ、Grok動画生成 のガイドへ。キーフレームとキャラクターの参照は、同じジェネレーターの Nano Banana Pro で作れます。

制限

• 参照ありは720p。 ネイティブ1080pは、テキストから動画と写真から動画だけです。
• 1.5に編集と延長はない。 動画の編集は、古いモデル Grok Imagine Video が720p、長さ8.7秒までで担当します。
• 声は用意されたセットから。 APIでは、話す3人それぞれに、xAIの用意した声のセットから声を割り当てます。
• 生成時間。 高解像度の複雑な動画は、数分かかることがあります。
• モデレーション。 リクエストと結果はxAIのルールでフィルタされます。ブロックされた動画は、APIが印を付けて返します。

まとめ

Grok Imagine Video 1.5は、短い動きの大きい動画と、軌道を正確に決めたい場面に向きます。間のキーフレームを持つのはこのモデルだけです。参照14枚と声3つで、一人のキャラクターをシリーズで通せます。4Kや長い会話が必要なら Kling 3.0 と Veo 3.1 と比べてください。写真1枚の簡単な動画なら、Grok Imagine Video 1.5 Lite のほうが安いです。