Grok 视频生成：如何用 Grok 制作视频——模式、提示词与限制

人们搜索 Grok 视频生成，通常想知道两件事：Grok 到底能不能做视频，以及怎样才能做出好效果。第一个问题的答案是能——在 2026 年，它是最强的视频模型之一。我们通读了 xAI 的官方文档，用 Grok Video 1.5 亲自生成了四段视频，整理出它有哪些模式、提示词怎么写、限制在哪里，以及生成失败的常见原因。两款 Grok 模型的综合介绍见 Grok Imagine。

什么是 Grok 视频生成

Grok 视频生成是 Grok Imagine 中的视频功能，Grok Imagine 是 xAI 旗下聊天机器人 Grok 的视觉部分。生成的视频直接带有声音：音效、环境声和人声。可在 grok.com/imagine、Grok 的 iOS 和 Android 应用以及 xAI API 中使用。

不同模式由三个模型负责：

	Video 1.5	Video 1.5 Lite	grok-imagine-video
模式	文字、照片、参考图、首尾帧、关键帧	文字、照片	文字、照片、视频编辑、延长
分辨率	原生 1080p，参考图模式最高 720p	由 720p 放大至 1080p	最高 720p
时长	1–15 秒	1–15 秒	1–15 秒，参考图模式最长 10 秒
声音	有，口型同步	有，口型同步	有
xAI API 价格	每秒 0.08 美元	480p 每秒 0.02 美元，720p 每秒 0.03 美元	每秒 0.05 美元

xAI 于 2026 年 6 月 16 日发布 Video 1.5，称其为自家在运动和物理表现上最好的模型：变形更少，重量感和惯性更真实，人声更清晰、与口型更贴合。应用中运行的是加速版 Video 1.5 Fast：生成 6 秒 720p 视频约需 25 秒，而上一代模型要 40 多秒。2026 年 7 月 31 日，xAI 又加入了参考图、角色声音、文生视频和原生 1080p。

Video 1.5 Lite 每秒价格最低，xAI 推荐用它制作简单视频。

如何用 Grok 生成视频：分步教程

1. 选择模式。 还没有画面时选文字；需要特定外观、商品或构图时选照片；要做同一角色的系列视频时选参考图。
2. 设置画面比例。 可选 1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9 和 5:2。图生视频会沿用照片的比例，你的选择会被忽略。
3. 选择时长。 1 到 15 秒，默认 8 秒。首次尝试 6–8 秒就够了：能容纳一个动作，失败了成本也更低。
4. 选择分辨率。 草稿用 480p，社交媒体用 720p，成片用 1080p。API 默认是 480p。
5. 写提示词，按下文的公式：场景 → 动作 → 镜头 → 光线 → 声音。
6. 生成并评估。 效果不对时，每次只改一处：动作、镜头或声音。

Grok 文生视频

在文生视频中，Video 1.5 分两步工作：先根据你的描述画出首帧，再让它动起来。整个过程仍是一次请求，模型不会返回中间那张图。所以最关键的建议是：把首帧写详细——地点、光线、谁站在哪里。整段视频都取决于这一帧。

这段视频的提示词：

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 图生视频

图生视频是最可控的模式。照片已经确定了外观、服装、背景和光线，模型只需添加动作。在 Video 1.5 中提示词甚至是可选的，但不写的话，模型会自行决定哪里动。

想要好效果，请注意：

• 只描述变化的部分。 不要复述照片内容：写“狐狸转头、打哈欠，然后向右小跑离开”，而不是“一只红狐坐在雪林里”。
• 主体动作和镜头运动分开写，各用一句话。
• 别让画面做不可能的事。 如果照片只拍到腰部以上，“全身入镜走向镜头”会迫使模型凭空编出双腿。
• 首帧照片也可以生成。 我们这段视频的首帧就是用 Grok Image 2.0 生成的——详见 Grok Image 教程。

老照片和人像也能这样动起来——更多思路见 用 AI 让照片动起来 教程。

参考图、关键帧与声音

Video 1.5 的能力远不止让照片动起来，能把这些功能集于一个模型的竞品并不多。

• 参考图。 2026 年 7 月 31 日上线时最多 7 张，现在的 API 文档写明最多 14 张。每张图可锁定一个角色、场景、商品或地点。此模式以 720p 运行。
• 声音。 最多 3 位说话者可各自从音频参考获得声音，角色的脸和声音在不同场景中保持一致。截至 2026 年 7 月，API 中的声音参考需申请开通。
• 首尾帧。 模型会在两张图之间插值生成动作。
• 关键帧。 最多 4 张图，可固定在视频中的指定时刻，时间步长为三分之一秒。这样就能编排包含多个状态的情节。

人声。 Video 1.5 和 Lite 生成的人声带口型同步。写明谁在说话，并把台词原文放在引号里；其他声音另起一行。6–8 秒里一句短台词比长篇独白听起来更自然。

更多关于带人声视频的内容，见 会说话的照片 教程。

Grok 视频提示词

好用的公式：场景 → 一个主要动作 → 镜头 → 光线与氛围 → 声音。复杂场景和镜头运动建议用英文描述。角色台词放在引号里，用你希望角色说的语言来写。

镜头单独写一句：

想要的效果	写法
缓慢推近	slow push-in
镜头跟随主体	the camera follows / tracking shot
环绕物体	slow orbit around
升至场景上方	crane up, rising shot
固定机位	static camera, locked-off shot
关键时刻慢动作	slow motion at the peak of the jump

六个常见场景的提示词：

电商或广告用的商品视频：

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.

让人像动起来：

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.

动作场景：

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.

氛围风景：

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.

社交媒体美食（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.

角色台词：

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.

更多视频和图片模板，见我们整理的 图片提示词。

编辑和延长已生成的视频

在 xAI API 中，视频编辑和延长由基础模型 grok-imagine-video 完成，而不是 Video 1.5。

• 视频编辑：用文字描述要改的地方，模型会重做视频，同时保留场景的其余部分。时长和画面比例与原片一致；时长上限 8.7 秒，分辨率最高 720p，1080p 的视频会被缩小。
• 延长：模型从最后一帧接着生成，并把原片和续段合并成一个文件。超过 15 秒的场景就是这样做出来的。

建议：连续延长不要超过两三次。每一步都基于已生成的画面，小错误会不断累积。长视频更稳妥的做法，是用剪辑软件把几段短片拼起来。

为什么 Grok 不生成视频或效果不对

• 额度用完了。 在应用中，生成会暂停到每周用量池重置；在此之前，720p 会先降到 480p。
• 内容审核。 违反 xAI 规则的提示词或照片会被直接拒绝。
• 事件太多。 8 秒里塞五个动作，会被压缩或漏掉一半。每段视频只放一个主要动作。
• 自相矛盾。 同一提示词里既写“固定机位”又写“环绕”，或提示词与照片冲突：图里是白天，文字写的是夜晚。
• 运动物体太多。 人群中每个人都在做不同的事，是画面变形的常见原因。
• 台词太长。 15 秒的独白比一句短台词更难对上口型。

Grok 视频免费吗？用量限制

Grok 可以在网页和应用中免费试用。xAI 没有公布未订阅时能生成多少条 Imagine 视频，新功能（比如 2026 年 7 月的参考图和声音）也会先向 SuperGrok Heavy 和 Plus 订阅用户开放。

根据 xAI 帮助文档，限制规则如下：

• 共享的每周用量池。 自 2026 年 6 月起，付费方案不再为聊天和 Imagine 分别设限，而是所有产品共用一个每周用量池。高画质视频的消耗远快于一条聊天消息。
• 720p → 480p。 用完所在方案的 720p 额度后，视频会自动以 480p 生成。
• 1080p：SuperGrok Plus 方案提供。
• 加购。 Extra Usage Credits 只能在网页端购买，最低 5 美元；单价高于方案内生成，且一年后过期。
• 水印。 Grok 应用生成的图片和视频带有水印，无法关闭。

Grok 视频与其他 AI 视频模型对比

	Grok Video 1.5	Gemini Omni	Seedance 2.5	Kling
Arena 排名（2026-09-21）	第 4（智能体模式）	第 1–2	第 7	第 29（2.6 Pro）
声音与人声	有，口型同步	有	有	有
分辨率	最高 1080p	最高 4K	未公开	720p、1080p
参考	最多 14 张图、3 个声音	图片和视频	最多 50 个	最多 7 张图

Grok Video 1.5 位列前五，凭借参考图、声音、关键帧和延长功能，是最灵活的模型之一。Gemini Omni 在画质和分辨率上领先，Seedance 支持的参考更多。完整对比见 AI 视频生成工具 一文。

在 AI2Face 中使用 Grok 视频生成

SuperGrok 是单独的订阅，且有每周上限。在 AI2Face 中，可直接在生成器里使用 Grok Imagine：

• 无需订阅 SuperGrok——用邮箱或 Google 账号登录即可；
• 支持银行卡、加密货币等便捷支付方式——每次生成的费用在开始前就能看到；
• 积分不会过期——除订阅外还可购买积分包，余额自动转入下个月；
• 一个订阅用上所有视频模型——Grok、Veo 3.1、Gemini Omni、Seedance 和 Kling：比分别订阅更划算，同一提示词也方便横向对比；
• 注册即送新用户积分——足够生成最初几段视频。

总结

需要带声音、物理效果生动的视频时，选 Grok 视频生成：运动、动物、动作场面、镜头环绕的商品展示。做同一角色的系列视频，Video 1.5 借助面部和声音参考胜过大多数竞品；草稿和简单场景用便宜的 Lite 就够了。建议从图生视频开始：这是最可控的模式。每 6–8 秒一个动作，镜头和声音分行写。如果你更看重极致画质和 4K，可以把同一提示词放进 Gemini Omni 对比——在 AI2Face 中一个窗口就能完成。