Grok Imagine V1.5

Grok Imagine V1.5 が得意なこと、そして苦手なこと

Grok Imagine V1.5 は xAI の音声付き短尺動画クリップ向けモデルです。開始フレームとモーションを記述するプロンプトを与えるか、シーンをゼロから書くか、人物・製品・スタイルの参照画像を最大 7 枚添付すると、モーション——加えてネイティブ同期音声——を 1 回のパスで生成します。プレビュー段階で Image-to-Video Arena 公開リーダーボードの 1 位を獲得、1.0 と比較してモーション品質と「開始画像が動画ショットに忠実に継承される度合い」の両方で明確に強化されています。

際立った能力はネイティブ同期音声。すべてのクリップが映像と一緒に生成された対話、環境音、効果音付きで返却、話すキャラクターにはリップシンク付き。音声付きソーシャルショートやトークヘッドクリップにとって、これは通常 3 つのツールのパイプライン——モーションモデル、次に TTS、次にフォリー——を 1 つのプロンプトに圧縮します。1.5 のもう 1 つの大きな進歩は時間的一貫性：顔、被写体、シーン要素がクリップ全体で一貫性を保ち、フレームごとのドリフトやワープがなくなり、これは以前のバージョンで最も目立った弱点でした。

クリップは1〜15 秒、720p または 480pで高速に返却、モーションアイデアを試し、サウンド付きで確認し、再生成するのが素早い。この短く、音声付きのショットがまさにスイートスポットです。

弱い点：V1.5 は静止画を生成しないため、特定のフレームをアニメ化したい場合は、まずオリジナル Grok Imagine や別の画像モデルで生成してから投入。解像度は最大 720pで、1080p や 4K の仕上げモデルではない——高解像度納品には Kling V3 や Seedance V2.5 がより適切。そして単一ショットをアニメ化し、マルチカットシーケンスは対象外；ハードカットのあるストーリーボード動画には Kling V3 に切り替え。

合理的なメンタルモデル：「この画像を動かす、音声付き」や「このシーンを見せる、音声付き」がタスクなら Grok Imagine V1.5 を選択——話すキャラクター、製品モーション、SNS ネイティブショート、高速プレビズ。より高い解像度やマルチショット編集が必要になったら、このショットをより重い動画モデルに卒業させて仕上げ。