เฟรมแรกคือรูปของคุณ
เราส่งคำสั่งที่มีเฟรมแรกไปยัง endpoint image-to-video แบบเนทีฟของ xAI และตรวจผลทีละเฟรมแล้ว เฟรมเปิดคือภาพอินพุต ไม่ใช่การตีความใหม่
โมเดล · xAI Grok Imagine Video 1.5
Grok Imagine Video 1.5 — รูปถ่ายที่เริ่มพูดได้
โมเดลวิดีโอของ xAI และสิ่งที่มันทำได้ดีกว่าทุกตัวที่นี่ คือเปิดคลิปด้วยรูปของคุณและพูดประโยคของคุณ ให้ภาพพอร์เทรตหนึ่งภาพกับประโยคในเครื่องหมายคำพูด เฟรมแรกของคลิปก็คือภาพนั้น พร้อมประโยคที่ถูกพูดออกเสียงและขยับปากตรงกัน คลิปยาว 4 ถึง 15 วินาที เลือกได้ทุกวินาทีเต็ม ที่ 720p หรือ 1080p ในห้าอัตราส่วนภาพ คุณจ่ายเป็นวินาที $0.14 ที่ 720p และ $0.25 ที่ 1080p ซึ่งเป็นอัตราเดียวกับที่ xAI ตั้งไว้สำหรับ API ของตัวเอง จ่ายด้วยคริปโตหรือบัตร ไม่มีค่าสมาชิก
01มันคืออะไร
Grok Imagine Video 1.5 คืออะไร?
Grok Imagine Video 1.5 คือโมเดลสร้างวิดีโอของ xAI ตัวที่อยู่เบื้องหลังฝั่งวิดีโอของ Grok Imagine มันเปลี่ยนพรอมต์ หรือภาพนิ่งบวกพรอมต์ ให้เป็นคลิปยาวสูงสุด 15 วินาที โดยเสียงถูกสร้างในรอบเดียวกัน อยู่ใน API ของ xAI ตั้งแต่มิถุนายน 2026 และอยู่บน BananaBanana ตั้งแต่ 16 กันยายน 2026 จ่ายจากยอดคงเหลือเดียวกับโมเดลอื่นทั้งหมด เราคิดตามอัตราต่อวินาทีของ xAI เอง คือ $0.14 ที่ 720p และ $0.25 ที่ 1080p และไม่ผลักค่าธรรมเนียมที่ xAI บวกเพิ่มต่อภาพอินพุตมาให้คุณ
จริง ๆ แล้วมันเก่งเรื่องอะไร?
บทพูดและเฟรมแรก ประโยคที่เขียนในเครื่องหมายคำพูดจะถูกพูดออกมา ลิปซิงก์ และมิกซ์ที่ระดับเสียงสนทนา ซึ่งเป็นสิ่งที่โฆษณาสไตล์ครีเอเตอร์ต้องการ และเมื่อคุณส่งรูปถ่ายเป็นเฟรมแรก คลิปจะเปิดด้วยรูปนั้น คนเดิม ห้องเดิม ลายบนเสื้อสเวตเตอร์เดิม ไม่ใช่คนหน้าคล้ายที่ถูกจัดฉากใหม่ พรอมต์ข้อความล้วนก็ใช้ได้ และแนวตั้งก็เป็นของจริง คำสั่ง 9:16 ที่ 1080p กลับมาเป็นไฟล์ 1088×1920 ไม่ใช่เรนเดอร์แนวนอนที่ถูกครอป
02สิ่งที่มันทำได้ดี
หกเรื่องที่ควรรู้ก่อนจ่ายเงิน
ประโยคพูด พร้อมลิปซิงก์
ใส่ประโยคในเครื่องหมายคำพูดแล้วโมเดลจะพูด เสียงเปิดอยู่เสมอและรวมในราคาเสมอ ไม่มีระดับราคาแบบไม่มีเสียง และไม่ต้องจ่ายเพิ่มเพื่อเสียง
ความยาวใดก็ได้ตั้งแต่ 4 ถึง 15 วินาที
ไม่ใช่เมนูสามความยาว แต่เป็นทุกวินาทีเต็มในช่วงนั้น เจ็ดวินาทีสำหรับบทพูดหนึ่งประโยค สิบเอ็ดวินาทีสำหรับสองประโยค และคุณจ่ายเท่านั้นพอดี
ห้าอัตราส่วนภาพ
16:9, 9:16, 1:1, 3:2 และ 2:3 จัตุรัสและ 3:2 เป็นรูปแบบที่โมเดลวิดีโอตัวอื่นที่นี่ไม่เรนเดอร์เลย
ภาพอ้างอิงสูงสุด 7 ภาพ
ภาพอ้างอิงกำหนดทิศทางของตัวแบบและสถานที่ ส่วนโมเดลจัดฉากเอง มันเป็นทางเลือกแทนเฟรมแรก ไม่ใช่ส่วนเสริม ให้ส่งอย่างใดอย่างหนึ่ง
สองระดับราคา
$0.14 ต่อวินาทีที่ 720p และ $0.25 ที่ 1080p ปรับพรอมต์ให้ลงตัวที่ 720p แล้วค่อยเรนเดอร์ text-to-video ตัวที่จะเก็บไว้ที่ 1080p ครั้งเดียว
03ข้อจำกัดตามจริง
สิ่งที่ Grok จะไม่ทำ
ที่นี่ คลิปที่เริ่มจากภาพจะรันที่ 720p xAI จำกัดวิดีโอแบบใช้ภาพอ้างอิงนำทางไว้ที่ 720p และเส้นทางเฟรมแรกที่เราใช้ได้ยังไม่รับ 1080p ดังนั้น 1080p จึงมีไว้สำหรับ text-to-video แทนที่จะเก็บเงินคุณในอัตรา 1080p แล้วส่งไฟล์ที่เล็กกว่า เราปฏิเสธชุดค่านั้นก่อนจะมีการตัดเงินใด ๆ ในสตูดิโอ ช่องใส่ภาพจะปิดลงพร้อมหมายเหตุเมื่อคุณเลือก 1080p เฟรมแรกกับภาพอ้างอิงใช้ร่วมกันไม่ได้ ไม่มีเฟรมสุดท้าย ไม่มี seed ไม่มี negative prompt และไม่มีอินพุตวิดีโอ
15 วินาทีคือเรนเดอร์เดี่ยวที่ยาวที่สุด และหลังจากนั้นไม่มีการต่อความยาวหรือแก้ไข สปอตสี่สิบวินาทีคือสามคลิปกับการตัดต่อหนึ่งครั้ง เสียงเด่นที่คำพูดและเหตุการณ์เสียงที่ระบุชื่อ แต่อ่อนกับบรรยากาศที่คลุมเครือ "soft ambient kitchen sounds" กลับมาที่ราว −50 dB ซึ่งก็คือความเงียบ ให้ระบุชื่อเสียง ("a kettle starting to whistle off-screen") หรือเติมเสียงห้องตอนตัดต่อ พรอมต์ยาวได้สูงสุด 2048 อักขระ ถ้าคุณต้องการครึ่งนาทีในเทคเดียว คลิปอ้างอิง หรือ seed Wan 3.0 ครอบคลุมสิ่งเหล่านั้น ถ้าอยากเปลี่ยนคลิปที่เสร็จแล้วด้วยการบรรยายสิ่งที่จะเปลี่ยน นั่นคือ Gemini Omni Flash
04วิธีใช้งาน
จากรูปถ่ายสู่คลิปในสามขั้นตอน
ทำเฟรมที่คุณอยากใช้เปิด
ภาพพอร์เทรต สินค้าในมือ ห้องด้านหลัง สร้างที่นี่หรืออัปโหลดของคุณเอง อะไรอยู่ในภาพนั้น คลิปก็เริ่มด้วยสิ่งนั้น ดังนั้นแก้เฟรมให้เรียบร้อยก่อนจ่ายค่าการเคลื่อนไหว
หนึ่งประโยคบรรยาย หนึ่งบทพูดในเครื่องหมายคำพูด หนึ่งโน้ตกล้อง
บรรยายว่าใครอยู่ในเฟรม ใส่บทพูดในเครื่องหมายคำพูด แล้วบอกว่ากล้องเคลื่อนอย่างไร "Natural handheld motion, quiet room tone" ก็เพียงพอ คุมให้ไม่เกิน 2048 อักขระ
จ่ายตามวินาทีที่สั่ง
สี่วินาทีที่ 720p คือ $0.56 ยอดคงเหลือถูกตัดเมื่องานเริ่ม และคืนอัตโนมัติหากล้มเหลวหรือถูกตัวกรองปฏิเสธ เติมเงินด้วยคริปโตหรือบัตร ไม่มีค่ารายเดือน
05ราคา
คลิปหนึ่งราคาเท่าไหร่จริง ๆ
| โมเดล | 4 วิ | 8 วิ | 15 วิ | เสียง |
|---|---|---|---|---|
| Grok Imagine Video 1.5 · 720p$0.14/วิ — เฟรมแรก ภาพอ้างอิง ฉบับร่าง | $0.56 | $1.12 | $2.10 | เปิดเสมอ รวมในราคา |
| Grok Imagine Video 1.5 · 1080p$0.25/วิ — เฉพาะ text-to-video | $1.00 | $2.00 | $3.75 | เปิดเสมอ รวมในราคา |
| Wan 3.0 · 720pโมเดลของ Alibaba ยาวได้ถึง 30 วิ | $0.40 | $0.80 | $1.50 | รวมอยู่แล้ว ฟรี |
| Veo 3.1 Fast · 720pโมเดลของ Google, 4–8 วิเท่านั้น | $0.35 | $0.70 | — | คิดเงินเพิ่ม |
| Gemini Omni Flash · 720pโมเดลของ Google คิดเป็นวินาที 3–10 วิ | $0.40 | $0.80 | — | เปิดตลอด |
ราคาเป็นราคาต่อคลิปที่เสร็จแล้วและรวมแทร็กเสียง ภาพอินพุตฟรี เครื่องหมายขีดหมายความว่าโมเดลเรนเดอร์ความยาวนั้นในรันเดียวไม่ได้ เติมเงิน $50 ได้เพิ่ม 5% ในยอดคงเหลือ และ $100 ได้เพิ่ม 10% โค้ดโปรโมชันที่ใช้งานอยู่เพิ่มให้อีก 10% บนการเติมเงินครั้งเดียวกัน
ตารางเต็มของทุกโมเดลอยู่ที่หน้าราคา
06อ่านต่อ
คู่มือที่ลงลึกกว่า
เปลี่ยนรูปถ่ายให้เป็นวิดีโอ
เฟรมเริ่มต้น เฟรมปิดท้าย และลูป ทำงานจริงอย่างไร พร้อมพรอมต์ที่ใช้สร้าง
อ่านคู่มือเขียนพรอมต์สำหรับโมเดลวิดีโอ
ภาษาของกล้อง แสง การเคลื่อนไหว เขียนไว้สำหรับ Veo แต่โครงสร้างย้ายมาใช้กับ Wan ได้แทบไม่ต้องแก้
อ่านคู่มือรีวิว Gemini Omni Flash
โมเดลที่ควรหยิบใช้เมื่อคุณอยากแก้คลิปด้วยการพูดคุย แทนการเขียนพรอมต์ใหม่
อ่านคู่มือ07คำถามที่พบบ่อย
คำถามที่คนถามกันจริง ๆ
Grok Imagine Video 1.5 สร้างเสียงไหม?
สร้าง ทุกครั้ง บทพูดที่เขียนในเครื่องหมายคำพูดจะถูกพูดพร้อมลิปซิงก์ และเอฟเฟกต์เสียงที่ระบุชื่อจะถูกเรนเดอร์ คำขอเสียงบรรยากาศแบบคลุมเครือมักกลับมาเกือบเงียบ ดังนั้นให้ระบุเสียงที่เจาะจงถ้าคุณต้องการ เสียงรวมอยู่ในราคา
คลิป Grok ราคาเท่าไหร่?
คุณจ่ายเป็นวินาที $0.14 ที่ 720p และ $0.25 ที่ 1080p อัตราเดียวกับที่ xAI คิดบน API ของตัวเอง ดังนั้นสี่วินาทีที่ 720p คือ $0.56 แปดวินาทีคือ $1.12 หรือ $2.00 ตามความละเอียด และสูงสุด คือ 15 วินาทีที่ 1080p อยู่ที่ $3.75 ที่นี่ภาพอินพุตไม่มีค่าใช้จ่ายเพิ่ม
อ่านคำตอบฉบับเต็มทำให้รูปของฉันเคลื่อนไหวที่ 1080p ได้ไหม?
ตอนนี้ยังไม่ได้ คลิปที่เริ่มจากเฟรมแรกหรือใช้ภาพอ้างอิงเป็น 720p เพราะ xAI จำกัดวิดีโอแบบใช้ภาพอ้างอิงนำทางไว้ที่ 720p และเส้นทางเฟรมแรกแบบเนทีฟที่เราเข้าถึงได้ยังไม่รับ 1080p เราปฏิเสธคำสั่ง 1080p ที่มีภาพก่อนตัดเงิน แทนที่จะส่งไฟล์ที่เล็กกว่าในราคาที่สูงกว่า 1080p ใช้ได้กับ text-to-video
ต่อคลิปให้ยาวเกิน 15 วินาทีได้ไหม?
กับโมเดลนี้ไม่ได้ ให้เรนเดอร์สูงสุด 15 วินาทีต่อคลิปแล้วตัดต่องานที่ยาวกว่านั้นเข้าด้วยกัน หรือใช้ Wan 3.0 สำหรับเทคเดียวยาวได้ถึง 30 วินาที หรือ Gemini Omni Flash ที่ต่อคลิปของตัวเองได้ถึง 40 วินาที
รับเฟรมสุดท้ายหรือ seed ไหม?
ไม่รับ มันรับเฟรมแรกหนึ่งเฟรม หรือภาพอ้างอิงสูงสุด 7 ภาพ เท่านั้น ถ้าต้องการคุมทั้งเฟรมแรกและเฟรมสุดท้ายให้ใช้ Veo 3.1, Omni หรือ Wan 3.0 ถ้าต้องการ seed ให้ใช้ Veo หรือ Wan
ถ้าการสร้างล้มเหลวจะเกิดอะไรขึ้น?
เงินเต็มจำนวนกลับเข้ายอดคงเหลือของคุณโดยอัตโนมัติ รวมถึงกรณีถูกตัวกรองเนื้อหาปฏิเสธ เป็นกฎเดียวกันสำหรับทุกโมเดลบนแพลตฟอร์ม
อ่านคำตอบฉบับเต็มใช้วิดีโอจาก Grok ในเชิงพาณิชย์ได้ไหม?
ได้ สิ่งที่คุณสร้างเป็นของคุณที่จะนำไปใช้ รวมถึงงานลูกค้าและงานเชิงพาณิชย์ ภายใต้กฎเนื้อหาในข้อกำหนดของเรา ผลลัพธ์ไม่มีลายน้ำ และไม่ต้องซื้อไลเซนส์แยกต่างหาก
หนึ่งรูป หนึ่งประโยค
บัญชีใหม่เริ่มต้นด้วยยอดคงเหลือ $0.20 พอสำหรับทำเฟรมแรก คลิปเริ่มต้น $0.56 ไม่มีค่าสมาชิก ไม่มีข้อผูกมัด