# 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 xAI 的视频模型，于 2026 年 6 月 16 日发布。它能生成 1–15 秒、带声音和口型同步语音的视频，按文字可原生输出 1080p；自 7 月 31 日起还支持最多 14 张参考图、最多 3 个音色、首尾帧和最多 4 个关键帧。API 价格为每秒 0.08 美元。Grok Imagine Video 1.5 可在 AI2Face 生成器中使用。

开发者: xAI · 发布时间: 2026-06-16 · 更新于 2026-10-27
URL: https://ai2face.com/zh/models/grok-imagine-video-1-5

## 关键信息

| | |
|---|---|
| 开发者 | xAI |
| 发布日期 | 2026 年 6 月 16 日；参考图、文生视频和 1080p 于 2026 年 7 月 31 日加入 |
| 能做什么 | 按文字、照片、参考图、首尾帧或关键帧生成有声视频 |
| 时长 | 1–15 秒，默认 8 秒 |
| 分辨率 | 480p、720p、原生 1080p；带参考图时最高 720p |
| 画面比例 | 1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9、5:2 |
| 参考 | 最多 14 张图像和最多 3 个音色 |
| 关键帧 | 首帧和尾帧，中间最多 4 个，时间步长为三分之一秒 |
| API 价格 | 每秒视频 0.08 美元 |
| 在 AI2Face | 有，在生成器中 |

## 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](/zh/news/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](/zh/models/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。

![一排四帧：男孩在教室里放出纸飞机，纸飞机掠过课桌、经过窗户，落在讲台上的地球仪旁边](https://ai2face.com/_astro/keyframes.B6cBNsAO_mNTWM.jpg "Grok Imagine Video 1.5 的关键帧示例：四张图规定纸飞机的轨迹，模型补上中间的运动。画面由 Nano Banana Pro 生成")

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](/zh/news/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](/zh/models/kling-3-0) | [Veo 3.1](/zh/models/veo-3-1) | [Seedance 2.0](/zh/models/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](/zh/models/kling-3-0)、[Veo 3.1](/zh/models/veo-3-1)、[Seedance 2.0](/zh/models/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](/zh/blog/grok-video) 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](/zh/models/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](/zh/models/kling-3-0)、[Veo 3.1](/zh/models/veo-3-1) 比一比。一张照片做简单视频，用 [Grok Imagine Video 1.5 Lite](/zh/news/grok-imagine-video-1-5-lite) 更便宜。

## 常见问题

### Grok Imagine Video 1.5 是什么？

xAI 的视频模型，xAI 是聊天机器人 Grok 的开发公司。它能根据文字、照片和参考图生成带声音和语音的视频。2026 年 6 月 16 日发布，参考图模式于 7 月 31 日加入。

### Grok Imagine Video 1.5 一次能生成多少秒？

每次生成 1 到 15 秒，默认 8 秒。

### Grok Imagine Video 1.5 支持什么分辨率？

480p、720p 或 1080p。按文字或照片生成时，模型原生绘制 1080p。带参考图时，上限是 720p。

### 怎样在不同视频里保持同一个角色？

把角色的图片作为参考图上传，最多 14 张，并指定音色：每条视频最多 3 个说话的角色。脸和声音会在不同场景之间保持一致。

### Video 1.5 和 1.5 Lite 有什么区别？

Lite 便宜四倍（每秒 0.02 美元对 0.08 美元），但只接受文字和一张照片，1080p 由放大得到。Lite 没有参考图、音色和关键帧。

### AI2Face 里有 Grok Imagine Video 1.5 吗？

有。模型在 AI2Face 生成器里，费用在开始生成前就能看到。

## 资料来源

- 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