Grok Imagine 1.5の機能と使い方

Grok Imagine 1.5の機能、Liteとの違い、API料金、AI Studioでの使い方を解説します。

暗い映画風のイラスト。青緑と暖かなオレンジの光の粒子からフィルムのフレームが形作られ、その下に音声波形が見える
目次

Grok Imagine 1.5はSpaceXSI(旧xAI)の動画生成モデルで、同期したネイティブ音声、セリフ、効果音を伴う最長15秒のクリップを作成します。ネイティブ1080pと複数画像の参照に対応する完全版のGrok Imagine 1.5と、低コストで下書きを作れるGrok Imagine 1.5 Liteの2種類があり、テキストからの動画生成、画像からの動画生成、キャラクターの一貫性を保つ参照ワークフローに対応します。

AI StudioのAI動画ジェネレーターでは、Grok Imagine 1.5と1.5 Liteの両方をブラウザで利用できます。AI Studioは、Seedance、Kling、Gemini Omni、Happy Horse、MiniMax H3、Grok Imagineを含む複数の動画・画像モデルをクレジット制で利用できる独立したウェブサイトであり、SpaceXSIやxAIとは提携していません。

Grok Imagine 1.5とは?リリース日は?

Grok Imagine 1.5は、かつてxAIとして知られたSpaceXSIの主力動画・音声生成モデルファミリーです(同社は2026年7月に一時SpaceXAIとなった後、2026年10月にSpaceXSIの名称を採用し、ウェブサイトはx.aiのままです)。

SpaceXSIは2026年半ばに、1.5世代を明確に分かれた2段階で展開しました。

  • 2026年6月16日(初回リリース): SpaceXSIはImagine APIでgrok-imagine-video-1.5を公開し、同時にgrok.com/imagineとiOSおよびAndroidアプリで「Video 1.5 Fast」を公開しました。リリース時は画像から動画を生成するモデルとしてのみ動作しました。このリリースでは、動画と同時に効果音、環境音、セリフを生成することに重点が置かれ、より明瞭な口の動きに合った発話と、視覚的な歪みが少なく、重量感や勢いがより自然な物理的動作が実現しました。SpaceXSIのアプリでは、Video 1.5 Fastにより6秒の720pクリップの生成時間が、前バージョンの40秒以上から約25秒に短縮され、Projects、並列エージェント、ライブラリ検索などの作業環境機能が導入されました。
  • 2026年7月31日(参照機能とテキストからの動画生成のアップデート): SpaceXSIは「Imagine Video 1.5 with References」アップデートでモデルを拡張しました。このリリースでは、開始画像を必要としないテキストからの直接動画生成、テキストと画像の両方からの動画生成におけるネイティブ1080p解像度、参照機能が追加されました。ユーザーは顔、製品、場所など特定の被写体をそれぞれ固定する複数の参照画像と、異なるシーン間で同じ顔と声を保つための音声参照を渡せるようになりました。

「2.0」モデルへの言及を見た場合、2026年11月時点でGrok Imagine Video 2.0はリリースも発表もされていないことに注意してください。「Grok Imagine Image 2.0」は別の静止画像モデルであり、現在の動画モデルは1.5と1.5 Liteです。また、動画編集や動画の延長といった従来のAPIタスクは、1.5シリーズではなく旧モデルのgrok-imagine-videoで引き続き提供されています。

Grok Imagine 1.5でできること

Grok Imagine 1.5は映像生成と音声合成を1回の処理にまとめ、480p、720p、1080pの解像度で、APIでは1〜15秒、AI Studioでは4〜15秒のクリップに対応します。SpaceXSIのAPIとサードパーティのブラウザインターフェースでは機能が少し異なるため、それぞれの機能を個別に見ていきます。

ネイティブ音声とリップシンク

Grok Imagine 1.5と1.5 Liteはどちらも、すべてのクリップで同期した音声を自動生成します。動画の生成後にBGMを追加するのではなく、モデルは室内の環境音、画面上の動きに合った物理的な効果音、リップシンク付きのセリフを同じ処理で生成します。プロンプト内でキャラクターが話すと、口の動きと声の表現が画面上の動作に合います。

テキストからの動画生成

2026年7月のアップデートで追加されたテキストからの動画生成では、文章のプロンプトだけでクリップを生成できます。SpaceXSIの開発者向けドキュメントによると、1.5と1.5 Liteのテキストからの動画生成は、まずテキストプロンプトから静止フレームを生成し、それを選択した長さにわたって動かす仕組みです。完全版の1.5モデルでは最大ネイティブ1080pで生成され、1.5 Liteの1080p出力は720pからアップスケールされます。

画像からの動画生成

画像からの動画生成では、アップロードした1枚の静止画像を動画の開始フレームに設定し、テキストの指示に基づいてその後のシーンを動かします。SpaceXSIのAPIとAI Studioのどちらでも、アップロードした画像のアスペクト比が自動的に維持されます。

参照画像と音声

参照生成では、特定の画像をクリップの文字どおりの最初のフレームにする必要なく、視覚や音声の基準を指定できます。各参照画像はキャラクターの顔、特定の製品ボトル、部屋のレイアウトなど1つの要素を固定し、それらをまったく新しいカメラアングルや動作に配置できます。

  • 画像参照: 完全版のGrok Imagine 1.5のみで対応し(1.5 Liteは非対応)、最長15秒のクリップで最大720pを利用できます。2026年7月の発表では1回の生成につき最大7枚の参照画像が紹介されましたが、現在のSpaceXSIの開発者向けドキュメントではAPIで最大14枚に対応しています。AI Studioでは、参照画像からの動画生成で480pまたは720p、2〜7枚の参照画像に対応します。
  • 音声参照(APIとSpaceXSIのアプリのみ): APIはクリップあたり最大3つの音声参照に対応し、プリセット音声、または信頼できるパートナーがリクエストに応じてアップロードしたカスタム音声を使用して、シーン間で同じ声を維持します。AI Studioでは音声参照を利用できません。

最初・最後のフレームとキーフレーム

SpaceXSIのAPIと自社ツールでは、完全版のgrok-imagine-video-1.5モデルが、1.5 LiteやAI Studioでは対応していない構成用のフレーム固定に対応します。

  • 最初と最後のフレーム: クリップの開始画像と終了画像の両方を指定できます。最初と最後のフレームにまったく同じ画像を渡すとループが作成されます。
  • キーフレーム: 動画途中のフレームを最大4つ固定し、タイムライン上の特定の時点で動きをどこに到達させるか指定できます。

Grok Imagine 1.5と1.5 Liteはどちらを使うべき?

Grok Imagine 1.5とGrok Imagine 1.5 Liteの選択は、複数画像によるキャラクターの一貫性とネイティブ1080pの鮮明さが必要か、あるいはテキストからの動画や単一画像のアニメーションを低コストですばやく作れればよいかによって決まります。

機能Grok Imagine 1.5 (grok-imagine-video-1.5)Grok Imagine 1.5 Lite (grok-imagine-video-1.5-lite)
1080p解像度ネイティブ1080p(T2VとI2V)720pからアップスケール
利用可能な解像度480p、720p、1080p480p、720p、1080p
長さAPIでは1〜15秒(AI Studioでは4〜15秒)APIでは1〜15秒(AI Studioでは4〜15秒)
ネイティブ音声とリップシンクすべてのクリップに含まれるすべてのクリップに含まれる
参照画像APIでは最大14枚、AI Studioでは2〜7枚(最大720p)非対応
音声参照最大3つの声(API / SpaceXSIのアプリのみ)非対応
最初・最後のフレームとキーフレーム対応、動画途中に最大4つのキーフレームも指定可能(APIのみ)非対応
APIの1秒あたりの料金$0.08(480p)、$0.14(720p)、$0.25(1080p)$0.02(480p)、$0.03(720p)、$0.14(1080p)
AI Studioの1秒あたりのクレジット6(480p)、10(720p)、18(1080p)1.5(480p)、2.5(720p)、10(1080p)
適した用途複数参照のシーン、繰り返し登場するキャラクター、ネイティブ1080p出力低コストの下書き、シンプルなT2V/I2Vクリップ、480p/720pのSNS動画

SpaceXSIのドキュメントでは、使い分けを明確にまとめています。

  • Grok Imagine 1.5 Liteを選ぶ場合: 単独のテキストからの動画や単一画像からの動画を作成する場合、プロンプトの文言を試す場合、または480pか720pで生成する場合です。AI Studioでは、これらの解像度でLiteに必要なクレジットは完全版の約4分の1です。
  • Grok Imagine 1.5を選ぶ場合: 2枚以上の参照画像を組み合わせてショット間でキャラクター、製品、設定の一貫性を保つ必要がある場合、720pからのアップスケールではなく真のネイティブ1080pで生成したい場合、またはAPIで固定フレームや音声が必要な場合です。

Grok Imagine 1.5の料金

Grok Imagine 1.5の料金は、開発者としてSpaceXSIのAPIを通じて秒単位で支払うか、AI Studioでクリップごとにクレジットを使うかによって異なります。

SpaceXSI APIの料金

SpaceXSIの開発者向けドキュメントでは、動画生成は解像度に応じて生成された出力の秒数ごとに課金されます。

  • grok-imagine-video-1.5: 480pは1秒あたり$0.08、720pは$0.14、1080pは$0.25です。画像入力にも1枚あたり約$0.01が課金されます。
  • grok-imagine-video-1.5-lite: 480pは1秒あたり$0.02、720pは$0.03、1080pは$0.14です。

AI Studioのクレジット料金

AI Studioでは1秒あたりのドル料金は課金されず、選択したモデル、解像度、長さに応じて生成のたびにクレジットが差し引かれます。合計クレジットは1秒あたりの料金にクリップの秒数を掛け、整数に切り上げたものです。開始フレームの画像や参照画像をアップロードしても、追加のクレジットはかかりません。

AI Studioのモデル480p(クレジット / 秒)720p(クレジット / 秒)1080p(クレジット / 秒)
Grok Imagine 1.5 Lite1.52.510
Grok Imagine 1.561018

AI Studioでよく使われる長さのクリップに必要なクレジットは次のとおりです。

  • 720pの5秒クリップ(初期設定): 1.5 Liteでは 13クレジット (12.5を切り上げ)、完全版の1.5では 50クレジット です。
  • 1080pの10秒クリップ: 1.5 Liteでは 100クレジット 、完全版の1.5では 180クレジット です。
  • 1080pの最大長15秒クリップ: 1.5 Liteでは 150クレジット 、完全版の1.5では 270クレジット です。

合計を手計算する必要はありません。AI StudioではGenerate Video(動画を生成)をクリックする前に、正確な消費クレジットが表示されます。

AI StudioでGrok Imagine 1.5を使う方法

APIキーを管理せずに、両モデルでブラウザから直接動画を生成できます。次の手順に従ってください。

  1. ジェネレーターを開く: AI StudioのAI動画ジェネレーターにアクセスします。Grok専用の独立したページはなく、すべてのモデルはメインの動画作業画面にあります。
  2. モデルファミリーを選ぶ: モデル切り替え画面を開き、 Grok Imagine Video (Grok Imagineの動画モデル)を選びます。
  3. モデルのバージョンを選ぶ: Grok Imagine 1.5 Lite (ファミリーの初期設定として先頭に表示)と Grok Imagine 1.5 から選びます。
  4. 生成モードを選ぶ:
    • 1.5 Liteの場合 、Text to Video (テキストから動画)または Image to Video (画像から動画)を選びます(開始フレームとなる画像を1枚アップロードします)。
    • 完全版の1.5の場合 、Reference to Video (参照画像から動画)も選択でき、2〜7枚の参照画像(キャラクターのポートレート、物体、背景など)をアップロードできます。
  5. プロンプトを書く: シーンの説明、カメラの動き、照明、セリフや音の指示を入力します。
  6. 長さ、解像度、アスペクト比を設定する:
    • 長さ: 4〜15秒 を1秒刻みで選びます(初期設定は5秒)。
    • 解像度: 480p、720p、1080p から選びます(初期設定は720p)。完全版1.5でReference to Videoを使う場合、解像度は最大720pです。
    • アスペクト比: Text to Videoでは、1.5 Liteは16:9、9:16、1:1、4:3、3:4、3:2、2:3(初期設定は16:9)に対応し、完全版1.5は16:9、9:16、1:1、3:2、2:3に対応します。Image to Videoでは、出力はアップロードした画像のアスペクト比に自動的に合わされます。
  7. 合計クレジットを確認して生成する: 生成前に表示される消費クレジットを確認し、Generate Videoをクリックします。完成した動画にはすべてネイティブ音声が自動的に含まれ、音声のオン・オフを切り替える必要はありません。

AI StudioでGrok Imagineに提供されていない機能

利用できる範囲を明確にすると、開発者向けやアプリ固有の機能の一部はSpaceXSIのアプリまたはAPIでのみ利用でき、AI Studioでは 利用できません 。

  • 音声参照とプリセット音声の選択
  • 最初と最後のフレームの固定、および動画途中のキーフレーム
  • 1つのプロンプトでの7枚を超える参照画像(APIでは最大14枚)
  • 超横長の21:9と5:2のアスペクト比
  • 4秒未満のクリップ(APIでは最短1秒)
  • 動画編集と動画の延長(SpaceXSIの旧grok-imagine-video APIモデルで動作)
  • Projectsや並列エージェントなどのSpaceXSIアプリの作業環境ツール

Grok Imagine 1.5のプロンプトのコツ

SpaceXSIの開発者向けドキュメントでは、1.5の仕組みから安定した動きと明瞭な音声を得るための基本原則をいくつか紹介しています。

  1. テキストからの動画生成ではカメラ、照明、音を一緒に指定する: テキストからの動画生成では、言葉から最初のフレームを生成し、音声トラックとともに動かすため、具体的な映像と音の基準をモデルに与えます。ショットの構図、カメラの動き、光の質、聞こえてほしい環境音やセリフを具体的に記述します。
  2. 画像からの動画生成では画像ではなく動きを説明する: 開始画像をアップロードすると、その画像が開始フレーム、被写体の外観、アスペクト比をすでに定義しています。写真にすでに写っているものをプロンプトで説明し直す必要はありません。被写体の動き、カメラの追従、発生する音など、最初のフレームの後に何が変化するかに集中します。
  3. 各参照画像に明確な役割を1つずつ与える: 完全版のGrok Imagine 1.5でReference to Videoを使う場合、固定したい要素ごとに異なる画像をアップロードします。例えば、参照1をキャラクターの顔、参照2を手に持つコーヒーマグ、参照3をダイナーの店内にします。参照画像は最初のフレームを固定しないため、ショット内でそれらの要素がどう関わるかをテキストプロンプトで指定します。
  4. セリフの長さをクリップの長さに合わせる: ネイティブのリップシンクは、セリフが使える秒数に自然に収まるときに最も効果を発揮します。5秒のクリップでは、声が早口になったりタイムラインの最後で途切れたりしないよう、長い文章ではなく短いセリフを1文書きます。

テキストからの動画生成のプロンプト例(カメラ、照明、音声)

Medium tracking shot following a watchmaker in a leather apron walking past a wooden workbench at night. Warm tungsten desk lamps cast soft amber reflections across brass gears and glass domes. The camera slowly pushes in as he sits down, picks up a silver pocket watch, and looks up at the lens, saying calmly, "Every second leaves a mark." Crisp ticking of wall clocks, quiet footsteps on floorboards, and warm room ambience.

画像からの動画生成のプロンプト例(動きと音のみ)

The motorcyclist lowers her tinted visor with her right hand and twists the throttle. The headlight beam brightens against the wet asphalt as the bike launches forward out of the frame, kicking up a fine spray of rainwater. Camera pans right to follow the departure. Deep engine ignition roar, sharp visor click, and tires hissing on wet pavement.

Grok Imagine 1.5 Liteで少ないクレジットを使ってすばやく720pクリップの下書きを作る場合も、完全版のGrok Imagine 1.5で参照画像を使ってシーン間のキャラクターを固定する場合も、1つのブラウザの切り替え画面に両モデルがあるため、ショットに合ったツールを簡単に選べます。AI Studioの動画ジェネレーターにアクセスし、Grok Imagine Videoファミリーを選んで、ネイティブ音声付きの最初のプロンプトを試してみてください。

出典

よくある質問

Grok Imagine 1.5はいつリリースされましたか?

SpaceXSI(旧xAI)は2026年6月16日、Grok Imagine Video 1.5を当初は画像から動画を生成するモデルとしてImagine APIで公開し、同時にgrok.comとモバイルアプリでVideo 1.5 Fastを公開しました。2026年7月31日の大型アップデートでは、テキストからの動画生成、ネイティブ1080p解像度、画像参照、シーン間でキャラクターの一貫性を保つ音声参照が追加されました。

Grok Imagine 1.5と1.5 Liteの違いは何ですか?

Grok Imagine 1.5はネイティブ1080p動画を生成し、APIでは参照画像、音声参照、最初と最後のフレーム、動画途中のキーフレームに対応します。Grok Imagine 1.5 Liteはテキストからの動画生成と単一画像のアニメーション向けの低コストモデルです。1080p出力は720pからのアップスケールで、参照画像、音声参照、固定キーフレームには対応していません。

Grok Imagine 1.5の料金はいくらですか?

SpaceXSIのAPIでは、grok-imagine-video-1.5の料金は480pで1秒あたり$0.08、720pで$0.14、1080pで$0.25で、入力画像にも1枚あたり約$0.01がかかります。Liteモデルは480pで$0.02、720pで$0.03、1080pで$0.14です。AI Studioでは生成にクレジットを使用し、1秒あたりLiteは1.5〜10クレジット、1.5は6〜18クレジットです。

GrokのサブスクリプションなしでGrok Imagine 1.5を使えますか?

はい。開発者はSpaceXSIのImagine APIからモデルを直接呼び出し、出力の秒数に応じて支払えます。APIキーやGrokアカウントを設定せずにブラウザで動画を生成したい場合は、AI Studioなどの独立したプラットフォームで、Grok Imagine 1.5と1.5 Liteの両方をクレジットで利用できます。

Grok Imagine Video 2.0はすでにありますか?

いいえ。2026年11月時点で、SpaceXSIはGrok Imagine Video 2.0をリリースも発表もしていません。現在の動画モデルのラインアップはGrok Imagine 1.5とGrok Imagine 1.5 Liteです。SpaceXSIにはGrok Imagine Image 2.0というモデルがありますが、これは動画クリップではなく静止画像の生成専用です。

AI Video Studio で制作

アイデアを動画に

動画生成ツールを開いて、制作を始めましょう。

動画を生成

著者

AI Studio Team