Grok Imagine Video 1.5 加了参考图和声音参考，但有两个坑没写在公告里
7 月 31 日更新：单次最多 7 个参考、纯文生视频、原生 1080p；编辑功能还卡在 1.0，参考图生视频封顶 720p
文章目录
共 4 节xAI 在 2026 年 7 月 31 日更新了 Grok Imagine Video 1.5，加了三样东西：图像参考、声音参考、纯文本生成视频。原生 1080p 也在这次全量放开。
公告写得很漂亮，但有两个实际会卡住流程的限制，公告里没提。接单之前知道这两条，能省掉一整天的白干。
一、这次更新给了什么
| 项目 | Grok Imagine Video 1.5（7-31 更新后） |
|---|---|
| model id | grok-imagine-video-1.5 |
| 参考数量 | 单次最多 7 个（图像参考 + 声音参考合计） |
| 参考用途 | 锁定角色、产品、场景；声音参考锁音色 |
| 文生视频 | 本次新增，此前主打图生视频 |
| 原生 1080p | 本次全量放开 |
| 时长 | 1–15 秒 |
| 原生音频 | 有 —— 音效、环境音、对白同一次生成 |
「7 个参考」这个数在同类里算多的。实际用法是：三张角色图锁人、两张产品图锁物、一段音频锁音色，还剩两个位置放场景参考。做系列片、要求前后一致的时候，这个容量够用。
放开顺序是先给 SuperGrok Heavy 和 SuperGrok Plus（grok.com/imagine 和 iOS），几天内推全量。文生视频和原生 1080p 在网页、iOS、Android 都已全量。API 侧的声音参考需要单独申请开通，不是默认给的。
二、两个公告里没写的坑
坑一：Video Edit 功能还跑在 1.0 上
这是最容易踩的一条。视频编辑功能一直没升到 1.5，仍然跑 1.0，天花板卡在约 8.7 秒、720p。也就是说：你用 1.5 生成了一条 15 秒 1080p 的片子，想回头改其中一段，编辑那一步会把你打回 8.7 秒 720p 的世界。
实际影响：别把「生成后再编辑」写进交付流程。 要改就重新生成，参考图留着，重跑一次比在编辑里折腾快。
坑二：用了参考图，分辨率就封顶 720p
这条更隐蔽 —— 参考图生视频封顶 720p，尽管普通生成能到 1080p。而参考图正是这次更新的主卖点。
所以真实的取舍是这样的：
| 你要什么 | 能拿到什么 |
|---|---|
| 角色/产品前后一致 | 用参考图，最高 720p |
| 1080p 画质 | 不用参考图，每条的人物长相自己碰运气 |
| 两个都要 | 现在拿不到，得靠后期超分把 720p 拉上去 |
第三行那个解法是可行的 —— 720p 出片，再用超分工具拉到 1080p 或 4K。Runway 的 Enhance Frame Rate、FLUX 的 Video Upscale 都能做这一步，成本很低。但这意味着你的流程要多一环，报价的时候要算进去。
三、价格和它的真实水平
xAI 的公告里没有定价。 能查到的两个口径都是二手的：第三方汇总给的是每秒约 0.08 美元；Runway 作为转售方给的是 480p / 720p / 1080p 分别 10 / 16 / 29 credits 每秒，加参考图每个 +1 credit。
「公告不给价」这件事在视频模型里很常见，原因也不难猜 —— 单位成本波动大，写死了不好改。但对接单的人来说，没有官方价表就等于没法报固定价。解法只有一个：自己跑一批样本，把实际账单除以秒数，算出你自己的那个单价，然后在这个数上加安全边际去报价。二十条起步，少于这个数波动太大。
横向水平上，第三方评测（Artificial Analysis 的图生视频榜）给的位置是：无音频那一组排第 4，约 1328 Elo，前面是 Gemini Omni Flash、MiniMax H3、Seedance 2.0；带音频那一组明显弱，约 1114。
这个分差说明的问题很具体：它的画面能打，但音画一起生成的时候质量掉得厉害。所以实际用法应该是 —— 把它当纯画面工具用，音频单独做。
四、一套绕开两个坑的流程
- 1角色和产品先用图像模型定妆，出 3 张不同角度的定妆图，存成参考素材库。这一步不在视频模型里做。
- 2视频阶段带上定妆图做参考，接受 720p 的上限，先把内容对不对解决掉。
- 3音频不要用它自带的。环境音和音效另外做，对白用专门的语音模型。它的带音频得分明显低于纯画面得分，这一步分开做质量差别很大。
- 4定稿之后统一走一次超分到 1080p，再把音轨贴回去。
- 5全程不要用它的 Video Edit。 要改就带着同一套参考图重跑，别进那个还跑在 1.0 上的编辑器。
国内接入的路径和其它海外模型一样：自己的海外机器转发、第三方聚合平台、或者国内中转服务。Runway 的货架上有它（model id 是 grok_imagine_1_5），不想自己搭环境的话那是最省事的一条路，代价是平台加价。
参考图该怎么挑
七个位置不是越满越好。实测下来，参考图给多了反而会互相打架 —— 三张角度差别很大的人物图塞进去，出来的脸是三张脸的平均值，谁都不像。
- 1人物：给 2 张就够，一张正面一张四分之三侧。不要给俯拍和仰拍，模型会把机位也一起学走。
- 2产品：给 1–2 张，背景干净的那种。带环境的产品图会把环境一起带进视频。
- 3场景：给 1 张定调子的，主要是让它知道色温和质感，不是让它复刻构图。
- 4声音：一段就够，3–5 秒的干净人声，别用带背景音乐的。
- 5剩下的位置宁可空着。
最后说一句取舍：如果你手上的活是竖屏短片、要求人物前后一致、预算紧，它现在的性价比不错。如果你要的是一次到位的 1080p 成片，这两个坑会让你的流程变长，那还不如直接上别的。