Grok Imagine V1.5 が得意なこと、そして苦手なこと

Grok Imagine V1.5 は 1 つのことだけを行い、それを上手くやります：静止画をサウンド付きの短いクリップにアニメ化。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と、モーションを生成——加えてネイティブ同期音声——を 1 回のパスで行います。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 は画像to動画のみ——静止画の生成やテキストto動画の単独実行はしないため、そもそもアニメ化するフレームが必要な場合は、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 V2.0 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」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。