Grok video: como fazer vídeos com o Grok — modos, prompts e limites

As pessoas pesquisam Grok video por dois motivos: saber se o Grok faz vídeos e como chegar a um bom resultado. A primeira resposta é sim: em 2026, ele está entre os modelos de vídeo mais fortes. Lemos a documentação da xAI, geramos quatro clipes com o próprio Grok Video 1.5 e reunimos quais modos existem, como escrever prompts, onde estão os limites e por que a geração às vezes falha. A análise dos dois modelos do Grok está em Grok Imagine.

O que é o Grok video

Grok video é a geração de clipes no Grok Imagine, a parte visual do chatbot Grok, da xAI. Os clipes já saem com som: efeitos, ambiente e fala. Funciona em grok.com/imagine, nos apps do Grok para iOS e Android e pela API da xAI.

Três modelos cobrem os diferentes modos:

	Video 1.5	Video 1.5 Lite	grok-imagine-video
Modos	texto, foto, referências, primeiro e último quadro, quadros-chave	texto, foto	texto, foto, edição de vídeo, extensão
Resolução	1080p nativo, até 720p com referências	1080p com upscale a partir de 720p	até 720p
Duração	1–15 s	1–15 s	1–15 s, até 10 s com referências
Áudio	sim, com sincronia labial	sim, com sincronia labial	sim
Preço na API da xAI	US$ 0,08 por segundo	US$ 0,02 por segundo em 480p, US$ 0,03 em 720p	US$ 0,05 por segundo

A xAI lançou o Video 1.5 em 16 de junho de 2026 e o chama de seu melhor modelo em movimento e física: menos distorções, peso e inércia mais críveis, fala mais limpa e mais bem sincronizada com os lábios. Nos apps roda a versão acelerada Video 1.5 Fast: um clipe de 6 segundos em 720p em cerca de 25 segundos, contra mais de 40 do modelo anterior. Em 31 de julho de 2026, a xAI adicionou referências, voz do personagem, texto para vídeo e 1080p nativo.

O Video 1.5 Lite tem o menor preço por segundo. A xAI o recomenda para vídeos simples.

Como fazer um vídeo no Grok, passo a passo

1. Escolha o modo. Texto, quando você ainda não tem um quadro. Foto, quando importa uma aparência, um produto ou uma composição específica. Referências, para uma série de clipes com o mesmo personagem.
2. Defina a proporção. As opções são 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 e 5:2. Em imagem para vídeo, vale a proporção da foto e sua escolha é ignorada.
3. Escolha a duração. De 1 a 15 segundos, 8 por padrão. Para a primeira tentativa, 6–8 segundos bastam: cabe uma ação, e uma geração que não deu certo sai mais barata.
4. Escolha a resolução. 480p para rascunhos, 720p para redes sociais, 1080p para a versão final. Na API, o padrão é 480p.
5. Escreva o prompt com a fórmula abaixo: cena → ação → câmera → luz → som.
6. Gere e avalie. Se não ficou bom, mude uma coisa de cada vez: a ação, a câmera ou o som.

Geração de vídeo no Grok a partir de texto

No texto para vídeo, o Video 1.5 trabalha em duas etapas: primeiro desenha um quadro inicial a partir da sua descrição e depois o anima. É uma única requisição, e o modelo não devolve a imagem intermediária. Daí a dica principal: descreva o primeiro quadro em detalhes — o lugar, a luz, quem está onde. O clipe inteiro depende dele.

O prompt deste clipe:

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: de imagem para vídeo

Imagem para vídeo é o modo mais previsível. A foto já define aparência, roupa, fundo e luz; ao modelo resta só o movimento. No Video 1.5 o prompt é até opcional, mas sem ele o modelo decide sozinho o que deve se mexer.

Como conseguir um bom resultado:

• Descreva só o que muda. Não repita a foto: escreva “a raposa vira a cabeça, boceja e sai trotando para a direita”, e não “uma raposa vermelha sentada numa floresta com neve”.
• Separe o movimento do personagem e o da câmera em frases diferentes.
• Não peça o impossível ao quadro. Se a foto mostra alguém da cintura para cima, “caminha em direção à câmera, de corpo inteiro” obriga o modelo a inventar as pernas.
• A foto inicial pode ser gerada. O primeiro quadro do nosso clipe foi feito no Grok Image 2.0 — veja o guia de Grok Image.

Assim também dá para animar fotos antigas e retratos — mais ideias no guia para animar uma foto com IA.

Referências, quadros-chave e voz

O Video 1.5 faz muito mais do que animar uma foto, e poucos concorrentes reúnem tudo isso num só modelo.

• Imagens de referência. Até 7 no lançamento, em 31 de julho de 2026; a documentação da API agora fala em até 14. Cada uma fixa um personagem, uma cena, um produto ou um local. Esse modo roda em 720p.
• Voz. Até 3 falantes recebem uma voz a partir de uma referência de áudio, e o rosto e a voz do personagem se mantêm de uma cena para outra. Em julho de 2026, as referências de voz na API eram liberadas sob solicitação.
• Primeiro e último quadro. O modelo interpola o movimento entre duas imagens.
• Quadros-chave. Até 4 imagens fixadas em momentos definidos dentro do clipe, com passo de um terço de segundo. Assim dá para montar uma história com vários estados.

Fala. O Video 1.5 e o Lite geram fala com sincronia labial. Diga quem fala e coloque a frase exata entre aspas; os outros sons, numa linha separada. Uma fala curta em 6–8 segundos soa mais natural do que um monólogo longo.

Mais sobre clipes com fala no guia de foto falante.

Prompts para vídeo no Grok

A fórmula que funciona: cena → uma ação principal → câmera → luz e clima → som. Para cenas complexas e movimentos de câmera, escreva em inglês. As falas dos personagens vão entre aspas, no idioma em que devem ser ditas.

Câmera, numa frase própria:

O que você quer	Como escrever
Aproximação lenta	slow push-in
A câmera acompanha o personagem	the camera follows / tracking shot
Girar em volta de um objeto	slow orbit around
Subir acima da cena	crane up, rising shot
Quadro fixo	static camera, locked-off shot
Câmera lenta no momento certo	slow motion at the peak of the jump

Seis prompts para tarefas típicas:

Vídeo de produto para anúncio ou página de loja:

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.

Retrato animado:

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.

Cena de ação:

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.

Paisagem com clima:

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.

Comida para redes sociais (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.

A fala de um personagem:

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.

Mais modelos para vídeo e imagem na nossa seleção de prompts para imagens.

Editar e estender um vídeo pronto

Na API da xAI, a edição e a extensão rodam no modelo base grok-imagine-video, não no Video 1.5.

• Edição de vídeo: você descreve a mudança em texto, e o modelo refaz o clipe mantendo o resto da cena. Duração e proporção são as do original; a duração vai até 8,7 segundos e a resolução até 720p: um clipe em 1080p é reduzido.
• Extensão: o modelo continua o clipe a partir do último quadro e junta o original e a continuação num único arquivo. É assim que se montam cenas com mais de 15 segundos.

Dica: não estenda mais de duas ou três vezes seguidas. Cada etapa parte de um quadro já gerado, e os pequenos erros se acumulam. Um vídeo longo fica mais confiável quando montado com vários clipes curtos num editor.

Por que o Grok não cria o vídeo ou faz outra coisa

• O limite acabou. No app, a geração para até a cota semanal renovar; antes disso, 720p cai para 480p.
• Moderação. Prompts ou fotos que violam as regras da xAI são recusados sem gerar.
• Eventos demais. Cinco ações em 8 segundos ficam espremidas ou metade é ignorada. Uma ação principal por clipe.
• Contradições. “Câmera fixa” e “órbita” no mesmo prompt, ou um prompt que briga com a foto: dia na imagem, noite no texto.
• Objetos demais em movimento. Uma multidão em que cada um faz algo é uma fonte comum de distorções.
• Fala longa. Um monólogo de 15 segundos sincroniza pior com os lábios do que uma frase curta.

Grok video grátis e limites

Dá para testar o Grok de graça na web e nos apps. A xAI não divulga quantos clipes do Imagine vêm sem assinatura, e recursos novos — como as referências e a voz em julho de 2026 — chegam primeiro aos assinantes do SuperGrok Heavy e Plus.

Como os limites funcionam, segundo a ajuda da xAI:

• Uma cota semanal única. Desde junho de 2026, os planos pagos não têm mais limites separados para chat e Imagine, e sim uma cota semanal para todos os produtos. Um vídeo em alta qualidade a consome muito mais rápido que uma mensagem no chat.
• 720p → 480p. Quando você atinge o teto de 720p do seu plano, os vídeos passam a ser gerados automaticamente em 480p.
• 1080p — no plano SuperGrok Plus.
• Recargas. Os Extra Usage Credits são vendidos só na web, a partir de US$ 5; custam mais que as gerações dentro do plano e expiram em um ano.
• Marca d’água. Imagens e vídeos dos apps do Grok recebem uma marca d’água que não pode ser desativada.

Grok video x outros modelos de vídeo com IA

	Grok Video 1.5	Gemini Omni	Seedance 2.5	Kling
Posição na Arena (21/09/2026)	4 (modo agente)	1–2	7	29 (2.6 Pro)
Áudio e fala	sim, sincronia labial	sim	sim	sim
Resolução	até 1080p	até 4K	não divulgada	720p, 1080p
Referências	até 14 imagens, 3 vozes	imagens e vídeo	até 50	até 7 imagens

O Grok Video 1.5 está entre os cinco primeiros e, com referências, voz, quadros-chave e extensão, é um dos modelos mais flexíveis. O Gemini Omni ganha em qualidade e resolução, e o Seedance aceita mais referências. A comparação completa está no artigo sobre geradores de vídeo com IA.

Grok video no AI2Face

O SuperGrok é uma assinatura à parte, com teto semanal. No AI2Face, o Grok Imagine está disponível direto no gerador:

• sem assinatura do SuperGrok — entre com e-mail ou Google;
• pagamento com cartão, cripto ou outro meio prático — o custo de cada geração aparece antes de você iniciar;
• os créditos não expiram — além da assinatura, dá para comprar um pacote de créditos, e o saldo passa para o mês seguinte;
• todos os modelos de vídeo numa assinatura — Grok, Veo 3.1, Gemini Omni, Seedance e Kling: sai mais em conta do que assinaturas separadas, e é fácil comparar clipes com o mesmo prompt;
• créditos de boas-vindas no cadastro — suficientes para os primeiros clipes.

Conclusão

Use o Grok video quando precisar de um clipe com som e física convincente: esporte, animais, ação, produto com a câmera girando em volta. Para uma série com o mesmo personagem, o Video 1.5 supera a maioria dos concorrentes graças às referências de rosto e voz, e o Lite, mais barato, basta para rascunhos e cenas simples. Comece por imagem para vídeo: é o modo mais previsível. Uma ação a cada 6–8 segundos, câmera e som em linhas separadas. Se qualidade máxima e 4K pesam mais, compare o mesmo prompt no Gemini Omni — no AI2Face isso se faz na mesma janela.