Grok Imagine V1.5 擅长什么——又不擅长什么

Grok Imagine V1.5 只做一件事,而且做得好:把一张静态图动成带声短片。你给它一张起始帧和一段描述运动的 prompt,它在一次推理里生成运动——外加原生同步音频。预览阶段它在 Image-to-Video Arena 公开榜拿下第一,相比 1.0,在运动质量和「起始图如何忠实地延续进动态镜头」上都明显更强。

最突出的能力是原生同步音频。每段视频回来时都带着与画面一起生成的对白、环境音和音效,说话角色还有对口型。对一段带声社媒短片或说话头像视频,这把通常要三个工具的流水线——运动模型、再 TTS、再 Foley——压成一条 prompt。1.5 的第二个大提升是时间一致性:面部、主体、场景元素在整段视频里保持一致,不再逐帧漂移或扭曲——而这正是上一版最明显的短板。

成片 1 到 15 秒、720p 或 480p,出片快,所以试一个运动想法、带声看一眼、再重出都很快。这种短的、带声的镜头正是它的甜点区。

它弱在哪:V1.5 只做图生视频——不出静态图、也不跑文生视频,所以如果你连一张可动的图都还没有,先用原版 Grok Imagine 或别的图像模型出图再喂进来。分辨率上限 720p,不是 1080p 或 4K 的收尾模型——要高分辨率交付,Kling V3 或 Seedance V2.0 是更对的目标。而且它动的是单个镜头,不是多镜头切换序列;要带硬切的分镜视频,换 Kling V3。

一个合理的心理模型:只要任务是「让这张图动起来,带声」,就选 Grok Imagine V1.5——说话角色、产品动效、社媒原生短片、快速预演。等需要更高分辨率或多镜头剪辑时,把这个镜头交给更重的视频模型走终稿。