Grok Imagine V1.5 擅長什麼——又不擅長什麼

Grok Imagine V1.5 只做一件事,而且做得好:把一張靜態圖動成帶聲短片。你給它一張起始格和一段描述運動的 prompt,它在一次推論裡生成運動——外加原生同步音訊。預覽階段它在 Image-to-Video Arena 公開榜拿下第一,相比 1.0,在運動品質和「起始圖如何忠實地延續進動態鏡頭」上都明顯更強。

最突出的能力是原生同步音訊。每段影片回來時都帶著與畫面一起生成的對白、環境音和音效,說話角色還有對嘴。對一段帶聲社群短片或說話頭像影片,這把通常要三個工具的流程——運動模型、再 TTS、再 Foley——壓成一條 prompt。1.5 的第二個大提升是時間一致性:面部、主體、場景元素在整段影片裡保持一致,不再逐格飄移或扭曲——而這正是上一版最明顯的短板。

成片 1 到 15 秒、720p 或 480p,出片快,所以試一個運動想法、帶聲看一眼、再重出都很快。這種短的、帶聲的鏡頭正是它的甜蜜點。

它弱在哪:V1.5 只做圖生影片——不出靜態圖、也不跑文生影片,所以如果你連一張可動的圖都還沒有,先用原版 Grok Imagine 或別的圖像模型出圖再餵進來。解析度上限 720p,不是 1080p 或 4K 的收尾模型——要高解析度交付,Kling V3 或 Seedance V2.0 是更對的目標。而且它動的是單一鏡頭,不是多鏡頭切換序列;要帶硬切的分鏡影片,換 Kling V3。

一個合理的心智模型:只要任務是「讓這張圖動起來,帶聲」,就選 Grok Imagine V1.5——說話角色、產品動效、社群原生短片、快速預演。等需要更高解析度或多鏡頭剪輯時,把這個鏡頭交給更重的影片模型走定稿。