# 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はxAIの動画モデルで、2026年6月16日に出ました。音声と口の動きに合ったセリフ付きで1〜15秒の動画を作り、テキストからはネイティブ1080p。7月31日以降は参照画像14枚まで、声3つまで、最初と最後のフレーム、キーフレーム4つまでに対応します。APIは1秒0.08ドル。Grok Imagine Video 1.5はAI2Faceのジェネレーターで使えます。

開発元: xAI · リリース: 2026-06-16 · 更新日 2026-10-27
URL: https://ai2face.com/ja/models/grok-imagine-video-1-5

## 主要データ

| | |
|---|---|
| 開発元 | xAI |
| 公開日 | 2026年6月16日。参照、テキストから動画、1080pは2026年7月31日 |
| できること | テキスト、写真、参照、最初と最後のフレーム、またはキーフレームから音声付き動画 |
| 長さ | 1〜15秒、初期値は8秒 |
| 解像度 | 480p、720p、ネイティブ1080p。参照ありは720pまで |
| アスペクト比 | 1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9、5:2 |
| 参照 | 画像14枚まで、声3つまで |
| キーフレーム | 最初と最後のフレームに加え、間に最大4枚。3分の1秒刻み |
| API料金 | 動画1秒あたり0.08ドル |
| AI2Face | あり。ジェネレーターで利用可 |

## 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](/ja/news/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](/ja/models/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。

![4コマが横一列：教室で男の子が紙飛行機を飛ばし、机の上を滑り、窓の前を通り、地球儀のそばの教卓に着地する](https://ai2face.com/_astro/keyframes.B6cBNsAO_mNTWM.jpg "Grok Imagine Video 1.5のキーフレーム例。4枚が紙飛行機の軌道を決め、モデルがその間の動きを埋める。画像はNano Banana Pro")

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](/ja/news/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](/ja/models/kling-3-0) | [Veo 3.1](/ja/models/veo-3-1) | [Seedance 2.0](/ja/models/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](/ja/models/kling-3-0)、[Veo 3.1](/ja/models/veo-3-1)、[Seedance 2.0](/ja/models/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](/ja/blog/grok-video) 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](/ja/models/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](/ja/models/kling-3-0) と [Veo 3.1](/ja/models/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](/ja/news/grok-imagine-video-1-5-lite) のほうが安いです。

## よくある質問

### Grok Imagine Video 1.5とは？

チャットボットGrokを作るxAIの動画モデルです。テキスト、写真、参照から、音声とセリフ付きの動画を生成します。2026年6月16日に公開され、参照モードは7月31日に追加されました。

### Grok Imagine Video 1.5の動画は何秒？

1回の生成で1〜15秒、初期値は8秒です。

### Grok Imagine Video 1.5の解像度は？

480p、720p、1080pです。テキストか写真から作るときは1080pをネイティブで描きます。参照を使うと上限は720pです。

### 別々の動画で同じキャラクターを保つには？

その画像を参照として最大14枚アップロードし、声を割り当てます。話すキャラクターは1本あたり3人までです。顔と声はシーンをまたいで残ります。

### Video 1.5と1.5 Liteの違いは？

Liteは4分の1の料金（1秒0.02ドル対0.08ドル）ですが、受け付けるのはテキストと写真1枚だけで、1080pはアップスケールです。参照、声、キーフレームはLiteにはありません。

### Grok Imagine Video 1.5はAI2Faceにある？

あります。AI2Faceのジェネレーターで使え、料金は生成の前に表示されます。

## 出典

- 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