首帧就是你的照片
带首帧的订单会被送到 xAI 原生的图生视频端点，我们逐帧核对过结果：开场帧就是输入图片，而不是对它的重新演绎。
模型 · xAI Grok Imagine Video 1.5
Grok Imagine Video 1.5——一张开口说话的照片
xAI 的视频模型，也是这里最擅长这件事的模型：以你的照片开场，说出你的台词。给它一张人像和一句加了引号的话，短片的第一帧就是那张人像，那句话会被说出来，口型同步。片长 4 到 15 秒，任意整数秒，720p 或 1080p，五种画幅。按秒付费——720p 为 $0.14，1080p 为 $0.25——与 xAI 为自家 API 标的价格相同。加密货币或银行卡支付，无订阅。
01它是什么
Grok Imagine Video 1.5 是什么？
Grok Imagine Video 1.5 是 xAI 的视频生成模型——Grok Imagine 视频功能背后的那一个——它把提示词，或一张静态图加提示词，变成最长 15 秒的短片，并且声音在同一次生成中完成。它自 2026 年 6 月起进入 xAI API，自 2026 年 9 月 16 日起上线 BananaBanana，与其他所有模型共用同一余额。我们按 xAI 自己的每秒价格收费，720p 为 $0.14，1080p 为 $0.25，xAI 对每张输入图片加收的费用我们不转嫁。
它真正擅长什么？
台词和首帧。写在引号里的一句话会被说出来，口型同步，并以日常对话的音量混音，创作者风格的广告要的正是这个。当你交给它一张照片作首帧，短片就从那张照片开场——同一个人、同一个房间、毛衣上同样的花纹——而不是重新摆拍出来的相似者。纯文字提示词同样可用，竖屏也是实打实的：一份 1080p 的 9:16 订单返回的是 1088×1920 的文件，而不是裁切过的横屏渲染。
02它的强项
花钱之前值得知道的六件事
台词说出口，口型同步
把句子放进引号，模型就会说出来。音频始终开启、始终包含在价格里；没有无声档，也不需要为声音额外付费。
4 到 15 秒之间任意时长
不是三个时长的菜单，而是区间里的每一个整数秒。一句台词七秒，两句十一秒，花的就是这么多。
五种画幅
16:9、9:16、1:1、3:2 和 2:3。正方形和 3:2 是这里其他视频模型完全不渲染的格式。
最多 7 张参考图
参考图引导主体和环境，场景则由模型自己调度。它是首帧的替代方案，不是附加项——两者发一种即可。
两档价格
720p 每秒 $0.14，1080p 每秒 $0.25。先在 720p 把提示词打磨好，再把要留用的文生视频用 1080p 渲染一次。
03坦白的局限
Grok 不会做的事
在这里，从图片开始的短片以 720p 运行。xAI 把参考引导的视频限制在 720p，而我们可用的首帧通道暂时还不接受 1080p，所以 1080p 留给文生视频。我们不会收你 1080p 的价格却交付一个更小的文件，而是在扣费之前就拒绝这种组合；在工作室里，选了 1080p 后图片槽位会直接关闭并给出提示。首帧和参考图不能同时使用。没有尾帧，没有 seed，没有反向提示词，也没有视频输入。
15 秒是单次渲染的最长时长，之后也没有延长或修改——一条四十秒的广告就是三段片子加一次剪辑。音频在人声和点了名的声音事件上很强，在含糊的环境音上很弱：“soft ambient kitchen sounds”返回时大约 −50 dB，等于静音。请给声音点名（“a kettle starting to whistle off-screen”），或者在剪辑时加环境底噪。提示词上限为 2048 个字符。如果你需要一镜到底半分钟、参考片段或 seed，Wan 3.0 能覆盖；如果你想通过描述改动来修改成片，那是 Gemini Omni Flash。
04怎么用
从照片到短片，三步完成
做出你想用来开场的那一帧
一张人像、手里的产品、身后的房间。在这里生成，或上传你自己的。那张图里有什么，短片就从什么开始，所以在为动态付费之前先把帧定好。
一句描述、一句带引号的台词、一条镜头说明
描述画面里是谁，把要说的台词放进引号，再说明镜头怎么动。“Natural handheld motion, quiet room tone”就够了。控制在 2048 个字符以内。
为你订购的秒数付费
720p 四秒是 $0.56。任务开始时从余额扣费，失败或被过滤器拒绝时自动退回。用加密货币或银行卡充值；没有月费。
05价格
一段片子到底多少钱
| 模型 | 4 秒 | 8 秒 | 15 秒 | 声音 |
|---|---|---|---|---|
| Grok Imagine Video 1.5 · 720p$0.14/秒——首帧、参考图、草稿 | $0.56 | $1.12 | $2.10 | 始终开启，已包含 |
| Grok Imagine Video 1.5 · 1080p$0.25/秒——仅文生视频 | $1.00 | $2.00 | $3.75 | 始终开启，已包含 |
| Wan 3.0 · 720p阿里巴巴的模型，最长 30 秒 | $0.40 | $0.80 | $1.50 | 包含，免费 |
| Veo 3.1 Fast · 720pGoogle 的模型，仅 4–8 秒 | $0.35 | $0.70 | — | 额外收费 |
| Gemini Omni Flash · 720pGoogle 的模型，按秒计费，3–10 秒 | $0.40 | $0.80 | — | 始终开启 |
价格按每段成片计算，含音轨。输入图片免费。短横线表示该模型无法一次渲染出该时长。充值 $50 余额加赠 5%，充值 $100 加赠 10%；有效的优惠码会在同一笔充值上再加 10%。
全部模型的完整价格表在价格页。
06延伸阅读
讲得更深的指南
07常见问题
大家真正会问的问题
Grok Imagine Video 1.5 会生成声音吗？
会，始终会。写在引号里的台词会被说出来并对上口型，点了名的音效也会被渲染。含糊的环境音请求往往返回接近静音，所以需要声音时请点出一个具体的声音。声音包含在价格里。
一段 Grok 短片多少钱？
按秒付费：720p 每秒 $0.14，1080p 每秒 $0.25，与 xAI 在自家 API 上的收费相同。所以 720p 四秒是 $0.56，八秒依分辨率为 $1.12 或 $2.00，最高档——1080p 15 秒——是 $3.75。在这里，输入图片不另收费。
阅读完整解答我能用 1080p 让自己的照片动起来吗？
目前不能。从首帧开始或使用参考图的短片都是 720p：xAI 把参考引导的视频限制在 720p，而我们能用的原生首帧通道暂时还不接受 1080p。带图片的 1080p 订单我们会在扣费前拒绝，而不是以更高的价格交付一个更小的文件。1080p 可用于文生视频。
能把短片延长到 15 秒以上吗？
这个模型不行。每段最多渲染 15 秒，更长的作品靠剪辑拼接；或者用 Wan 3.0 一镜到底最长 30 秒，或者用 Gemini Omni Flash，它能把自己的片段延长到 40 秒。
它接受尾帧或 seed 吗？
不接受。它接受一张首帧，或最多 7 张参考图，仅此而已。需要首尾帧控制请用 Veo 3.1、Omni 或 Wan 3.0；需要 seed 请用 Veo 或 Wan。
Grok 生成的视频能商用吗？
可以。你生成的内容归你使用，包括客户项目和商业用途，前提是符合我们条款中的内容规则。输出没有水印，也不需要另外购买授权。