Modello · xAI Grok Imagine Video 1.5
Il modello video di xAI, e la cosa che fa meglio di qualsiasi altro modello qui: parte dalla tua foto e pronuncia la tua battuta. Dagli un ritratto e una frase tra virgolette: il primo fotogramma della clip è quel ritratto, e la frase viene detta ad alta voce con il labiale sincronizzato. Le clip durano da 4 a 15 secondi, qualsiasi numero intero di secondi, in 720p o 1080p e in cinque formati. Paghi al secondo, $0.14 in 720p e $0.25 in 1080p: le stesse tariffe che xAI indica per la propria API. Crypto o carta, senza abbonamento.
Grok Imagine Video 1.5 è il modello di generazione video di xAI, quello che fa girare la parte video di Grok Imagine: trasforma un prompt, o un'immagine fissa più un prompt, in una clip fino a 15 secondi con l'audio generato nello stesso passaggio. È nell'API di xAI da giugno 2026 e su BananaBanana dal 16 settembre 2026, pagato dallo stesso saldo di tutti gli altri modelli. Applichiamo le tariffe al secondo di xAI, $0.14 in 720p e $0.25 in 1080p, e non ti ribaltiamo il sovrapprezzo che xAI aggiunge per ogni immagine in input.
Dialoghi e primi fotogrammi. Una battuta scritta tra virgolette viene pronunciata, sincronizzata con il labiale e mixata a volume da conversazione, proprio quello che serve a un annuncio in stile creator. E quando gli dai una foto come primo fotogramma, la clip si apre su quella foto: stessa persona, stessa stanza, stesso motivo sul maglione, non un sosia rimesso in scena. Funzionano anche i prompt solo testuali, e il verticale è onesto: un ordine 9:16 in 1080p è tornato come file 1088×1920, non come un render orizzontale ritagliato.
Instradiamo gli ordini con primo fotogramma all'endpoint nativo image-to-video di xAI e abbiamo controllato il risultato fotogramma per fotogramma: il fotogramma di apertura è l'immagine in input, non una sua reinterpretazione.
Metti la frase tra virgolette e il modello la pronuncia. L'audio è sempre attivo e sempre incluso nel prezzo: non esiste una versione senza audio e non si paga nulla in più per il suono.
Non un menu di tre durate: ogni secondo intero dell'intervallo. Sette secondi per una battuta, undici per due, e paghi esattamente quelli.
16:9, 9:16, 1:1, 3:2 e 2:3. Il quadrato e il 3:2 sono formati che gli altri modelli video qui non rendono affatto.
I riferimenti guidano soggetto e ambientazione, mentre la scena la costruisce il modello. Sono un'alternativa al primo fotogramma, non un'aggiunta: manda l'uno o l'altro.
$0.14 al secondo in 720p, $0.25 in 1080p. Metti a punto il prompt in 720p, poi genera una sola volta in 1080p la versione definitiva, da testo o da un primo fotogramma.
Qui il primo fotogramma funziona sia in 720p sia in 1080p: in entrambi i casi la clip si apre esattamente sulla tua immagine. Le immagini di riferimento invece sono solo 720p: xAI limita a 720p i video guidati da riferimenti, e invece di farti pagare la tariffa 1080p consegnandoti un file più piccolo, rifiutiamo questa combinazione prima di addebitare qualsiasi cosa; nello Studio, quando scegli 1080p, gli slot dei riferimenti si disattivano con una nota. Primo fotogramma e immagini di riferimento non si possono combinare. Non ci sono ultimo fotogramma, seed, prompt negativo né input video.
15 secondi sono il render singolo più lungo, e dopo non si può né estendere né modificare: uno spot da quaranta secondi sono tre clip e un montaggio. L'audio va forte sul parlato e sui suoni nominati esplicitamente, meno su un'atmosfera vaga: «soft ambient kitchen sounds» è tornato a circa −50 dB, cioè silenzio. Nomina un suono («un bollitore che inizia a fischiare fuori campo») oppure aggiungi il tono ambiente in montaggio. Il prompt arriva al massimo a 2048 caratteri. Se ti serve mezzo minuto in una sola ripresa, clip di riferimento o seed, c'è Wan 3.0; se vuoi cambiare una clip finita descrivendo la modifica, c'è Gemini Omni Flash.
Un ritratto, un prodotto in mano, la stanza sullo sfondo. Generalo qui o carica il tuo. Qualunque cosa ci sia in quell'immagine è ciò con cui inizia la clip, quindi sistema il fotogramma prima di pagare per il movimento.
Descrivi chi c'è nell'inquadratura, metti la battuta tra virgolette, poi di' come si muove la camera. «Movimento naturale a mano, tono ambiente tranquillo» basta. Resta sotto i 2048 caratteri.
Quattro secondi in 720p costano $0.56. Il saldo viene addebitato quando parte il job e rimborsato automaticamente se fallisce o se il filtro lo rifiuta. Ricarica in crypto o con carta; nessun canone mensile.
| Modello | 4 s | 8 s | 15 s | Audio |
|---|---|---|---|---|
| Grok Imagine Video 1.5 · 720p$0.14/s: primo fotogramma, riferimenti, bozze | $0.56 | $1.12 | $2.10 | Sempre attivo, incluso |
| Grok Imagine Video 1.5 · 1080p$0.25/s: da testo a video e primo fotogramma, senza riferimenti | $1.00 | $2.00 | $3.75 | Sempre attivo, incluso |
| Wan 3.0 · 720pModello di Alibaba, fino a 30 s | $0.40 | $0.80 | $1.50 | Incluso, gratis |
| Veo 3.1 Fast · 720pModello di Google, solo 4–8 s | $0.35 | $0.70 | — | Costa a parte |
| Gemini Omni Flash · 720pModello di Google, al secondo, 3–10 s | $0.40 | $0.80 | — | Sempre attivo |
I prezzi sono per clip finita e includono la traccia audio. Le immagini in input sono gratis. Un trattino indica che il modello non può rendere quella durata in un solo passaggio. Una ricarica da $50 aggiunge il 5% al saldo e una da $100 il 10%; un codice promo attivo aggiunge un altro 10% sulla stessa ricarica. Il bonus sul volume +5% / +10% vale solo per le ricariche in crypto.
La tabella completa di tutti i modelli è nella pagina prezzi.
Come si comportano davvero fotogrammi iniziali, fotogrammi finali e loop, con i prompt che li hanno generati.
Leggi la guidaLinguaggio della camera, luce, movimento. Scritta per Veo, ma la struttura si applica a Wan quasi senza modifiche.
Leggi la guidaIl modello da usare quando vuoi modificare una clip parlandoci invece di riscrivere il prompt.
Leggi la guidaSì, sempre. I dialoghi scritti tra virgolette vengono pronunciati con il labiale sincronizzato, e gli effetti sonori nominati vengono resi. Le richieste di atmosfera generica spesso tornano quasi mute, quindi se ti serve un suono nominalo in modo preciso. L'audio è incluso nel prezzo.
Paghi al secondo: $0.14 in 720p e $0.25 in 1080p, le stesse tariffe che xAI applica sulla propria API. Quindi quattro secondi in 720p costano $0.56, otto secondi $1.12 o $2.00 a seconda della risoluzione, e il massimo, 15 secondi in 1080p, costa $3.75. Le immagini in input qui non costano nulla in più.
Leggi la risposta completaSì, come primo fotogramma: da settembre 2026 una clip in 1080p può aprirsi esattamente sulla tua immagine. L'eccezione sono le immagini di riferimento: xAI limita a 720p i video guidati da riferimenti, quindi rifiutiamo un ordine 1080p con riferimenti prima dell'addebito, invece di consegnarti un file più piccolo al prezzo più alto.
Non con questo modello. Genera fino a 15 secondi per clip e monta insieme i pezzi più lunghi, oppure usa Wan 3.0 per una singola ripresa fino a 30 secondi, o Gemini Omni Flash, che estende le proprie clip fino a 40.
No. Accetta un primo fotogramma oppure fino a 7 immagini di riferimento, e basta. Per controllare primo e ultimo fotogramma usa Veo 3.1, Omni o Wan 3.0; per il seed usa Veo o Wan.
L'intero importo torna automaticamente sul saldo, compresi i rifiuti del filtro dei contenuti. È la stessa regola per tutti i modelli della piattaforma.
Leggi la risposta completaSì. Quello che generi puoi usarlo, anche per clienti e lavori commerciali, nel rispetto delle regole sui contenuti dei nostri termini. Nessun watermark sull'output e nessuna licenza separata da acquistare.
I nuovi account partono con $0.20 di saldo, abbastanza per creare il primo fotogramma. Clip da $0.56, senza abbonamento, senza vincoli.