Перший кадр — це ваше фото
Замовлення зі стартовим кадром ми надсилаємо в нативний ендпоінт image-to-video в xAI й перевірили результат покадрово: відкривний кадр — це вхідне зображення, а не його переказ.
Модель · xAI Grok Imagine Video 1.5
Grok Imagine Video 1.5 — фото, яке починає говорити
Відеомодель xAI і те, що вона робить найкраще тут: відкриває ролик вашим фото й вимовляє вашу репліку. Дайте їй портрет і фразу в лапках — першим кадром кліпу буде цей портрет, а фраза прозвучить уголос, із ліпсинком. Кліпи тривають від 4 до 15 секунд із кроком у секунду, у 720p або 1080p, у п'яти співвідношеннях сторін. Оплата посекундна — $0.14 у 720p, $0.25 у 1080p, — ті самі ставки, які xAI вказує для свого API. Крипта або картка, без підписки.
01Що це
Що таке Grok Imagine Video 1.5?
Grok Imagine Video 1.5 — модель генерації відео від xAI, та сама, що стоїть за відео в Grok Imagine. Вона перетворює промпт або зображення з промптом на кліп до 15 секунд зі звуком, відрендереним у тому самому проході. В API xAI вона з червня 2026 року, на BananaBanana — з 16 вересня 2026-го, і оплачується з того самого балансу, що й решта моделей. Ми беремо посекундні ставки самої xAI — $0.14 у 720p і $0.25 у 1080p — і не перекладаємо на вас плату, яку xAI додає за кожне вхідне зображення.
У чому вона справді сильна?
У діалогах і перших кадрах. Репліка в лапках вимовляється вголос, із ліпсинком і на розмовній гучності — саме те, що потрібно рекламі в стилі креатора. А коли ви даєте фото першим кадром, кліп відкривається цим самим фото — та сама людина, та сама кімната, той самий візерунок на светрі, — а не перезнятим двійником. Текстові промпти теж працюють, і вертикаль чесна: замовлення 9:16 у 1080p повернулося файлом 1088×1920, а не обрізаним горизонтальним рендером.
02Що вона вміє
Шість речей, які варто знати до першої витрати
Репліки вголос, із ліпсинком
Поставте фразу в лапки — і модель її вимовить. Звук увімкнено завжди, і він завжди входить у ціну: німого тарифу немає, доплати за звук теж.
Будь-яка довжина від 4 до 15 секунд
Не меню з трьох тривалостей, а кожна ціла секунда діапазону. Сім секунд на одну репліку, одинадцять на дві — і платите ви рівно за них.
П'ять співвідношень сторін
16:9, 9:16, 1:1, 3:2 і 2:3. Квадрат і 3:2 — формати, яких решта відеомоделей тут не рендерить узагалі.
До 7 референсів
Референси задають героя й обстановку, а сцену модель ставить сама. Це альтернатива першому кадру, а не доповнення до нього: або одне, або інше.
Два цінові рівні
$0.14 за секунду у 720p, $0.25 у 1080p. Відпрацюйте промпт у 720p, а вдалий text-to-video відрендерте в 1080p один раз.
03Чесні обмеження
Чого Grok не зробить
Кліпи, що починаються із зображення, ідуть тут у 720p. xAI обмежує відео за референсами роздільністю 720p, а доступний нам маршрут для першого кадру 1080p поки не приймає, тож 1080p — для text-to-video. Замість того щоб списати за ставкою 1080p і віддати менший файл, ми відхиляємо таке поєднання до будь-якого списання; у студії слоти зображень при виборі 1080p просто вимикаються з підказкою. Перший кадр і референси не поєднуються. Останнього кадру, seed, негативного промпту й відео на вході немає.
15 секунд — найдовший одиночний рендер, і після нього немає ні продовження, ні правки: сорокасекундний ролик — це три кліпи й монтаж. Звук сильний на мовленні та названих звукових подіях і слабкий на розмитій атмосфері: «soft ambient kitchen sounds» повернулося на рівні близько −50 дБ, тобто тишею. Назвіть конкретний звук («a kettle starting to whistle off-screen») або додайте тло на монтажі. Промпт обмежено 2048 знаками. Якщо потрібні пів хвилини одним дублем, відео-референси чи seed — це закриває Wan 3.0; якщо хочеться змінювати готовий кліп, описуючи зміну, — це Gemini Omni Flash.
04Як запустити
Від фото до кліпу за три кроки
Зробіть кадр, яким хочете відкрити ролик
Портрет, товар у руці, кімната на тлі. Згенеруйте його тут або завантажте свій. Що на цій картинці, з того кліп і почнеться, тож доведіть кадр до ладу, перш ніж платити за рух.
Одне речення, одна репліка в лапках, одна нотатка про камеру
Опишіть, хто в кадрі, поставте репліку в лапки, потім скажіть, як поводиться камера. «Natural handheld motion, quiet room tone» — цього досить. Укладіться в 2048 знаків.
Платіть за замовлені секунди
Чотири секунди у 720p — $0.56. Баланс списується на старті завдання й повертається автоматично, якщо воно впало або фільтр його відхилив. Поповнюйте криптою або карткою; щомісячної плати немає.
05Ціни
Скільки кліп коштує насправді
| Модель | 4 с | 8 с | 15 с | Звук |
|---|---|---|---|---|
| Grok Imagine Video 1.5 · 720p$0.14/с — перший кадр, референси, чернетки | $0.56 | $1.12 | $2.10 | Завжди ввімкнено, у ціні |
| Grok Imagine Video 1.5 · 1080p$0.25/с — лише text-to-video | $1.00 | $2.00 | $3.75 | Завжди ввімкнено, у ціні |
| Wan 3.0 · 720pмодель Alibaba, до 30 с | $0.40 | $0.80 | $1.50 | Входить, безкоштовно |
| Veo 3.1 Fast · 720pМодель Google, лише 4–8 с | $0.35 | $0.70 | — | За доплату |
| Gemini Omni Flash · 720pмодель Google, посекундно, 3–10 с | $0.40 | $0.80 | — | Завжди ввімкнений |
Ціни вказано за готовий кліп, вони включають звукову доріжку. Вхідні зображення безкоштовні. Прочерк означає, що модель не рендерить таку довжину за один запуск. Депозит від $50 додає до балансу 5%, від $100 — 10%; активний промокод додає ще 10% до того самого депозиту.
Повна таблиця по всіх моделях живе на сторінці цін.
06Читати далі
Гайди глибше
Як перетворити фото на відео
Як насправді поводяться стартові кадри, фінальні кадри й лупи — разом із промптами, якими це зроблено.
Читати гайдЯк писати промпти для відеомоделей
Мова камери, світло, рух. Написано для Veo, але структура переноситься на Wan майже без змін.
Читати гайдОгляд Gemini Omni Flash
Модель, по яку варто йти, коли кліп треба правити розмовою, а не новим промптом.
Читати гайд07FAQ
Питання, які ставлять насправді
Grok Imagine Video 1.5 робить звук?
Так, завжди. Діалог у лапках вимовляється з ліпсинком, названі звукові ефекти рендеряться. Розмиті прохання про атмосферу часто повертаються майже тишею, тож, якщо звук потрібен, назвіть конкретний. Звук входить у ціну.
Скільки коштує кліп Grok?
Оплата посекундна: $0.14 у 720p і $0.25 у 1080p — ті самі ставки, які xAI бере у своєму API. Чотири секунди у 720p — це $0.56, вісім секунд — $1.12 або $2.00 залежно від роздільності, а максимум — 15 секунд у 1080p — $3.75. Вхідні зображення тут нічого не коштують.
Читати повну відповідьЧи можна оживити своє фото в 1080p?
Сьогодні ні. Кліпи від першого кадру та з референсами йдуть у 720p: xAI обмежує відео за референсами роздільністю 720p, а нативний маршрут першого кадру, до якого ми маємо доступ, 1080p поки не приймає. Замовлення 1080p із зображенням ми відхиляємо до списання, а не віддаємо менший файл за вищою ціною. Для text-to-video 1080p працює.
Чи можна продовжити кліп довше за 15 секунд?
На цій моделі ні. Рендерте до 15 секунд на кліп і склеюйте довші шматки, або візьміть Wan 3.0 — один дубль до 30 секунд — чи Gemini Omni Flash, який продовжує власні кліпи до 40.
Чи приймає вона останній кадр або seed?
Ні. Вона приймає перший кадр або до 7 референсів — і все. Для керування першим і останнім кадром беріть Veo 3.1, Omni або Wan 3.0; для seed — Veo або Wan.
Що буде, якщо генерація не вдалася?
Уся сума автоматично повертається на баланс, включно з відмовами контент-фільтра. Це правило однакове для всіх моделей платформи.
Читати повну відповідьЧи можна використовувати відео Grok комерційно?
Так. Усе, що ви згенерували, ваше — зокрема для клієнтських і комерційних робіт, з урахуванням правил щодо контенту в наших умовах. На результаті немає водяного знака, і окрему ліцензію купувати не треба.
Одне фото, одна репліка
На балансі нового акаунта $0.20 — цього вистачить, щоб зробити перший кадр. Кліпи від $0.56, без підписки й зобов'язань.