Grok Imagine Video 1.5：xAI 视频模型——声音、14 张参考图、音色与关键帧

Grok Imagine Video 1.5 是什么

Grok Imagine Video 1.5 是 xAI 的视频生成模型，xAI 是聊天机器人 Grok 的开发公司。它分两步推出：

• 2026 年 6 月 16 日 — 在 Grok 应用里让照片动起来，并上线更快的 Video 1.5 Fast；API 中的模型退出预览；
• 2026 年 7 月 31 日 — 参考图和音色、文生视频，以及 1080p。

2026 年 10 月又加入了更轻的 Grok Imagine Video 1.5 Lite。模型可在 grok.com/imagine、Grok 的 iOS 和 Android 应用，以及 xAI API 中使用，API 名称为 grok-imagine-video-1.5。同一套产品里的图像由 Imagine Image 2.0 生成，两个模型都写在 Grok Imagine 页面上。

Grok Imagine Video 1.5 能做什么

1–15 秒的有声视频。 音效、环境声和口型同步的语音与动作在同一次生成里完成。可以关掉声音，得到无声视频。

原生 1080p。 按文字或照片生成时，模型直接绘制 1080p，不做放大。默认是 480p，用来打草稿。参考图模式的上限是 720p。

九种画面比例。 1:1、16:9、9:16、4:3、3:4、3:2、2:3，以及较少见的 21:9 和 5:2，适合横幅和宽封面。让照片动起来时，比例沿用原图。

物理和运动。 xAI 把 1.5 称为自己运动表现最好的模型：形变更少，身体的重量和惯性更可信。

文生视频要先出一帧。 如果提示词没有图片，模型会先画出第一帧，再让它动起来。

同一个角色出现在不同场景。 最多 14 张参考图保持角色的脸和外形。音色单独指定：每条视频最多 3 个说话的角色，每人从现成音色库里用一个声音。

首帧、尾帧和关键帧。 可以锁死最后一帧；有起始图片时，第一帧也能锁。两者之间最多放 4 个关键帧，每个绑在视频里的一个时刻上，步长为三分之一秒。

有图片、参考图或关键帧时，提示词可以不写：模型能从画面本身推断运动。把动作和声音写清楚，结果会更稳。

Video 1.5、Fast 和 Lite 的差别

	Video 1.5	Video 1.5 Fast	Grok Imagine Video 1.5 Lite
在哪里	应用和 API	Grok 应用	API
速度	复杂视频可能要几分钟	720p 下 6 秒大约 25 秒	比完整版更快
1080p	原生	—	由 720p 放大
时长	1–15 秒	—	1–15 秒
参考图和音色	14 张图，3 个音色	—	无
首尾帧和关键帧	有	—	无
API 价格	每秒 0.08 美元	—	每秒 0.02 美元

Fast 是 Grok 应用里的模式：xAI 称它几乎比上一代快一倍，上一代做一条 720p、6 秒的视频要超过 40 秒。Lite 是 API 里的独立模型，用来做只有一句提示词或一张照片的简单视频。

Grok Imagine Video 1.5 适合什么

• 短而有动感的视频： 运动、动物、特技，在该慢的地方放慢。
• 同一角色、同一音色的系列 — 最多 14 张参考图和 3 个音色。
• 结尾已经定好的视频： 首帧和尾帧锁住场景如何开始、如何结束。
• 复杂轨迹 — 飞过的物体、镜头穿过几个房间 — 用 4 个关键帧来定。
• 带运动的 21:9 和 5:2 横幅与封面。

Grok Imagine Video 1.5 和其他模型

	Grok Imagine Video 1.5	Kling 3.0	Veo 3.1	Seedance 2.0
开发者	xAI	Kuaishou	Google DeepMind	ByteDance Seed
单次时长	1–15 秒	最长 15 秒	4、6、8 秒	4–15 秒
最高分辨率	1080p	4K	4K	4K
参考	14 张图，3 个音色	最多 7 张图或元素	最多 3 张图	9 张照片、3 段视频、3 段音频
关键帧	首帧、尾帧和最多 4 个中间帧	首帧和尾帧	首帧和尾帧	首帧和尾帧
21:9 和 5:2	有	—	—	21:9
在 AI2Face	有	有	有	有

Grok Imagine Video 1.5 的长处是中间关键帧，以及参考图的数量。要 4K 和长对话，去看 Kling 3.0 和 Veo 3.1；要拿视频和音频当参考，去看 Seedance 2.0。

怎样给 Grok Imagine Video 1.5 写提示词

1. 按顺序写动作： 视频开头、中间和结尾各发生什么。
2. 补上镜头： “镜头从后方跟随”“起跳最高点慢动作”“环绕”。
3. 声音单独一行： 对白加引号，再加上音效、音乐，或写明不要音乐。
4. 用关键帧时 写帧与帧之间的过渡，不要重复描述画面本身——图里已经有了。
5. 草稿用 480p， 成片用 720p 或 1080p。

上面那组关键帧可以用这样的提示词：

男孩从后排课桌放出一架纸飞机。纸飞机平稳地滑过课桌，转向洒满阳光的窗户，
接住一股气流，轻轻落在讲台上的地球仪旁边。镜头从侧面跟着纸飞机，结尾轻轻推向讲台。
声音：纸张摩擦、教室里压低的笑声、窗外鸟叫，不要音乐。

在 AI2Face 里使用 Grok Imagine Video 1.5

Grok Imagine Video 1.5 在 AI2Face 生成器里，和 Kling 3.0、Veo 3.1、Seedance 2.0 放在一起。

1. 注册账号，新账号会获得欢迎积分。
2. 打开生成器，切到视频，选择 Grok Imagine Video 1.5。
3. 上传照片、参考图或关键帧，写好提示词，设定时长和分辨率。
4. 积分费用在开始前显示。可以用银行卡或加密货币支付，套餐积分不会过期。

Grok 自己的模式和限制，按步骤写在 Grok 视频生成 指南里。关键帧和角色参考图可以在同一个生成器里用 Nano Banana Pro 做好。

限制

• 带参考图时是 720p。 原生 1080p 只用于文生视频和图生视频。
• 1.5 不能改片，也不能延长。 视频编辑由 xAI 用更早的 Grok Imagine Video 完成，分辨率 720p，视频最长 8.7 秒。
• 音色来自现成库。 在 API 里，3 个说话角色各自从 xAI 的现成音色库里指定一个声音。
• 生成时间。 高分辨率的复杂视频可能要算几分钟。
• 审核。 请求和结果按 xAI 的规则过滤；被拦截的视频，API 会带标记返回。

总结

Grok Imagine Video 1.5 适合短而有动感的视频，也适合必须把轨迹定准的场景：中间关键帧只有它有。14 张参考图和 3 个音色可以把一个角色带过一整组视频。如果要 4K 或很长的对话，拿它和 Kling 3.0、Veo 3.1 比一比。一张照片做简单视频，用 Grok Imagine Video 1.5 Lite 更便宜。