Grok Imagine Video 1.5は、ローンチ直後にArena.aiの画像から動画へのリーダーボードで第1位を獲得したと主張し、xAIはバージョン1.0比でEloが52ポイント上昇したと報告しています。ネイティブの音声同期は、足音がビートにぴったり合い、台詞の同期が保たれ、環境音のレイヤーがシーンに反応することを実現します。ですがXをスクロールすると、有料ユーザーが2〜3本のクリップで生成回数を使い切ってしまうこと、品質が日によって「game-changer」と「worst yet」の間で揺れ動くこと、そしてコンテンツモデレーションが標準的な商用画像のリクエストをブロックすることがわかります。このレビューでは、Grok Imagine 1.5が実際に何を提供するのか、実運用ではいくらかかるのか、そして別のモデルを選ぶべきタイミングについて解説します。
Grok Imagine 1.5とは何ですか？
Grok Imagine Video 1.5 は xAI の第2世代動画モデルで、Aurora-2 エンジン上に構築されています。これは、xAI によれば 110,000 台の NVIDIA GB200 GPU で学習された、自己回帰型 Mixture-of-Experts アーキテクチャです。拡散 Transformer 設計を使用するほとんどの競合他社とは異なり、Aurora はテキスト、画像、動画フレーム、音声を統一されたトークンストリームとして処理し、1 回の推論パスで動画と同期音声の両方を生成します。
簡単に補足すると、これは Grok 1.5 の大規模言語モデル（チャットボット）ではありません。「Grok Imagine」は xAI の別個のメディア生成製品ラインです。名前が重なっているため、多くの人が混乱しています。
タイムライン：2026年5月30日にプレビュー、6月3日にAPIアクセス、6月16日に一般提供開始。Imagine API、grok.com、およびiOS/Androidアプリ全体で順次展開されます。
主な機能と新機能
ネイティブ音声
Aurora-2 は映像と音声を同時に生成します。つまり、セリフ、環境音、効果音が後から追加されるのではなく、1 回の処理で出力されます。特に注目すべきは空間オーディオの挙動です。登場人物が画面内を左へ歩くと、音源もそれに追従します。背景音はミックスの奥に配置されます。レビュー用デモでは、キリンの咀嚼音が顎の動きと同期し、カウボーイの蹄の音は一歩ごとにきちんと鳴っていました。
とはいえ、ネイティブオーディオがすべてのクリップで保証されているわけではありません。コミュニティのテストでは、一部の生成結果で、ダイジェティックな効果音はなくBGMのみが含まれていることが確認されており、この機能は約束ではなく能力にすぎません。足音、衝突、会話など、物理的な動作が明確に定義されたクリップのほうが、抽象的または雰囲気重視のシーンよりも、オーディオ同期がより確実に得られる傾向があります。
速度
xAIによると、Grok Imagine 1.5 Fastは、6秒・720pの動画を約25秒で生成し、バージョン1.0の40秒以上から短縮されています。参考までに、Seedance 2.0は同等の出力に約50秒かかり、Sora 2は1クリップあたり数分かかります。この速度の優位性により、Grok Imagineはコンセプト検証レイヤーとして実用的です。より重いモデルが1回のレンダリングを終える時間で、複数の創造的な方向性を試せます。
ビデオ拡張
「Extend from Frame」機能を使うと、生成されたクリップの最後のフレームを選択し、その正確な地点から続けることができます。動きの連続性、キャラクターの配置、ライティングが引き継がれます。xAI は 1.5 で継ぎ目の品質を改善しており、1.0 と比べてスプライシングのアーティファクトが明らかに減少しています。
問題は、2〜3回連続で拡張すると品質が目に見えて低下することです。キャラクターの一貫性が緩み、物理挙動がずれ始め、細部がぼやけます。xAIは修正の時期を確認していません。60秒以上の連続したナラティブが必要な場合は、Seedance 2.0の参照システムのほうが、複数クリップ間の一貫性をより適切に処理します。
解像度と期間
APIは480p、720p、1080pの出力に対応しており、クリップの長さは1秒から15秒です（1.0では10秒まででした）。実際には、720pが最適です。1080pも利用できますが、生成時間とコストが大幅に増加し、コミュニティで共有される結果の多くも720pです。入力画像はJPG、JPEG、PNG、WEBP、GIF、AVIF形式に対応しています。
対応アスペクト比: auto、1:1、16:9、9:16、4:3、3:4、3:2、2:3。アップロードした画像のサイズに合わせるには "auto" を使用してください。
料金 — 実際に支払う金額
API料金
解像度 | 1秒あたりの料金 | 6秒クリップ | 15秒クリップ |
|---|---|---|---|
480p | $0.08 | $0.48 | $1.20 |
720p | $0.14 | $0.84 | $2.10 |
1080p | $0.25 | $1.50 | $3.75 |
画像入力は1画像あたり$0.01が加算されます。これにより、720pは1分あたりおよそ$4.20となり、同等の品質帯で多くの競合動画APIが請求する料金を大きく下回ります。
真のコスト：「承認済み動画あたりのコスト」
表示価格は話の半分しか示していません。実際には、使えるものが1本できるまでに複数のクリップを生成することになります。5本生成して1本だけ使うなら、実質コストは表示価格の5倍に加え、保存やレビューのオーバーヘッドもかかります。720pでは、実際の1分あたりのコストは$4.20ではなく、$15-20になるかもしれません。
予算のコツ: まずは480p（$0.08/second）で下書きしてコンセプトを検証し、残すものだけ720pで再生成します。これにより、無駄な出費を40〜60%削減できます。
SuperGrok vs API
SuperGrokの購読者はGrok Imagineがバンドルされていますが、1日の生成上限は非公開で、需要が高い時間帯には縮小します。X上の複数のユーザーは、わずか2〜3本の動画で上限に達したと報告しています。APIには60 RPMのレート制限がありますが、生成に関する厳格な1日上限はありません。クリップごとに料金を支払いますが、セッション途中でスロットリングされることはありません。Grok Imagine 1.5 via APIには直接、またはxAI Imagine API経由でアクセスできます。
Grok Imagine 1.5の使い方（プロンプトガイド）
プロンプト構造
最も信頼性の高いフレームワークは、次の順序に従います:
主題 + 動作（最初の15〜20語）— モデルは早い段階のプロンプト指示を最初に反映します
カメラの動き — "slow dolly forward", "tracking shot from left"
環境 + 雰囲気 — 照明、天候、空気感
音声指示 — "ambient rain sounds", "footsteps on gravel"
プロンプトは30〜60語の間に収めてください。Auroraの自己回帰処理では、プロンプトが長すぎると末尾の指示が反映されない場合があります。
入力画像の品質
これはプロンプトよりも重要です。Grok Imagine 1.5 は、元画像がクリーンで、コントラストが高く、構図がシンプルなときに最も良い性能を発揮します。背景がごちゃごちゃしている、解像度の低いアップロード、または被写体が曖昧な場合は、動きがまとまりのないものになります。適切な入力フレームを選ぶのに時間をかけてください — これが最も効果の大きい単一の変数です。
反復戦略
上記の料金セクションに記載されている480pドラフティング手法を参照してください。コスト削減に加えて、まず低解像度で反復することでフィードバックのサイクルも短くなります。つまり、いきなり720pで進めるよりも、モーションの方向性と構図を2〜3倍速く確認できます。
ユーザーが実際に言っていること
X上のコミュニティの反応は、賞賛と不満にきっぱり分かれている。
称賛は本物です。 クリエイターたちは一貫して、速度、画像から動画への忠実度、ネイティブ音声を差別化要因として挙げています。xAI の X での公式ローンチスレッド（2026年6月17日）には数千件の好意的な反応が寄せられ、ユーザーはこれを「fantastic」「ready for big leagues」と評しました。素直なシーンに対してよく練られたプロンプトを使えば、出力品質は Arena のランキングに十分匹敵します。
不満も同様です。 ヘビーユーザーは、数日間は高品質な出力が続くものの、その後はサーバー側の更新に起因する突然の品質低下が起きる、というもどかしい循環を語っています。広く共有された投稿（2026年5月）であるあるユーザーはこう書きました: "Grok Imagine feels like it's going backward. Prompts are less understood, voices get mixed up, dialogue falls apart, physics breaks, and the generation limit hits before you can fix anything." 別のユーザー（2026年5月26日）はこう不満を述べました: "The new Imagine limits are BRUTAL... out of searches after just 2-3 images... This isn't sustainable." こうした声は孤立したものではありません — xAIのローンチスレッド自体にも、同じ懸念を訴える返信が何百件も寄せられています。
2026年初頭にコンテンツモデレーションは大幅に厳格化され、ユーザーは、スイムウェアやカジュアルな身体的接触のような一般的な商用画像のリクエストであっても、時にブロックされるという強力なフィルタリングを報告しています。
コミュニティからの要点: 最高到達点は印象的だが、安定性に欠ける。
どこで優れていて、どこでそうでないか
Grok Imagine 1.5 の用途:
対話シーン — ネイティブ音声同期は、顔出しトークや会話クリップに最適です
製品の公開とデモ — 製品写真からアニメーション化されたショーケースへの画像から動画への変換
素早いコンセプトテスト — Fast version なら、3分未満で5〜6方向を検討できます
ソーシャルメディア向けコンテンツ — Instagram/TikTok向けの縦長9:16クリップを、十分実用的な品質で作成
単一被写体のアニメーション — キャラクターの歩行、オブジェクトの回転、シンプルなシーン遷移
次の用途では使用しないでください:
素早いアクションや戦闘シーン — 急速で混沌とした動きでは物理法則が破綻する
フレーム単位の精密な制御 — キーフレームやタイムラインの編集は不可
複数キャラクターの振り付け — 被写体が2人を超えると一貫性が低下する
リップシンクの対話ワークフロー — 音声同期はネイティブ対応だがスクリプト化できない
長い連続シーケンス — 2〜3回の連結拡張の後で品質が低下する
ブランドに配慮が必要な製品ショット — カメラの動き中にパッケージの文字やロゴの細部がずれる
別のものを使うべきとき
シナリオ | 最適なモデル | 理由 |
|---|---|---|
複数クリップでのキャラクター一貫性 | 最大12個の参照ファイルをサポート | |
20秒の単一クリップ | ネイティブで20秒生成、細かなカメラパス制御 | |
最大解像度（1080p+） | ネイティブ1080p出力 | |
ゼロからのテキストから動画生成 | 参照画像なしでもより強力 |
API統合 — 注意すべき点
Grok Imagine 1.5 を製品に組み込もうとしているなら、ドキュメントだけでは十分にカバーされていない点は次のとおりです:
タスクの失敗: ユーザーと開発者は、タスクが0%、98%、または99%で時々停止し、エラーメッセージが表示されないと報告しています。APIは非同期ポーリング用のタスクIDを返しますが、ハングすることがあります。タイムアウトロジックを構築し、送信されたすべてのタスクが完了すると想定しないでください。
失敗したタスクの課金: 現時点では、xAI のドキュメントでは、失敗またはタイムアウトした生成が請求に含まれるかどうかは明確に示されていません。確認されるまでは、成功した生成ごとのコストを別々に追跡してください。
エラー処理: ピーク時間帯に500エラーが報告されています。リトライ付きの指数バックオフを実装してください。
レート制限: 60 RPM は多くのユースケースには十分寛大ですが、バッチ生成を実行している場合は到達します。リクエストをキューに入れ、結果を非同期で処理してください。
Grok Imagine 1.5 vs 競合製品
機能 | Grok Imagine 1.5 | Seedance 2.0 | Veo 3.1 | Kling 3.0 |
|---|---|---|---|---|
最大解像度 | 1080p (通常は720p) | 1080p | 1080p | 1080p |
最大長 | 15s | 10s | 8s | 20s |
ネイティブオーディオ | ✅ 単一パス | ❌ | ✅ | ❌ |
速度 (720p, 6s) | ~25s | ~50s | ~40s | ~35s |
参照入力 | 1 image | 最大12 | 1 image | 1 image |
価格 (720p/秒) | $0.14 | $0.10 | $0.15 | $0.10 |
Arenaランキング | #1 (I2V) | #2 | トップ5 | トップ5 |
Grok Imagine 1.5は速度とネイティブ音声で先行しています。Seedance 2.0はマルチリファレンスの一貫性で優位です。Kling 3.0は最長の単発生成クリップを提供します。Veo 3.1は参照画像なしのtext-to-videoで最も優れています。
よくある質問
Grok Imagine 1.5は無料ですか？
Grokアプリでは、無料生成は限られており（報告によると1日数回程度）、ただし品質と解像度には制限があります。SuperGrok加入者はより多く利用できますが、公開されていない日次上限があります。APIアクセスはクリップごとの従量課金で、無料枠はありません。
Grok Imagine VideoとGrokチャットボットの違いは何ですか？
まったく別の製品です。Grok Imagine Video は、メディア生成に Aurora-2 エンジンを使用しています。Grok チャットボットは、テキスト向けの大規模言語モデルです。両者はブランド名を共有していますが、それ以外に共通点はありません。
Grok Imagine 1.5 はテキストから動画を生成できますか？
はい。ただし、画像から動画の方がより良い結果になります。テキストから動画の場合は、シーンをシンプルに保ち、アクションを明確に記述してください。参考画像がある場合は、必ず使用してください。
Grok Imagine 1.5 は 1080p をサポートしていますか?
APIには1080pの価格（$0.25/second）が記載されていますが、ほとんどのユーザーやレビュアーは720pで作業しています。1080pの階層も利用可能ですが、使われることはあまりありません — 品質の向上がわずかな場合でも、生成時間が長くなり、コストも高くなると考えてください。
判定
Grok Imagine 1.5は、画像から動画への変換でArena第1位の評価を獲得しました。ネイティブな音声同期と生成速度は、実際の使用でも実感できる大きな利点です。ポートレート写真と簡単な動きのプロンプトでテストしましたが、結果はしっかりしており、返ってくるのも速かったです。
しかし、体験は一貫しておらず、私たちのワークフローでは Seedance 2.0 のほうが全体として依然としてより安定して成果を出します。品質の低下が予告なく発生し、生成上限は有料ユーザーにとって不満の種となり、コンテンツモデレーションは過剰に修正しすぎています。本番レベルの信頼性が必要なら、Grok Imagine はマルチモデルのワークフローにおける複数ツールの1つとして扱ってください。会話シーン、素早いプレビュー、音声同期クリップにはこれを使い、より長い出力、より高い解像度、またはより厳密なキャラクター制御が必要になったら Seedance や Kling に切り替えてください。
最適な用途: 既存の画像から高速で音声同期の動画を作成したいクリエイターやチームで、時折の品質のばらつきを許容できる場合。
該当する場合はスキップ: 一貫した1080p出力、フレーム単位の正確な制御が必要な場合、または生成失敗を許容できないパイプラインを構築している場合。