Das Startbild ist dein Foto
Aufträge mit Startbild leiten wir an den nativen Bild-zu-Video-Endpunkt von xAI weiter und haben das Ergebnis Bild für Bild geprüft: Das erste Bild ist das Eingabebild selbst, keine Neuinterpretation davon.
Modell · xAI Grok Imagine Video 1.5
Grok Imagine Video 1.5 – ein Foto, das zu sprechen beginnt
Das Videomodell von xAI, und was es besser kann als alles andere hier: Es startet mit deinem Foto und spricht deinen Satz. Gib ihm ein Porträt und einen Satz in Anführungszeichen, und das erste Bild des Clips ist genau dieses Porträt – der Satz wird laut gesprochen, lippensynchron. Clips dauern 4 bis 15 Sekunden in jeder ganzen Sekundenlänge, in 720p oder 1080p, in fünf Seitenverhältnissen. Du zahlst pro Sekunde – $0.14 in 720p, $0.25 in 1080p –, also dieselben Tarife, die xAI für die eigene API ausweist. Krypto oder Karte, ohne Abo.
01Was es ist
Was ist Grok Imagine Video 1.5?
Grok Imagine Video 1.5 ist das Videomodell von xAI – das, was hinter der Videofunktion von Grok Imagine steckt – und macht aus einem Prompt oder aus einem Standbild plus Prompt einen Clip von bis zu 15 Sekunden, mit Ton aus demselben Durchgang. Seit Juni 2026 ist es in der xAI-API, seit dem 16. September 2026 auf BananaBanana, bezahlt aus demselben Guthaben wie jedes andere Modell. Wir berechnen die Sekundenpreise von xAI selbst, $0.14 in 720p und $0.25 in 1080p, und die Gebühr, die xAI für jedes Eingabebild aufschlägt, geben wir nicht weiter.
Worin ist es wirklich gut?
In Dialogen und Startbildern. Ein Satz in Anführungszeichen wird gesprochen, lippensynchron und in Gesprächslautstärke abgemischt – genau das, was eine Anzeige im Creator-Stil braucht. Und gibst du ihm ein Foto als Startbild, beginnt der Clip mit genau diesem Foto – dieselbe Person, derselbe Raum, dasselbe Muster auf dem Pullover – statt mit einem nachgestellten Doppelgänger. Reine Text-Prompts funktionieren auch, und Hochformat ist echt: Eine 9:16-Bestellung in 1080p kam als 1088×1920-Datei zurück, nicht als zugeschnittenes Querformat.
02Was es gut kann
Sechs Dinge, die du wissen solltest, bevor du Geld ausgibst
Gesprochene Sätze, lippensynchron
Setz den Satz in Anführungszeichen, und das Modell spricht ihn. Ton ist immer an und immer im Preis enthalten; es gibt keine stumme Stufe und keinen Aufpreis für Ton.
Jede Länge von 4 bis 15 Sekunden
Keine Auswahl aus drei festen Längen, sondern jede ganze Sekunde im Bereich. Sieben Sekunden für einen Dialogsatz, elf für zwei – und du zahlst genau das.
Fünf Seitenverhältnisse
16:9, 9:16, 1:1, 3:2 und 2:3. Quadratisch und 3:2 sind Formate, die die anderen Videomodelle hier überhaupt nicht rendern.
Bis zu 7 Referenzbilder
Referenzen steuern Motiv und Umgebung, während das Modell die Szene selbst inszeniert. Sie sind eine Alternative zum Startbild, keine Ergänzung – schick das eine oder das andere.
Zwei Preisstufen
$0.14 pro Sekunde in 720p, $0.25 in 1080p. Arbeite den Prompt in 720p aus und render den gelungenen Clip dann einmal in 1080p – aus Text oder mit Startbild.
03Ehrliche Grenzen
Was Grok nicht macht
Ein Startbild funktioniert hier in 720p und 1080p: In beiden Fällen beginnt der Clip exakt mit deinem Bild. Referenzbilder gibt es nur in 720p – xAI begrenzt referenzgesteuertes Video auf 720p, und statt dir den 1080p-Preis zu berechnen und eine kleinere Datei zu liefern, lehnen wir diese Kombination ab, bevor irgendetwas abgebucht wird; im Studio werden die Referenz-Slots mit einem Hinweis deaktiviert, sobald du 1080p wählst. Startbild und Referenzbilder lassen sich nicht kombinieren. Es gibt kein Endbild, keinen Seed, keinen Negativ-Prompt und keinen Video-Input.
15 Sekunden sind der längste einzelne Render, und es gibt kein nachträgliches Verlängern oder Bearbeiten – ein 40-Sekunden-Spot besteht aus drei Clips und einem Schnitt. Der Ton ist stark bei Sprache und bei konkret benannten Geräuschen und schwach bei vager Atmo: „soft ambient kitchen sounds“ kam mit etwa −50 dB zurück, also praktisch Stille. Nenn ein konkretes Geräusch („ein Wasserkessel, der im Off zu pfeifen beginnt“) oder leg Raumton im Schnitt drunter. Der Prompt ist auf 2048 Zeichen begrenzt. Brauchst du eine halbe Minute in einem Take, Referenzclips oder Seeds, deckt Wan 3.0 das ab; willst du einen fertigen Clip ändern, indem du die Änderung beschreibst, ist das ein Fall für Gemini Omni Flash.
04So startest du
Vom Foto zum Clip in drei Schritten
Erstell das Bild, mit dem der Clip beginnen soll
Ein Porträt, ein Produkt in der Hand, der Raum dahinter. Generier es hier oder lad dein eigenes hoch. Was auf diesem Bild ist, damit startet der Clip – also bring das Bild in Ordnung, bevor du für Bewegung zahlst.
Ein Satz, ein Zitat, eine Kameranotiz
Beschreib, wer im Bild ist, setz den gesprochenen Satz in Anführungszeichen und sag dann, wie sich die Kamera verhält. „Natürliche Handkamera, leiser Raumton“ reicht. Bleib unter 2048 Zeichen.
Zahl für die Sekunden, die du bestellt hast
Vier Sekunden in 720p kosten $0.56. Dein Guthaben wird beim Start des Jobs belastet und automatisch erstattet, wenn er fehlschlägt oder der Filter ihn ablehnt. Aufladen mit Krypto oder Karte; eine Monatsgebühr gibt es nicht.
05Preise
Was kostet Grok Imagine Video 1.5 2026 im Vergleich zu Wan, Veo und Omni?
| Modell | 4 s | 8 s | 15 s | Ton |
|---|---|---|---|---|
| Grok Imagine Video 1.5 · 720p$0.14/s – Startbild, Referenzen, Entwürfe | $0.56 | $1.12 | $2.10 | Immer an, inklusive |
| Grok Imagine Video 1.5 · 1080p$0.25/s – Text-zu-Video und Startbild, keine Referenzen | $1.00 | $2.00 | $3.75 | Immer an, inklusive |
| Wan 3.0 · 720pModell von Alibaba, bis 30 s | $0.40 | $0.80 | $1.50 | Inklusive, kostenlos |
| Veo 3.1 Fast · 720pModell von Google, nur 4–8 s | $0.35 | $0.70 | — | Kostet extra |
| Gemini Omni Flash · 720pModell von Google, sekundengenau, 3–10 s | $0.40 | $0.80 | — | Immer an |
Preise gelten pro fertigem Clip und enthalten die Tonspur. Eingabebilder sind kostenlos. Ein Strich bedeutet, dass das Modell diese Länge nicht in einem Durchgang rendern kann. Einzahlungen ab $50 bringen 5 % extra aufs Guthaben, ab $100 sind es 10 %; ein aktiver Promo-Code legt auf dieselbe Einzahlung weitere 10 % drauf. Der Mengenbonus von +5 % / +10 % gilt nur für Aufladungen mit Krypto.
Die komplette Tabelle für alle Modelle steht auf der Preisseite.
06Weiterlesen
Guides, die tiefer gehen
Aus einem Foto ein Video machen
Wie sich Startbilder, Endbilder und Loops tatsächlich verhalten – mit den Prompts, die sie erzeugt haben.
Zum GuidePrompts für Videomodelle schreiben
Kamerasprache, Licht, Bewegung. Geschrieben für Veo, aber die Struktur lässt sich fast unverändert auf Wan übertragen.
Zum GuideGemini Omni Flash im Test
Das Modell der Wahl, wenn du einen Clip bearbeiten willst, indem du mit ihm sprichst, statt neu zu prompten.
Zum Guide07FAQ
Fragen, die wirklich gestellt werden
Erzeugt Grok Imagine Video 1.5 auch Ton?
Ja, immer. Dialog in Anführungszeichen wird gesprochen und lippensynchron umgesetzt, benannte Soundeffekte werden gerendert. Vage Wünsche nach Atmo kommen oft fast stumm zurück, nenn also ein konkretes Geräusch, wenn du eins brauchst. Der Ton ist im Preis enthalten.
Was kostet ein Grok-Clip?
Du zahlst pro Sekunde: $0.14 in 720p und $0.25 in 1080p, dieselben Tarife, die xAI in der eigenen API berechnet. Vier Sekunden in 720p kosten also $0.56, acht Sekunden je nach Auflösung $1.12 oder $2.00, und das Maximum – 15 Sekunden in 1080p – liegt bei $3.75. Eingabebilder kosten hier nichts extra.
Ganze Antwort lesenKann ich mein eigenes Foto in 1080p animieren?
Ja, mit einem Startbild: Seit September 2026 kann ein 1080p-Clip exakt mit deinem Bild beginnen. Referenzbilder sind die Ausnahme – xAI begrenzt referenzgesteuertes Video auf 720p, deshalb lehnen wir eine 1080p-Bestellung mit Referenzen ab, bevor etwas abgebucht wird, statt zum höheren Preis eine kleinere Datei zu liefern.
Kann ich einen Clip über 15 Sekunden hinaus verlängern?
Mit diesem Modell nicht. Render bis zu 15 Sekunden pro Clip und schneide längere Stücke zusammen, oder nimm Wan 3.0 für einen einzigen Take von bis zu 30 Sekunden, oder Gemini Omni Flash, das seine eigenen Clips auf bis zu 40 verlängert.
Nimmt es ein Endbild oder einen Seed an?
Nein. Es nimmt ein Startbild oder bis zu 7 Referenzbilder, und das war’s. Für Kontrolle über Start- und Endbild nimm Veo 3.1, Omni oder Wan 3.0; für Seeds Veo oder Wan.
Was passiert, wenn die Generierung fehlschlägt?
Der volle Betrag geht automatisch zurück auf dein Guthaben, auch bei Ablehnungen durch den Inhaltsfilter. Diese Regel gilt für jedes Modell auf der Plattform.
Ganze Antwort lesenDarf ich Grok-Videos kommerziell nutzen?
Ja. Was du generierst, darfst du nutzen, auch für Kundenprojekte und kommerzielle Arbeit, im Rahmen der Inhaltsregeln in unseren Nutzungsbedingungen. Es gibt kein Wasserzeichen auf dem Ergebnis und keine separate Lizenz zu kaufen.
Ein Foto, ein Satz
Neue Konten starten mit $0.20 Guthaben – genug für das Startbild. Clips ab $0.56, ohne Abo, ohne Verpflichtung.