模型能力
视频概览
Grok Imagine 视频模型可以根据一组参考素材、静态图像、现有视频片段或提示词生成带有音频的视频。grok-imagine-video-1.5 支持口型同步语音，以原生 1080p 生成文生视频和图生视频，最多接受 14 张参考图像和 3 个声音参考，并能指定首帧、尾帧和中间帧，生成最长 15 秒的片段。grok-imagine-video-1.5-lite 以最低的每秒价格提供带口型同步语音的文生视频和图生视频，通过将 720p 放大达到 1080p。简单视频推荐使用 grok-imagine-video-1.5-lite；需要参考素材、声音、指定帧或原生 1080p 时，使用 grok-imagine-video-1.5。
请求是异步的：提交请求，用返回的 request_id 轮询，然后下载片段。xAI SDK 和 Vercel AI SDK 会替你轮询（参见工作原理）。
能力与规格
| 能力 | grok-imagine-video-1.5 | grok-imagine-video-1.5-lite | grok-imagine-video |
|---|---|---|---|
| 文生视频 | 支持：最高 1080p，原生分辨率 | 支持：最高 1080p，由 720p 放大 | 支持：最高 720p |
| 图生视频 | 支持：最高 1080p，原生分辨率 | 支持：最高 1080p，由 720p 放大 | 支持：最高 720p |
| 参考图像 | 支持：最多 14 张图像、15 秒、720p | 不支持 | 支持：最多 7 张图像、10 秒、720p |
| 声音参考 | 支持：最多 3 个声音 | 不支持 | 不支持 |
| 首帧和尾帧 | 支持 | 不支持 | 不支持 |
| 关键帧 | 支持：最多 4 个中间帧 | 不支持 | 不支持 |
| 视频编辑 | 不支持 | 不支持 | 支持：源片段最长 8.7 秒 |
| 视频扩展 | 不支持 | 不支持 | 支持：增加 2–10 秒 |
| 时长 | 支持：1–15 秒 | 支持：1–15 秒 | 支持：1–15 秒 |
| 分辨率 | 支持：480p、720p、1080p | 支持：480p、720p、1080p | 支持：480p、720p |
| 宽高比 | 支持：1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9、5:2 | 支持：1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9、5:2 | 支持：1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9、5:2 |
| 图生视频宽高比 | 支持：自动匹配输入图像 | 支持：自动匹配输入图像 | 支持：自动匹配输入图像 |
| 音频 | 支持：原生音频与口型同步语音 | 支持：原生音频与口型同步语音 | 支持：生成音频 |
各分辨率的每秒价格见模型页面。
参考素材生成视频
参考图像用于提供角色、产品和场景，但不固定首帧：grok-imagine-video-1.5 每次请求最多接受 14 张，grok-imagine-video 最多接受 7 张。在 grok-imagine-video-1.5 中，reference_audios 可为最多三个角色指定预设声音，并生成口型同步语音。可信合作伙伴可以申请使用自有音频文件作为声音参考。
首帧、关键帧和尾帧
在 grok-imagine-video-1.5 中，image 设置首帧，last_frame 设置尾帧，最多四个 keyframes 可在指定时间点固定画面；模型会补全其间的运动。将同一图像同时作为 image 和 last_frame，可制作循环视频。
图生视频
作为 image 传入的静态图像会成为首帧，提示词描述接下来发生的内容。输出始终与输入图像的宽高比一致；aspect_ratio 会被忽略。
文生视频
描述镜头，包括镜头运动、光线和声音。对于 grok-imagine-video-1.5 与 grok-imagine-video-1.5-lite，模型会先根据提示词生成首帧，再使其动起来。
视频编辑
向 grok-imagine-video 发送视频片段和编辑指令。模型会应用所需更改，并尽量保持其他内容与源片段一致；请像示例提示词那样，明确说明必须保持不变的内容。
相关内容
最后更新：2026 年 10 月 8 日