O primeiro quadro é a sua foto
Encaminhamos os pedidos com primeiro quadro para o endpoint nativo de imagem para vídeo da xAI e conferimos o resultado quadro a quadro: o quadro de abertura é a imagem de entrada, não uma reinterpretação dela.
Modelo · xAI Grok Imagine Video 1.5
Grok Imagine Video 1.5 — uma foto que começa a falar
O modelo de vídeo da xAI, e o que ele faz melhor do que qualquer outro aqui: abre na sua foto e diz a sua fala. Dê a ele um retrato e uma frase entre aspas, e o primeiro quadro do clipe é esse retrato, com a frase dita em voz alta e sincronizada com os lábios. Os clipes vão de 4 a 15 segundos em qualquer duração inteira, em 720p ou 1080p, em cinco proporções. Você paga por segundo — $0.14 em 720p, $0.25 em 1080p —, as mesmas tarifas que a xAI lista para a própria API. Cripto ou cartão, sem assinatura.
01O que é
O que é o Grok Imagine Video 1.5?
O Grok Imagine Video 1.5 é o modelo de geração de vídeo da xAI — o que está por trás do lado de vídeo do Grok Imagine — e transforma um prompt, ou uma imagem estática mais um prompt, em um clipe de até 15 segundos com o som gerado na mesma passada. Está na API da xAI desde junho de 2026 e no BananaBanana desde 16 de setembro de 2026, pago com o mesmo saldo de todos os outros modelos. Cobramos as tarifas por segundo da própria xAI, $0.14 em 720p e $0.25 em 1080p, e não repassamos a taxa que a xAI acrescenta por cada imagem de entrada.
No que ele é bom de verdade?
Diálogo e primeiros quadros. Uma fala escrita entre aspas é dita, sincronizada com os lábios e mixada em volume de conversa, que é o que um anúncio no estilo criador precisa. E quando você entrega uma foto como primeiro quadro, o clipe abre nessa foto — a mesma pessoa, a mesma sala, a mesma estampa do suéter — em vez de um sósia reencenado. Prompts só de texto também funcionam, e o vertical é honesto: um pedido 9:16 em 1080p voltou como um arquivo de 1088×1920, não como um render horizontal recortado.
02O que ele faz bem
Seis coisas que vale saber antes de gastar
Falas ditas, com sincronia labial
Coloque a frase entre aspas e o modelo a diz. O áudio está sempre ligado e sempre incluído no preço; não existe faixa sem som nem nada extra a pagar por ele.
Qualquer duração de 4 a 15 segundos
Não é um cardápio de três durações: é cada segundo inteiro do intervalo. Sete segundos para uma fala, onze para duas, e você paga exatamente isso.
Cinco proporções
16:9, 9:16, 1:1, 3:2 e 2:3. Quadrado e 3:2 são formatos que os outros modelos de vídeo daqui simplesmente não geram.
Até 7 imagens de referência
As referências guiam o sujeito e o cenário enquanto o modelo monta a cena por conta própria. São uma alternativa ao primeiro quadro, não um acréscimo — envie um ou outro.
Duas faixas de preço
$0.14 por segundo em 720p, $0.25 em 1080p. Acerte o prompt em 720p e depois gere uma única vez em 1080p o texto para vídeo que vai ficar.
03Limites honestos
O que o Grok não vai fazer
Aqui, clipes que partem de uma imagem rodam em 720p. A xAI limita o vídeo guiado por referências a 720p, e a rota de primeiro quadro disponível para nós ainda não aceita 1080p, então 1080p fica para texto para vídeo. Em vez de cobrar a tarifa de 1080p e entregar um arquivo menor, recusamos essa combinação antes de cobrar qualquer coisa; no estúdio, os espaços de imagem simplesmente se desligam com um aviso quando você escolhe 1080p. Primeiro quadro e imagens de referência não podem ser combinados. Não há último quadro, seed, prompt negativo nem entrada de vídeo.
15 segundos é o render único mais longo, e depois não há extensão nem edição — um comercial de quarenta segundos são três clipes e um corte. O áudio é forte em fala e em eventos sonoros nomeados e fraco em ambiência vaga: "soft ambient kitchen sounds" voltou por volta de −50 dB, o que é silêncio. Nomeie um som ("a kettle starting to whistle off-screen") ou adicione som ambiente na edição. O prompt vai até 2048 caracteres. Se você precisa de meio minuto em uma tomada, clipes de referência ou seeds, o Wan 3.0 cobre isso; se quer mudar um clipe pronto descrevendo a mudança, é o Gemini Omni Flash.
04Como usar
Da foto ao clipe em três passos
Faça o quadro em que você quer abrir
Um retrato, um produto na mão, a sala ao fundo. Gere aqui ou envie o seu. O que estiver nessa imagem é aquilo com que o clipe começa, então acerte o quadro antes de pagar pelo movimento.
Uma frase, uma fala entre aspas, uma nota de câmera
Descreva quem está em quadro, coloque a fala entre aspas e diga como a câmera se comporta. "Natural handheld motion, quiet room tone" já basta. Fique abaixo de 2048 caracteres.
Pague pelos segundos que pediu
Quatro segundos em 720p são $0.56. O saldo é debitado quando o trabalho começa e devolvido automaticamente se falhar ou se o filtro recusar. Recarregue com cripto ou cartão; não há mensalidade.
05Preços
Quanto um clipe custa de verdade
| Modelo | 4 s | 8 s | 15 s | Som |
|---|---|---|---|---|
| Grok Imagine Video 1.5 · 720p$0.14/s — primeiro quadro, referências, rascunhos | $0.56 | $1.12 | $2.10 | Sempre ligado, incluído |
| Grok Imagine Video 1.5 · 1080p$0.25/s — só texto para vídeo | $1.00 | $2.00 | $3.75 | Sempre ligado, incluído |
| Wan 3.0 · 720pModelo da Alibaba, até 30 s | $0.40 | $0.80 | $1.50 | Incluso, grátis |
| Veo 3.1 Fast · 720pModelo do Google, só 4–8 s | $0.35 | $0.70 | — | Custa à parte |
| Gemini Omni Flash · 720pModelo do Google, por segundo, 3–10 s | $0.40 | $0.80 | — | Sempre ligado |
Os preços são por clipe pronto e incluem a faixa de áudio. Imagens de entrada são gratuitas. Um traço significa que o modelo não consegue gerar essa duração em uma única execução. Depósitos de $50 acrescentam 5% ao saldo e de $100 acrescentam 10%; um código promocional ativo soma mais 10% sobre o mesmo depósito.
A tabela completa de todos os modelos fica na página de preços.
06Leia depois
Guias que vão mais fundo
Transformando uma foto em vídeo
Como frames iniciais, frames finais e loops se comportam de verdade, com os prompts que os produziram.
Ler o guiaEscrevendo prompts para modelos de vídeo
Linguagem de câmera, luz, movimento. Escrito para o Veo, mas a estrutura passa para o Wan quase sem mudanças.
Ler o guiaGemini Omni Flash, na prática
O modelo para o qual correr quando é preciso editar um clipe conversando, em vez de reescrever o prompt.
Ler o guia07FAQ
Perguntas que realmente aparecem
O Grok Imagine Video 1.5 gera som?
Sim, sempre. O diálogo escrito entre aspas é falado com sincronia labial, e os efeitos sonoros nomeados são gerados. Pedidos vagos de ambiência costumam voltar quase mudos, então nomeie um som específico se precisar dele. O som está incluído no preço.
Quanto custa um clipe do Grok?
Você paga por segundo: $0.14 em 720p e $0.25 em 1080p, as mesmas tarifas que a xAI cobra na própria API. Assim, quatro segundos em 720p são $0.56, oito segundos são $1.12 ou $2.00 conforme a resolução, e o máximo — 15 segundos em 1080p — é $3.75. Aqui as imagens de entrada não custam nada a mais.
Ler a resposta completaPosso animar a minha própria foto em 1080p?
Hoje não. Clipes que partem de um primeiro quadro ou usam imagens de referência são 720p: a xAI limita o vídeo guiado por referências a 720p, e a rota nativa de primeiro quadro a que temos acesso ainda não aceita 1080p. Recusamos um pedido de 1080p com imagem antes de cobrar, em vez de entregar um arquivo menor pelo preço mais alto. 1080p funciona para texto para vídeo.
Posso estender um clipe além de 15 segundos?
Neste modelo, não. Gere até 15 segundos por clipe e monte as peças mais longas, ou use o Wan 3.0 para uma única tomada de até 30 segundos, ou o Gemini Omni Flash, que estende os próprios clipes até 40.
Ele aceita um último quadro ou um seed?
Não. Ele aceita um primeiro quadro ou até 7 imagens de referência, e só. Para controlar primeiro e último quadro, use Veo 3.1, Omni ou Wan 3.0; para seeds, Veo ou Wan.
O que acontece se a geração falhar?
O valor integral volta para o seu saldo automaticamente, incluindo recusas do filtro de conteúdo. É a mesma regra para todos os modelos da plataforma.
Ler a resposta completaPosso usar os vídeos do Grok comercialmente?
Sim. O que você gera é seu para usar, inclusive em trabalhos de cliente e comerciais, respeitadas as regras de conteúdo dos nossos termos. Não há marca d’água no resultado nem licença separada para comprar.
Uma foto, uma fala
Contas novas começam com $0.20 de saldo — o bastante para fazer o primeiro quadro. Clipes a partir de $0.56, sem assinatura, sem compromisso.