Grok Imagine Video 1.5 a revendiqué la 1re place du classement image-to-video de Arena.ai peu après son lancement, xAI annonçant un gain de 52 points Elo par rapport à la version 1.0. La synchronisation audio native offre : les pas tombent sur le rythme, les dialogues restent synchronisés, et les couches de son ambiant réagissent à la scène. Mais faites défiler X et vous trouverez des utilisateurs payants à court de générations après deux ou trois clips, une qualité oscillant d’un jour à l’autre entre « révolutionnaire » et « pire à ce jour », ainsi qu’une modération de contenu bloquant des demandes d’images commerciales standard. Cette revue couvre ce que Grok Imagine 1.5 fournit réellement, son coût en pratique, et quand vous devriez vous tourner vers un autre modèle.
Qu'est-ce que Grok Imagine 1.5 ?
Grok Imagine Video 1.5 est le modèle vidéo de deuxième génération de xAI, basé sur le moteur Aurora-2 — une architecture Mixture-of-Experts autorégressive que xAI indique avoir été entraînée sur 110 000 GPU NVIDIA GB200. Contrairement à la plupart des concurrents qui utilisent des conceptions Transformer à diffusion, Aurora traite le texte, les images, les images vidéo et l’audio comme un flux de jetons unifié, générant à la fois la vidéo et un audio synchronisé en une seule passe d’inférence.
Petite précision : il ne s’agit pas du grand modèle de langage Grok 1.5 (le chatbot). « Grok Imagine » est la gamme distincte de produits de génération de médias de xAI. Le chevauchement des noms embrouille beaucoup de monde.
Le calendrier : aperçu le 30 mai 2026 ; accès API le 3 juin ; disponibilité générale complète le 16 juin, déployée sur l’Imagine API, grok.com et les applications iOS/Android.
Fonctionnalités clés et nouveautés
Audio natif
Aurora-2 génère la vidéo et l’audio ensemble — les dialogues, les sons d’ambiance et les effets sonores sortent en une seule passe plutôt qu’être ajoutés après coup. Le comportement audio spatial mérite d’être souligné : lorsqu’un personnage marche vers la gauche à travers le cadre, la source audio le suit. Les sons de fond se placent derrière le mixage. Dans les démonstrations des évaluateurs, le son de mastication d’une girafe était synchronisé avec le mouvement de sa mâchoire, et les bruits de sabots du cowboy résonnaient à chaque coup de pied.
Cela dit, l'audio natif n'est pas garanti sur chaque clip. Des tests de la communauté montrent que certaines générations reviennent avec de la musique de fond uniquement et aucun effet sonore diégétique — la fonctionnalité est une capacité plutôt qu'une promesse. Les clips avec des actions physiques clairement définies (pas, impacts, parole) ont tendance à obtenir une synchronisation audio plus fiable que les scènes abstraites ou atmosphériques.
Vitesse
Selon xAI, Grok Imagine 1.5 Fast produit une vidéo 720p de 6 secondes en environ 25 secondes, contre plus de 40 secondes dans la version 1.0. À titre de comparaison, Seedance 2.0 prend environ 50 secondes pour un résultat comparable, et Sora 2 prend plusieurs minutes par clip. Cet avantage en termes de vitesse rend Grok Imagine pratique comme couche de test de concepts — vous pouvez explorer plusieurs directions créatives dans le temps qu’un modèle plus lourd met à terminer un seul rendu.
Extension vidéo
La fonctionnalité « Extend from Frame » vous permet de sélectionner l’image finale d’un clip généré et de continuer à partir de ce point exact. La continuité du mouvement, le positionnement des personnages et l’éclairage sont conservés. xAI a amélioré la qualité de la jonction dans la version 1.5 — les artefacts de jonction sont nettement réduits par rapport à la version 1.0.
Le hic : la qualité se dégrade visiblement après 2-3 extensions en chaîne. La cohérence des personnages se relâche, la physique commence à dériver, et les détails fins s’adoucissent. xAI n’a pas confirmé de calendrier de correction. Si vous avez besoin de plus de 60 secondes de narration continue, le système de référence de Seedance 2.0 gère mieux la cohérence sur plusieurs clips.
Résolution et durée
L'API prend en charge une sortie en 480p, 720p et 1080p, avec des clips de 1 à 15 secondes (contre 10 secondes dans la version 1.0). En pratique, le 720p est le meilleur compromis — le 1080p est disponible, mais augmente considérablement le temps de génération et le coût, et la plupart des résultats partagés par la communauté sont en 720p. Les images d'entrée acceptent les formats JPG, JPEG, PNG, WEBP, GIF et AVIF.
Ratios d’aspect pris en charge : auto, 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, et 2:3. Utilisez "auto" pour correspondre aux dimensions de l’image téléchargée.
Tarification — Ce que vous payez réellement
Tarification de l'API
Résolution | Coût par seconde | Clip de 6 s | Clip de 15 s |
|---|---|---|---|
480p | $0.08 | $0.48 | $1.20 |
720p | $0.14 | $0.84 | $2.10 |
1080p | $0.25 | $1.50 | $3.75 |
L’entrée d’image ajoute 0,01 $ par image. Cela place le 720p à environ 4,20 $ par minute — bien en dessous de ce que facturent la plupart des API vidéo concurrentes à des niveaux de qualité comparables.
Le vrai coût : « Coût par vidéo acceptée »
Le prix affiché ne raconte qu’une partie de l’histoire. En pratique, vous générerez plusieurs clips avant d’en obtenir un que vous utiliserez réellement. Si vous produisez 5 clips et en conservez 1, votre coût réel est 5 fois le prix affiché, plus les frais de stockage et de relecture. En 720p, cela signifie que votre coût réel par minute peut atteindre 15 à 20 $, et non 4,20 $.
Conseil budget : commencez par un brouillon en 480p ($0.08/second) pour valider le concept, puis régénérez en 720p uniquement pour les versions retenues. Cela réduit les dépenses inutiles de 40 à 60 %.
SuperGrok vs API
Les abonnés SuperGrok bénéficient de Grok Imagine inclus, mais la limite quotidienne de génération n’est pas divulguée et diminue en période de forte demande. Plusieurs utilisateurs sur X signalent atteindre les limites après seulement 2 à 3 vidéos. L’API a une limite de débit de 60 RPM, mais aucune limite quotidienne stricte sur les générations — vous payez par clip, mais n’êtes pas bridé en cours de session. Vous pouvez accéder à Grok Imagine 1.5 via API directement ou via l’API xAI Imagine.
Comment utiliser Grok Imagine 1.5 (Guide de prompt)
Structure de l’invite
Le cadre le plus fiable suit cet ordre :
Sujet + action (15 à 20 premiers mots) — le modèle restitue d’abord les instructions de prompt initiales
Mouvement de caméra — "slow dolly forward", "tracking shot from left"
Environnement + ambiance — éclairage, météo, atmosphère
Direction audio — "ambient rain sounds", "footsteps on gravel"
Conservez les prompts entre 30 et 60 mots. Le traitement autorégressif d'Aurora signifie que les instructions de fin peuvent ne pas s'afficher si le prompt est trop long.
Qualité de l'image d'entrée
Cela compte plus que le prompt. Grok Imagine 1.5 donne les meilleurs résultats lorsque l’image source est propre, à fort contraste et simple en termes de composition. Les arrière-plans chargés, les images téléchargées en basse résolution ou les sujets ambigus entraînent un mouvement incohérent. Prenez le temps de choisir la bonne image d’entrée — c’est la variable qui a le plus d’impact.
Stratégie d'itération
Reportez-vous à l’approche de croquis en 480p décrite dans la section tarifaire ci-dessus. Au-delà des économies réalisées, itérer d’abord en basse résolution raccourcit aussi la boucle de feedback — vous confirmerez la direction du mouvement et la composition 2 à 3 fois plus vite qu’en passant directement au 720p.
Ce que les utilisateurs disent vraiment
La réaction de la communauté sur X se partage clairement entre éloges et frustration.
Les éloges sont bien réels. Les créateurs soulignent régulièrement la rapidité, la fidélité image-vidéo et l’audio natif comme éléments différenciants. Le fil de lancement officiel de xAI sur X (17 juin 2026) a suscité des milliers de réactions positives, des utilisateurs le qualifiant de « fantastique » et de « prêt pour les grandes ligues ». Pour des prompts bien conçus sur des scènes simples, la qualité de sortie est à la hauteur du classement Arena.
Il en va de même pour les plaintes. Les utilisateurs avancés décrivent un cycle frustrant : des résultats solides pendant quelques jours, puis une régression soudaine de la qualité liée à des mises à jour côté serveur. Un utilisateur dont la publication a beaucoup circulé (mai 2026) a écrit : "Grok Imagine donne l'impression de régresser. Les prompts sont moins bien compris, les voix se mélangent, le dialogue se dégrade, la physique ne tient plus, et la limite de génération est atteinte avant que vous puissiez corriger quoi que ce soit." Un autre (26 mai 2026) s'est plaint : "Les nouvelles limites d'Imagine sont BRUTALES... plus de recherches après seulement 2-3 images... Ce n'est pas viable." Il ne s'agit pas de voix isolées — le fil de lancement d'xAI lui-même compte des centaines de réponses soulevant les mêmes inquiétudes.
La modération du contenu s’est considérablement renforcée début 2026, et les utilisateurs signalent un filtrage agressif — bloquant parfois des demandes d’images commerciales standard comme des maillots de bain ou des contacts physiques décontractés.
Conclusion de la communauté : plafond impressionnant, plancher peu fiable.
Où cela excelle et où cela n’excelle pas
Utilisez Grok Imagine 1.5 pour :
Scènes de dialogue — la synchronisation audio native est la meilleure de sa catégorie pour les clips en gros plan ou de conversation
Révélations et démonstrations de produits — image-to-video d’une photo de produit vers une présentation animée
Tests rapides de concepts — la version Fast vous permet d’explorer 5 à 6 directions en moins de 3 minutes
Contenu pour les réseaux sociaux — clips verticaux 9:16 pour Instagram/TikTok à une qualité suffisante
Animation d’un seul sujet — personnage qui marche, objet qui tourne, transitions simples de scène
Ne l'utilisez pas pour :
Scènes d’action rapide ou de combat — la physique se dégrade avec des mouvements rapides et chaotiques
Contrôle au cadre près — pas d’édition par images clés ni de timeline
Chorégraphie avec plusieurs personnages — au-delà de 2 sujets, la cohérence diminue
Flux de travail de dialogue avec synchronisation labiale — la synchronisation audio est native, mais non scriptable
Longues séquences continues — la qualité se dégrade après 2 à 3 extensions enchaînées
Plans produit sensibles à la marque — le texte de l’emballage et les détails du logo dérivent pendant le mouvement de caméra
Quand utiliser autre chose
Scénario | Meilleur modèle | Pourquoi |
|---|---|---|
Cohérence des personnages sur plusieurs clips | Prend en charge jusqu'à 12 fichiers de référence | |
Clips uniques de 20 secondes | Génération native de 20 s, contrôle précis du chemin de la caméra | |
Résolution maximale (1080p+) | Sortie native en 1080p | |
Texte vers vidéo à partir de zéro | Plus performant sans image de référence |
Intégration API — Ce qu'il faut surveiller
Si vous intégrez Grok Imagine 1.5 dans un produit, voici ce que la documentation ne couvre pas entièrement :
Échecs de tâches : Les utilisateurs et les développeurs signalent que les tâches se bloquent parfois à 0 %, 98 % ou 99 % sans message d'erreur. L'API renvoie un ID de tâche pour le polling asynchrone, mais cela peut se bloquer. Mettez en place une logique de délai d’attente et ne supposez pas que chaque tâche soumise se terminera.
Facturation des tâches échouées : À ce jour, la documentation de xAI n’indique pas explicitement si les générations échouées ou ayant expiré sont facturées. En attendant confirmation, suivez séparément le coût par génération réussie.
Gestion des erreurs : des erreurs 500 ont été signalées pendant les heures de pointe. Implémentez une reprise exponentielle avec des tentatives de nouvelle exécution.
Limites de débit : 60 RPM est généreux pour la plupart des cas d'utilisation, mais si vous exécutez une génération par lots, vous atteindrez cette limite. Mettez vos requêtes en file d'attente et traitez les résultats de manière asynchrone.
Grok Imagine 1.5 vs Concurrents
Fonctionnalité | Grok Imagine 1.5 | Seedance 2.0 | Veo 3.1 | Kling 3.0 |
|---|---|---|---|---|
Résolution maximale | 1080p (720p en général) | 1080p | 1080p | 1080p |
Durée maximale | 15s | 10s | 8s | 20s |
Audio natif | ✅ En un seul passage | ❌ | ✅ | ❌ |
Vitesse (720p, 6s) | ~25s | ~50s | ~40s | ~35s |
Entrées de référence | 1 image | Jusqu'à 12 | 1 image | 1 image |
Prix (720p/sec) | $0.14 | $0.10 | $0.15 | $0.10 |
Classement Arena | #1 (I2V) | #2 | Top 5 | Top 5 |
Grok Imagine 1.5 est en tête en matière de vitesse et d’audio natif. Seedance 2.0 l’emporte sur la cohérence multi-références. Kling 3.0 offre les clips de génération unique les plus longs. Veo 3.1 est le plus performant pour la génération de texte en vidéo sans image de référence.
FAQ
Grok Imagine 1.5 est-il gratuit ?
L’application Grok propose un nombre limité de générations gratuites (apparemment quelques-unes par jour), mais la qualité et la résolution sont limitées. Les abonnés SuperGrok obtiennent davantage, mais sont confrontés à des plafonds quotidiens non divulgués. L’accès à l’API est facturé à l’utilisation, sans offre gratuite.
Quelle est la différence entre Grok Imagine Video et le chatbot Grok ?
Des produits entièrement différents. Grok Imagine Video utilise le moteur Aurora-2 pour la génération de médias. Le chatbot Grok est un grand modèle de langage pour le texte. Ils partagent la marque, mais rien d’autre.
Grok Imagine 1.5 peut-il faire du texte vers vidéo ?
Oui, mais l’image vers la vidéo produit de meilleurs résultats. Pour le texte vers la vidéo, gardez des scènes simples et décrivez clairement l’action. Si vous avez une image de référence, utilisez-la toujours.
Grok Imagine 1.5 prend-il en charge le 1080p ?
L’API indique un tarif pour le 1080p ($0.25/second), mais la plupart des utilisateurs et des évaluateurs travaillent en 720p. Le niveau 1080p est disponible, mais moins couramment utilisé — attendez-vous à des temps de génération plus longs et à un coût plus élevé pour des gains de qualité marginaux.
Verdict
Grok Imagine 1.5 a obtenu son classement n°1 dans l’Arena pour l’image vers vidéo. La synchronisation audio native et la vitesse de génération sont de vrais atouts qui se confirment à l’usage. Nous l’avons testé avec une photo de portrait et une consigne de mouvement simple — le résultat était solide et est revenu rapidement.
Mais l’expérience est inconstante, et dans notre flux de travail Seedance 2.0 offre encore des résultats plus fiables globalement. Des régressions de qualité apparaissent sans avertissement, les limites de génération frustrent les utilisateurs payants, et la modération de contenu est excessive. Si vous avez besoin d’une fiabilité de niveau production, considérez Grok Imagine comme un outil parmi d’autres dans un flux de travail multi-modèle — utilisez-le pour les scènes de dialogue, les aperçus rapides et les clips synchronisés avec l’audio, puis passez à Seedance ou Kling lorsque vous avez besoin d’une sortie plus longue, d’une résolution plus élevée ou d’un contrôle plus strict des personnages. Pour une comparaison détaillée point par point, consultez notre comparaison Grok Imagine vs Sora 2 vs Veo 3.1.
Idéal pour : les créateurs et les équipes qui veulent des vidéos rapides, synchronisées à l’audio, à partir d’images existantes et peuvent tolérer une qualité variable occasionnelle.
Ignorer si : vous avez besoin d'une sortie 1080p cohérente, d'un contrôle précis image par image, ou si vous construisez un pipeline qui ne peut pas absorber les échecs de génération.