AIVideoFreeGrok Imagine 1.5 KI-Video-Generator
xAIs Bild-zu-Video-Spezialist: dein Standbild wird zum ersten Frame — Komposition, Licht und Identität bleiben erhalten — und Musik, Effekte sowie lippensynchroner Dialog werden im selben Durchlauf generiert. Gib unten einen Prompt ein und probiere es aus.
(JPG, JPEG, PNG, WEBP, max. 30 MB)
Entwickler
xAI
Typ
Bild zuerst · auch T2V
Dauer
Bis zu 15 s
Max. Ausgabe
720p (offiziell)
Audio
Musik · SFX · Lippensynchronisation, ein Durchlauf
Geschwindigkeit
Rendert in Sekunden
Arena
#1 i2v zum Start (Elo 1473)
Unser Ein-Zeilen-Urteil: die Wahl für Bild-zu-Video. Wenn die Aufnahme mit einem Standbild beginnt, das Sie bereits haben — einem Produktfoto, einem Porträt, einem Einzelbild — animiert es hier nichts schneller oder originalgetreuer.
Grok Imagine Video 1.5 ist das Modell, das im Juni die Image-to-Video-Krone errungen hat: Ende Mai eingeführt, debütierte es auf Platz 1 der crowdgesourcten i2v-Arena mit 1473 Elo — ein Sprung um 52 Punkte gegenüber seinem Vorgänger, vorbei an Seedance 2.0 und Veo. Seine Architektur erklärt die Spezialisierung: Aurora erzeugt Frames sequenziell, wobei jeder auf allem Vorherigen basiert; so behält Ihr hochgeladenes Standbild — behandelt als buchstäblich erster Frame — seine Komposition, Beleuchtung und Motividentität, statt abzudriften. Musik, Soundeffekte und lippensynchrone Dialoge werden im selben Durchlauf gerendert, und Clips sind in Sekunden statt Minuten fertig. Eine Klarstellung, bevor Sie Geld ausgeben: Dies ist das Videomodell von xAI, nicht der Grok-Chatbot — gleiche Marke, anderes Produkt.
Wo Grok Imagine 1.5 punktet — und wo nicht
Beurteilt anhand unserer eigenen Renderings und der veröffentlichten Aufzeichnungen, überarbeitet, sobald sich die Fakten ändern — das ist ein Merkmal dieser Seite, kein Haftungsausschluss.
Wirklich stark
• Bildtreue nach Architektur.
Die Quelle ist weiterhin das erste Frame, keine lose Referenz — Auroras sequenzielle Konditionierung bewahrt Komposition, Licht und Identität über den gesamten Clip hinweg. Genau damit wurde die Krone der i2v-Arena gewonnen.
• Audio in einem Durchgang, Dialoge inklusive.
Hintergrundmusik, Soundeffekte und lippensynchronisierte Sprache werden zusammen mit dem Bild generiert. Lippensynchronisation ist die wichtigste Verbesserung gegenüber 1.0 — ein Talking-Head-Clip benötigt keinen zweiten Durchlauf.
• Zeitgestempelte Aufnahmesteuerung.
Schreibe den Prompt als Zeitleiste — '(0-5s) Halbnahaufnahme... (5-10s) Kamerafahrt nach vorn...' — und die Beats landen dort, wo du sie platzierst. Shotlist-Prompting, nativ.
• Geschwindigkeit als Workflow-Funktion.
Renderings sind in der Regel in Sekunden fertig. Iterationsschleifen, die anderswo Minuten kosten, laufen hier im Gesprächstempo — der günstigste Qualitätsmultiplikator, den es gibt.
Bekannte Limits
• 720p ist die offizielle Obergrenze.
Die eigene Linie von xAI ist 720p (einige Gateways bieten höhere Werte). In einem Bereich, in dem Konkurrenten 1080p bis 4K liefern, ist dies die Spezifikation, die manche Briefings früh beendet.
• Text-to-Video ist die schwächere Hälfte.
xAIs eigene Empfehlung: t2v ist 'generativer und weniger kontrolliert' als der Bildpfad. Wenn du kein Ausgangs-Standbild hast, passen die prompt-first-Flaggschiffe besser.
• Die Markenverwirrungssteuer.
Es trägt denselben Namen wie der Grok-Chatbot, ist aber ein separates Produkt — das Denkvermögen des Chatbots sagt in keiner Richtung etwas über dieses Modell aus. Beurteilen Sie es anhand der Renderings.
• Arena-Rang ≠ Produktionsdatensatz.
Der Elo-Wert misst die Präferenz der Masse bei i2v-Paaren, und das Modell ist einige Wochen alt. Betrachten Sie die Krone als starkes Signal, nicht als endgültiges Urteil.
Drei Prompts, die zeigen, wofür es ist
In den Generator oben kopieren, die Klammern austauschen, rendern.
Das Produktstill, zum Leben erweckt
Hochladen: dein Produktfoto
"(0-4s) die [Flasche] steht in weichem Morgenlicht, während Staubpartikel schweben. (4-9s) langsames Heranfahren, während ein warmes Hauptlicht von links aufblendet. (9-12s) auf einer Nahaufnahme verweilen, während das Etikett das Licht einfängt. Ruhiger Ambient-Score, ein sanfter Glockenton am Ende."
Zeitstempel verwandeln den Prompt in eine Shotlist, und die Architektur mit Standbild als erstem Frame hält das Produkt genau so, wie es fotografiert wurde. Die Demo neben dem Generator ist dieser Prompt.
Das sprechende Porträt
Hochladen: ein Porträtfoto
"Sie blickt vom Notizbuch auf und sagt warm: 'Ich habe Jahre gebraucht, um das zu lernen.' Dann ein kleines Lächeln, zurück zum Schreiben. Raumton, Kratzen des Bleistifts, keine Musik."
Dialog in Anführungszeichen aktiviert die Lippensynchronisation — die stolzeste Korrektur der Generation 1.5. Halte die Zeilen kurz und lass den Prompt die Aktion davor und danach benennen, damit der Vortrag einen Zielpunkt hat.
Die verkettete Sequenz
Erzeuge einen ersten Clip → Erweitere ab seinem letzten Frame → "Fortsetzen: die Kamera driftet weiter nach rechts am Fenster vorbei; draußen hat der Regen eingesetzt. Die Musik läuft nahtlos weiter."
Die Erweiterung setzt exakt am letzten Frame an, sodass Bewegung, Licht und Audio fortgesetzt werden, statt zurückgesetzt zu werden. Verketten Sie zwei oder drei Erweiterungen, und aus einer 15-Sekunden-Grenze wird unauffällig eine 40-Sekunden-Sequenz.
Grok Imagine 1.5 vs. Seedance 2.0 vs. Veo
Das Image-to-Video-Podium, wie es die Juni-Arena eingestuft hat — der neue Spitzenreiter gegen die beiden, die er überholt hat. Dieselben Standbilder und Prompts bei allen drei, bewertet danach, was wir ausliefern würden. Alle drei sind im Generator oben auswählbar.
Wie es hierhergekommen ist
Grok Imagine Video 1.5
Vorschau 30.–31. Mai, #1 i2v arena-Debüt, GA in der xAI API bis Mitte Juni als grok-imagine-video-1.5. 15-Sekunden-Clips, One-Pass-Audio mit verbesserter Lippensynchronisation, Erweiterung und Referenzführung. Die Version im Generator oben.
Grok Imagine Video 1.0
die 10-sekündige Erstveröffentlichung, die xAI auf die Video-Landkarte brachte; der Arena-Sprung von 1.5 wurde daran gemessen.
Polarlicht
Das autoregressive Bild-Backbone von xAI, dessen Stärke in der Charakterkonsistenz der architektonische Grund dafür ist, dass die Videolinie dein Standbild als Ground Truth behandelt.
Fragen zu Grok Imagine 1.5, direkt beantwortet
Das Videogenerierungsmodell von xAI — offiziell Grok Imagine Video 1.5, Ende Mai 2026 veröffentlicht und seit Mitte Juni allgemein in der xAI API verfügbar. Es ist bildbasiert: Laden Sie ein Standbild hoch, beschreiben Sie die Bewegung, und es animiert die Szene mit der Quelle als buchstäblichem ersten Frame, wobei Musik, Soundeffekte und lippensynchrone Dialoge im selben Durchlauf generiert werden. Clips können bis zu 15 Sekunden lang sein und werden innerhalb von Sekunden gerendert.
