Liteモデルが動画生成APIに追加

xAIの開発者向けドキュメントに動画生成モデル「grok-imagine-video-1.5-lite」が掲載されています。テキストと画像からの生成に対応し、出力は1〜15秒です。音声も生成されます。

APIは非同期方式で、返されたrequest_idを使って処理状況を確認し、動画を取得します。

料金は解像度ごとの秒単価

公式料金表では480pが1秒あたり0.02ドル、720pが0.03ドル、1080pが0.14ドルです。2026年10月24日の再確認時点で、モデルページは画像入力を0.01ドルと掲載しています。以下の表は動画の出力料金だけで、画像入力分を含みません。

Liteの1080pは720pからのアップスケーリングです。ネイティブ1080p出力や参照画像などに対応する上位モデルとは機能が異なります。

1本あたりの料金の目安

公式の秒単価から、動画1本を生成したときの料金を計算しました(入力に画像を使う場合の料金や、作り直した分は含みません)。

長さ 480p(1秒0.02ドル) 720p(1秒0.03ドル) 1080p(1秒0.14ドル)
5秒 0.10ドル 0.15ドル 0.70ドル
10秒 0.20ドル 0.30ドル 1.40ドル
15秒(最長) 0.30ドル 0.45ドル 2.10ドル

1080pは720pの約4.7倍、480pの7倍の単価です。前の節のとおり、Liteの1080pは720pからの拡大です。編集部では画質を実測していないため、同じ題材を掲載予定のサイズで確認してから解像度を選ぶのがよさそうです。モデルページでは、リクエストの上限は1秒あたり10件、提供リージョンはus-east-1とus-west-2と案内されています。

通常版のGrok Imagine Video 1.5との違い

xAIの動画APIの概要ページから、2つのモデルの違いをまとめました。どちらも1〜15秒の動画を作れ、口の動きに合わせた音声も生成します。

Liteでも、1枚の画像を開始フレームとして動画にするimage-to-videoは使えます。表の「参照画像」は人物や物の見た目を複数画像で指定するreference-to-videoの意味です。画像入力そのものが使えないという意味ではありません。

項目 Grok Imagine Video 1.5 1.5 Lite
最高解像度 1080p(そのまま出力) 1080p(720pから拡大)
参照画像 最大14枚 非対応
声の参照 最大3人分 非対応
開始・終了フレームの組み合わせ指定 対応 非対応
途中のキーフレーム 最大4枚 非対応

まとめ

Liteは、参照画像や声の指定を使わずに、短い動画を数多く作りたい用途向けの安価なモデルです。15秒の動画でも480pなら1本0.30ドルが目安ですが、1080pは単価が7倍になるため、解像度は使い道に合わせて選ぶのが無難です。

2026年10月24日補足:画像1枚からの動画生成と、複数の参照画像・開始終了フレームの指定を区別しました。単価による計算であり、生成品質や採用できる動画の割合を実測した比較ではありません。

情報源

一次情報 · xAI Developer DocsGrok Imagine Video 1.5 Lite

https://docs.x.ai/developers/models/grok-imagine-video-1.5-lite

一次情報 · xAI Developer DocsVideo Overview: Grok Imagine Video API

https://docs.x.ai/developers/model-capabilities/video/overview

補助情報 · KEI_Ediforce on X記事日時の根拠となるニュースソース

https://x.com/KEI_Ediforce/status/2111098948190621859

原文公開日:2026-10-16

出典は上記のリンクから確認できます。発表元の説明と、編集部による分析・試算は本文中で区別しています。