时长:1–15 秒整数秒可调,和完整版一致,没有因为便宜就砍时长。
分辨率:480p / 720p / 1080p 三档,但 1080p 是先按 720p 渲染再上采样。帧尺寸是 1080p,原生细节来自 720p——细纹理、小字、需要裁切和合成的场景,这个区别会被放大。
画幅:7 种,9:16 竖屏与 1:1 方图都是一等公民,竖屏短视频不需要二次裁切。
音频:默认带。这是 Grok Imagine 家族的招牌——不是后期配音,而是画面与声音同一次生成,提示里写清「Sound: ...」即可。
接入:xAI 官方 API、OpenRouter、fal、Vercel AI Gateway 等多条路径,模型 ID 统一为 grok-imagine-video-1.5-lite。
1.
价格是真的低。480p 每秒两美分,10 秒草稿两毛钱——这个量级才叫「敢多试几条」。
2.
速度在帕累托前沿上。10 秒 1080p 中位 60 秒,同质量带里没有更快的。
3.
原生音画一体且默认开启。省掉「先出画面再配音」的整条链路,环境音、音效、短对白一次成型。
4.
时长灵活。1–15 秒任意整数秒,15 秒能装下 两个节拍,1–3 秒能做转场素材。
5.
画幅覆盖竖屏。9:16 原生输出,Shorts / Reels / 抖音不用裁。
6.
叙事与光影扎实。跨镜头连续性、曝光与色温、布料与毛发质感,是这一档里少见的稳定项。
7.
文字渲染可用。短文案、二维排版在画面上能读,做概念图和信息型画面不崩。
8.
接入面广。官方 API、OpenRouter、fal、Vercel 都能调,迁移成本低。
大批量草稿与 A/B 测试:一个提示词跑五条变体,成本比完整版低一个量级。
B-roll 与空镜:素材类镜头本来就不看细节,720p 完全够。
建筑与房产内容:外景飞越、室内走查、虚拟摆场是它的高分场景。
讲解视频与动画数据可视化:文字渲染稳,适合信息型画面。
分镜预演 / storyboard:先低价把镜头的运动与时序定下来,再决定哪条值得用完整版重做。
带环境音的场景镜头:脚步声、雨声、街道底噪这类「场景音」,默认音频档直接给。
1.
1080p 是 720p 上采样。要细纹理、小字、裁切后重新构图,或者要合成到实拍素材里,1080p 档的性价比和可靠性都要打问号。
2.
对白与口型是明确短板。要人物念准台词、要精准口型,别指望它——换专门的对口型模型。
3.
人体结构偏弱。手部特写、大特写人脸、复杂肢体动作容易出问题。
4.
不支持参考图锁定主体。多角色一致性、产品一致性需要参考图控制时,这档直接不满足。
5.
不支持关键帧控制。首尾帧、中间帧都不是它的能力范围。
6.
1080p 档价格跳变陡。从 720p 的 $0.03 跳到 $0.14,接近 5 倍,而画质提升并不对等。
7.
发布日口径混乱。各方记载 10-01 / 10-06 / 8 月不等,本文按「2026 年 10 月初广泛可用」表述。
8.
默认带音频 = 默认付音频的钱。如果后期要换配乐或重新配音,记得关掉音频档。
9.
实拍电影感与高难度镜头仍不够用。它定位是草稿档,不是终稿档。