Grok Imagine Video 1.5 在推出後不久就拿下了 Arena.ai image-to-video 排行榜的第 1 名，xAI 稱相較於 1.0 版本提升了 52 點 Elo。原生音訊同步帶來：腳步聲會踩在節拍上，對白保持同步，環境音層也會隨場景反應。但只要滑一下 X，你就會看到付費用戶在兩三個片段後就用完生成次數、品質一天之內在「改變遊戲規則」與「有史以來最差」之間擺盪，以及內容審核阻擋標準商業影像需求。這篇評測會涵蓋 Grok Imagine 1.5 實際交付了什麼、實際成本是多少，以及何時你應該改用其他模型。
什麼是 Grok Imagine 1.5？
Grok Imagine Video 1.5 是 xAI 的第二代影片模型，建立於 Aurora-2 引擎之上 — 一種自回歸的 Mixture-of-Experts 架構，xAI 表示其訓練使用了 110,000 個 NVIDIA GB200 GPU。不同於多數採用 diffusion Transformer 設計的競爭對手，Aurora 會將文字、圖像、影片畫面與音訊作為統一的 token 流來處理，並在單次推理過程中同時生成影片與同步音訊。
簡單澄清：這不是 Grok 1.5 大型語言模型（聊天機器人）。"Grok Imagine" 是 xAI 的獨立媒體生成產品線。這個命名上的重疊讓很多人感到困惑。
時程：2026 年 5 月 30 日預覽；6 月 3 日開放 API 存取；6 月 16 日全面正式上線，並陸續在 Imagine API、grok.com 以及 iOS/Android 應用程式推出。
主要功能與最新內容
原生音訊
Aurora-2 會同時產生影片和音訊——對話、環境音與音效會在單次生成中一起輸出，而不是之後再另外加上。空間音訊的表現值得特別提及：當角色在畫面中向左走時，音源也會跟著移動。背景音則會置於混音的後方。在評測者示範中，長頸鹿咀嚼的聲音與牠的下顎動作同步，而牛仔的馬蹄聲則會隨著每一步踢踏響起。
話雖如此，並非每個片段都保證有原生音訊。社群測試顯示，有些生成結果只帶有背景音樂，沒有場景內音效——這項功能比較像是一種能力，而不是承諾。具有明確物理動作（腳步聲、碰撞、對話）的片段，通常比抽象或氛圍感場景更容易獲得穩定的音訊同步。
速度
根據 xAI 的說法，Grok Imagine 1.5 Fast 能在大約 25 秒內生成一段 6 秒、720p 的影片，相較於 1.0 版本的 40 多秒已有所縮短。作為參考，Seedance 2.0 產出可比的結果約需 50 秒，而 Sora 2 則每個片段要花上數分鐘。這種速度優勢讓 Grok Imagine 成為實用的概念測試層級——在較重的模型完成一次渲染所需的時間內，你可以探索多種創意方向。
影片擴充功能
「從幀延伸」功能可讓您選擇生成片段的最後一幀，並從該精確點繼續。動作連貫性、角色位置和光線都會延續下去。xAI 在 1.5 中改進了接縫品質——與 1.0 相比，拼接瑕疵明顯減少。
但問題是：在 2-3 次串接延伸之後，品質會明顯下降。角色一致性會鬆動，物理表現開始偏移，細節也會變得模糊。xAI 尚未確認修復時間表。如果你需要 60+ 秒的連續敘事，Seedance 2.0 的參考系統在多段剪輯的一致性處理上表現更好。
解析度與持續時間
API 支援 480p、720p 和 1080p 輸出，片段長度可為 1 到 15 秒（相較於 1.0 版的 10 秒有所提升）。實際上，720p 是最佳平衡點——雖然可使用 1080p，但會大幅增加生成時間與成本，而且社群分享的大多數成果都是 720p。輸入圖片支援 JPG、JPEG、PNG、WEBP、GIF 和 AVIF 格式。
支援的長寬比：auto、1:1、16:9、9:16、4:3、3:4、3:2 和 2:3。使用 "auto" 來匹配上傳圖片的尺寸。
定價 — 你實際支付的費用
API 定價
解析度 | 每秒成本 | 6秒片段 | 15秒片段 |
|---|---|---|---|
480p | $0.08 | $0.48 | $1.20 |
720p | $0.14 | $0.84 | $2.10 |
1080p | $0.25 | $1.50 | $3.75 |
每張圖片的影像輸入額外收取 $0.01。這表示 720p 的費用約為每分鐘 $4.20 —— 遠低於多數競爭影片 API 在相近品質等級下的收費。
真正的成本：「每支被接受影片的成本」
標示價格只說明了一半的情況。實際上，在得到一段真正會使用的影片之前，你通常會先產生多個片段。如果你產生 5 個片段並保留 1 個，你的實際成本就是標示價格的 5 倍，再加上任何儲存和審核額外成本。在 720p 下，這代表你真正的每分鐘成本可能是 $15-20，而不是 $4.20。
預算小技巧：先以 480p 起草（每秒 $0.08）來驗證概念，再只針對保留的內容重新生成 720p。這可將浪費的支出減少 40-60%。
SuperGrok 與 API
SuperGrok 訂閱者可獲得內含的 Grok Imagine，但每日生成上限未公開，且在高峰需求期間會縮減。X 上有多位使用者回報，僅製作 2-3 支影片後就碰到限制。API 的速率限制為 60 RPM，但生成次數沒有硬性每日上限——你是按每個片段付費，但不會在單次使用過程中被降速。你可以直接透過 Grok Imagine 1.5 via API 存取，或透過 xAI Imagine API 存取。
如何使用 Grok Imagine 1.5（提示詞指南）
提示結構
最可靠的框架遵循以下順序：
主體 + 動作（前 15-20 個字）— 模型會優先渲染較早的提示指令
攝影機移動 — "slow dolly forward", "tracking shot from left"
環境 + 氛圍 — 光線、天氣、氛圍
音訊指引 — "ambient rain sounds", "footsteps on gravel"
將提示詞控制在 30 到 60 個字之間。Aurora 的自回歸處理意味著，如果提示詞過長，尾端的指令可能不會呈現。
輸入圖片品質
這比 prompt 更重要。Grok Imagine 1.5 在來源影像乾淨、對比鮮明且構圖簡單時表現最佳。雜亂的背景、低解析度上傳，或主體不明確，都會導致動作不連貫。花時間挑選正確的輸入影格——這是最具槓桿效應的單一變數。
迭代策略
請參考上方定價區段中所述的 480p 草擬方法。除了節省成本之外，先以低解析度進行反覆調整也能縮短回饋循環——你確認動作方向與構圖的速度，會比直接從 720p 開始快 2-3 倍。
使用者實際怎麼說
X 上社群的反應明顯分成讚賞與不滿兩派。
這些讚譽是真實的。 創作者們一貫強調速度、圖像轉影片的保真度，以及原生音訊作為差異化優勢。xAI 在 X 上的官方發布串文（2026 年 6 月 17 日）獲得了數千則正面反應，使用者稱其為「fantastic」和「ready for big leagues」。對於針對簡單場景所精心撰寫的提示詞，輸出品質足以與 Arena 排名相媲美。
抱怨聲也是如此。 重度使用者描述了一個令人沮喪的循環：頭幾天輸出表現不錯，之後卻因伺服器端更新而突然出現品質退化。一位在廣泛流傳貼文中發言的使用者（2026 年 5 月）寫道："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." 另一位（2026 年 5 月 26 日）抱怨道："The new Imagine limits are BRUTAL... out of searches after just 2-3 images... This isn't sustainable." 這些並不是孤立的聲音——xAI 的發佈討論串本身就有數百則回覆提出同樣的疑慮。
內容審查在 2026 年初顯著收緊，使用者回報過濾非常嚴格——有時甚至會阻擋對標準商業影像的請求，例如泳裝或一般肢體接觸。
社群的總結：上限令人印象深刻，但下限不穩定。
它的優勢與不足之處
使用 Grok Imagine 1.5 以：
對話場景 — 原生音訊同步對於談話頭像或對話片段屬於同級最佳
產品揭露與示範 — 從產品照片到動畫展示的影像轉影片
快速概念測試 — Fast 版本讓你能在 3 分鐘內探索 5-6 個方向
社群媒體內容 — 供 Instagram/TikTok 使用的直式 9:16 片段，品質足以應付日常使用
單一主體動畫 — 角色行走、物體旋轉、簡單場景轉換
不要用於：
快速動作或打鬥場景 — 在快速、混亂的移動下，物理表現會失真
逐幀精準控制 — 不支援關鍵影格或時間軸編輯
多角色編排 — 超過 2 個主體時，一致性會下降
唇形同步對話工作流程 — 音訊同步為原生支援，但無法以程式化方式控制
長時間連續序列 — 經過 2-3 次串接延伸後，品質會下降
對品牌敏感的產品鏡頭 — 在攝影機移動時，包裝文字與標誌細節會漂移
何時該使用其他方法
情境 | 較佳模型 | 原因 |
|---|---|---|
多片段角色一致性 | 支援最多 12 個參考檔案 | |
20 秒單段影片 | 原生 20 秒生成，精細的鏡頭路徑控制 | |
最高解析度（1080p+） | 原生 1080p 輸出 | |
從零開始的文字轉影片 | 在沒有參考圖片時表現更強 |
API 整合 — 需要注意的事項
如果你正在將 Grok Imagine 1.5 整合到產品中，以下是文件未完整涵蓋的內容：
任務失敗：使用者和開發者回報任務偶爾會停滯在 0%、98% 或 99%，且沒有錯誤訊息。API 會回傳用於非同步輪詢的任務 ID，但它可能會卡住。請建立逾時邏輯，並不要假設每個提交的任務都會完成。
失敗任務計費：截至撰寫本文時，xAI 的文件尚未明確說明失敗或逾時的生成是否會計入您的帳單。在獲得確認之前，請另外追蹤每次成功生成的成本。
錯誤處理：在尖峰時段已回報 500 錯誤。請實作具有重試機制的指數退避。
速率限制：60 RPM 對大多數使用情境來說已相當寬裕，但如果你正在執行批次生成，就會達到上限。請將你的請求排入佇列，並以非同步方式處理結果。
Grok Imagine 1.5 與競爭對手比較
功能 | Grok Imagine 1.5 | Seedance 2.0 | Veo 3.1 | Kling 3.0 |
|---|---|---|---|---|
最大解析度 | 1080p（一般為 720p） | 1080p | 1080p | 1080p |
最長時長 | 15s | 10s | 8s | 20s |
原生音訊 | ✅ 單次通過 | ❌ | ✅ | ❌ |
速度（720p，6s） | ~25s | ~50s | ~40s | ~35s |
參考輸入 | 1 image | 最多 12 張 | 1 image | 1 image |
價格（720p/秒） | $0.14 | $0.10 | $0.15 | $0.10 |
Arena 排名 | #1 (I2V) | #2 | 前 5 名 | 前 5 名 |
Grok Imagine 1.5 在速度與原生音訊方面領先。Seedance 2.0 在多參考一致性方面勝出。Kling 3.0 提供最長的單次生成片段。Veo 3.1 在無參考圖片的文字轉影片方面最強。
常見問題
Grok Imagine 1.5 是免費的嗎？
Grok 應用程式提供有限的免費生成次數（據稱每天幾次），但品質與解析度受到限制。SuperGrok 訂閱用戶可獲得更多次數，但會面臨未公開的每日上限。API 存取採按次付費，且沒有免費方案。
Grok Imagine Video 和 Grok 聊天機器人有什麼不同？
完全不同的產品。Grok Imagine Video 使用 Aurora-2 引擎進行媒體生成。Grok 聊天機器人是一個用於文字的大型語言模型。它們共享品牌名稱，但除此之外沒有其他關聯。
Grok Imagine 1.5 可以進行文字轉影片嗎？
可以，但圖像轉影片會產生更好的結果。對於文字轉影片，請保持場景簡單，並清楚描述動作。如果您有參考圖片，請務必使用它。
Grok Imagine 1.5 是否支援 1080p？
API 列出 1080p 定價（$0.25/秒），但大多數使用者與評論者都使用 720p。1080p 等級可用，但較少被使用——預期生成時間會更長，而為了些微的畫質提升則需付出更高成本。
判定
Grok Imagine 1.5 在 image-to-video 領域贏得了 Arena 第 1 名的排名。原生音訊同步與生成速度是在實際使用中確實站得住腳的優勢。我們用一張人像照片和一個簡單的動作提示進行測試——結果看起來不錯，而且回傳很快。
但體驗並不一致，而在我們的工作流程中，Seedance 2.0 在整體上仍更可靠。品質回退會在毫無預警的情況下出現，生成限制讓付費用戶感到沮喪，而內容審核則矯枉過正。如果你需要適合生產環境的可靠性，請將 Grok Imagine 視為多模型工作流程中的一個工具——用它來處理對話場景、快速預覽和音訊同步片段，然後在你需要更長輸出、更高解析度或更精準角色控制時，切換到 Seedance 或 Kling。
最適合對象：希望從現有圖片快速生成與音訊同步影片，且能接受偶爾品質波動的創作者與團隊。
若符合以下情況請略過：你需要一致的 1080p 輸出、逐幀精準控制，或正在建立一個無法承受生成失敗的流程。