# Grok 视频生成：如何用 Grok 制作视频——模式、提示词与限制

> Grok 视频生成即 xAI 的 Grok Imagine Video：可根据文字、照片或参考图生成最长 15 秒、自带声音的视频。主力模型是 Video 1.5（2026 年 6 月发布，最高 1080p，口型同步），低价版为 1.5 Lite，视频编辑与延长则由基础模型 grok-imagine-video 完成。在 AI2Face 中无需订阅 SuperGrok 即可使用 Grok 视频生成。

发布于 2026-10-13 · 更新于 2026-10-13
URL: https://ai2face.com/zh/blog/grok-video

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](/zh/models/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。

[雨夜里，一辆红色复古有轨电车驶过湿漉漉的石板街，一位撑黄伞的路人让到一旁](https://ai2face.com/_astro/media/blog/grok-video/text-to-video.mp4 "文生视频：霓虹倒映在水洼里，镜头从低处缓缓推进，雨声与城市环境声。瑕疵：提示词要求路人撑开雨伞，但伞从第一帧起就已打开。Grok Video 1.5，720p，8 秒")

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](/zh/blog/grok-image) 教程。

[一只红狐坐在雪地空地上，转头看向镜头，打了个哈欠，站起身向右小跑离开](https://ai2face.com/_astro/media/blog/grok-video/photo-to-video.mp4 "图生视频：三个动作按顺序完成，雪花持续飘落，毛发和爪子没有变形。首帧：Grok Image 2.0；视频：Grok Video 1.5，720p，8 秒")

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](/zh/blog/ozhivit-foto) 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。

![左：一位深色卷发、身穿米色风衣的年轻女子站在老城湿漉漉的街道上；右：一只放在洞石上的鼠尾草绿陶瓷杯和杯碟](https://ai2face.com/_astro/references.DWuQHS0k_Z1TL2QI.jpg "视频的两张参考图：女主角和杯子。Grok Image 2.0")

[一位穿米色风衣的女子走进阳光充足的咖啡馆，坐到窗边，拿起绿色杯子喝了一口，露出微笑](https://ai2face.com/_astro/media/blog/grok-video/references.mp4 "参考图生视频：女主角和杯子都清晰可辨，尽管两张图都不是首帧。镜头跟随她移动，最后停在中景。Grok Video 1.5，720p，8 秒")

**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。

[阳光咖啡馆里，一位系绿色围裙的咖啡师看向镜头，微笑着说了一句话，并把一杯拿铁推向前方](https://ai2face.com/_astro/media/blog/grok-video/lip-sync.mp4 "一句英文台词，口型同步，伴有咖啡馆环境声。瑕疵：我们要求竖屏 9:16，模型输出的是 16:9。Grok Video 1.5，720p，8 秒")

更多关于带人声视频的内容，见 [会说话的照片](/zh/blog/govoryashchee-foto) 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](/zh/blog/promty-dlya-kartinok)。

## 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](/zh/models/gemini-omni) | [Seedance 2.5](/zh/models/seedance-2-5) | [Kling](/zh/models/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](/zh/models/seedance) 支持的参考更多。完整对比见 [AI 视频生成工具](/zh/blog/nejroseti-dlya-video) 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](/zh/models/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。

## 常见问题

### Grok 能生成视频吗？

能。Grok 的视频生成功能叫 Grok Imagine：可根据文字描述、照片或参考图生成 1 到 15 秒、带声音的视频。可在 grok.com/imagine、iOS 和 Android 应用以及 xAI API 中使用。

### 怎样用 Grok 把照片变成视频？

把照片上传为首帧，再描述动作、镜头和声音。模型会沿用照片的画面比例，并保留构图和主体外观。在 Video 1.5 中，图生视频的提示词是可选的，但写上提示词结果更可控。

### Grok 视频可以免费生成吗？

Grok 可以免费试用，但 xAI 没有公布未订阅时能生成多少条 Imagine 视频。自 2026 年 6 月起，付费方案在所有 Grok 产品之间共享一个每周用量池。AI2Face 注册后会赠送新用户积分。

### Grok 视频有什么限制？

没有固定的条数上限：视频消耗的是方案共享的每周用量池，高画质视频消耗速度远快于聊天。当你用完所在方案的 720p 额度后，Grok 会自动改为生成 480p。

### Grok 视频最长多少秒？

1 到 15 秒，默认 8 秒。基础模型的参考图生视频最长 10 秒；编辑后的视频保持原时长，上限 8.7 秒。更长的场景可从最后一帧继续延长。

### Grok 视频有水印吗？

有。在 Grok 应用中生成的图片和视频都带有 Grok 水印，且没有关闭水印的设置。

## 资料来源

- 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