Grok Video

Коротко

Разработчик

xAI, у разработчика модель называется Grok Imagine

Тип генерации

видео из текста или из изображений, до 7 картинок

Длина ролика

от 6 до 30 секунд

Качество

480p или 720p, MP4

Пропорции

16:9, 9:16, 1:1, 3:2, 2:3; с одной картинкой ролик у нас повторял её формат

Звук

создаётся вместе с видео, включая речь героев

Русский язык

понимает задание на русском, реплики в кавычках произносит по-русски

Цена

от 2 ₽/сек

Обычно готово

≈ 1 мин после отправки

API

есть, документация

Что умеет: четыре наших пробы

Мы проверили Grok Video на четырёх сценариях: ролик из одного описания, оживлённая картинка, сцена из трёх отдельных картинок и герой, который говорит в камеру. Три сценария мы сняли сами, каждый ролик с первого запуска в режиме «Обычный», и только сжали для страницы. Четвёртый — готовый пример сайта.

Ролик по описанию, сцены по секундам

Начали сразу с длинного: 18 секунд в 720p и три сцены, размеченные секундами. Ждали почти четыре минуты.

Объёмный 3D-мультфильм, во всех сценах один и тот же герой: рыжий кот-пекарь в белом колпаке и голубом фартуке, маленькая пекарня с деревянными полками.
0–6 с: кот замешивает тесто на деревянном столе, мука взлетает облачком.
6–12 с: кот достаёт из печи противень с румяными круассанами, от них идёт пар.
12–18 с: кот выкладывает круассаны на витрину, смотрит в камеру и говорит: «Свежие, ещё горячие!»
Тёплый утренний свет из окна. Звук: стук скалки, треск печи, тихая весёлая музыка.

Кот, колпак и пекарня не меняются все 18 секунд, порядок сцен тот же, что в задании. Секунды нейросеть соблюдает примерно. Тесто закончилось уже к четвёртой секунде, противень из печи появился раньше срока, а на третью сцену, где кот должен был говорить, осталось почти десять секунд вместо шести. На витрину кот круассаны так и не выложил, а держал противень перед камерой, пока говорил. В последние две секунды он без спроса понёс противень обратно к печи. В длинном ролике оставляйте запас: лишние секунды в конце легко обрезать в видеоредакторе.

Оживить картинку

В режиме «Видео из изображений» загруженная картинка становится первым кадром, а задание описывает, что в нём должно двигаться. Этот пример уже лежит на странице нейросети: кнопка Повторить под роликом откроет его промпт, оттуда задание переносится в форму.

Анимируй это фото: добавь естественное движение — лёгкое покачивание деревьев на ветру, мерцание огней, медленное движение облаков. Движение должно быть реалистичным и цикличным, как живые обои.

Деревьев на картинке нет. Эту часть задания нейросеть просто пропустила. Зато по луже идёт рябь, над асфальтом плывёт туман, облака двигаются, а иероглифы на вывесках остались на месте. Картинка была вертикальной 3:4, и ролик вышел тоже 3:4. Русские буквы нейросеть тоже не портит: в примере с надписью мелом на асфальте «ЛЕТО НЕ УХОДИ» читается все 10 секунд, даже когда на неё падает кленовый лист. Там в поле Соотношение сторон стояло 9:16, а ролик всё равно вышел по формату картинки, 3:4.

Сцена из нескольких картинок

В тот же режим можно загрузить до семи картинок и сослаться на них в задании: @image1, @image2 и дальше по порядку загрузки. Мы нарисовали в Grok Image енота-почтальона, мопед и улочку с почтовым ящиком и собрали из них одну сцену.

Енот-почтальон с @image1 подъезжает на мопеде с @image2 по улочке с @image3, останавливается у синего почтового ящика, достаёт из сумки письмо и опускает его в ящик. Потом поворачивается к камере, машет лапой и говорит: «Почта пришла!» Объёмный 3D-мультфильм, тёплый осенний свет, камера плавно едет рядом. Звук: тарахтение мопеда, шорох листьев, короткий звонок.

Енот вышел точно как на картинке, вплоть до пуговиц и пряжек на сумке, а мопед остался мятным, с плетёной корзиной на руле, как на нашей картинке. Улицу нейросеть взяла по смыслу, а не по кадру: брусчатка, клёны и синий ящик на месте, а домики другие. Письмо ушло в щель ящика. Всё по заданию. Картинки были квадратными, а ролик вышел 16:9, как стояло в форме: с несколькими картинками поле Соотношение сторон сработало.

Герой говорит в камеру: 480p и 720p

Одно задание мы запустили в двух разрешениях, вертикально и на 6 секунд. Бариста выдумана нейросетью, такого человека нет.

Это два разных ролика. При каждом запуске нейросеть заново придумывает кадр, поэтому кофейни и лица отличаются, а сравнивать стоит чёткость, а не сюжет. В 480p кадр получается 416×752 точки, на экране телефона этого хватает, а вот волосы и пена уже мыльные. В 720p кадр 720×1280, пряди и блики на кофемашине видны чётко, но на доске за спиной появились каракули вместо букв. Шестисекундный ролик в 480p пришёл меньше чем за минуту.

Как это работает

В поле Тип генерации по умолчанию выбрано «Видео из изображений»: без единой картинки такой запуск не начнётся. Для ролика по описанию переключитесь на «Видео из текста». С картинкой первым кадром становится ваш файл, а с несколькими картинками нейросеть берёт из них героев, предметы и место и собирает новую сцену.

Дальше опишите в поле Задание, что происходит, выберите длительность и разрешение и нажмите Отправить. Цена ролика видна на кнопке ещё до запуска. Звук появляется сам, отдельно озвучивать не нужно: реплику, которую герой должен сказать, напишите в кавычках. Готовое видео появится в ленте под формой и пролежит 7 дней в разделе Мои результаты; нужное скачайте кнопкой Скачать или сохраните в библиотеку. Кнопка Повторить под роликом сразу запустит то же задание ещё раз, а Изменить вернёт его в форму для правки. Как устроен сайт целиком, рассказывает инструкция по сайту.

Настройки: что выбрать

Полей немного, и только два из них меняют цену: длительность и разрешение.

Длинный ролик запускайте, когда короткий уже получился. Так дешевле.

Как писать промпт

Задание можно писать по-русски, все промпты на этой странице русские. Удобный порядок такой: кто в кадре, что делает, как движется камера, где и при каком свете, в каком стиле, что слышно. За шесть секунд успевает случиться одно-два действия, остальное нейросеть сожмёт или выбросит.

Заготовка для ролика по описанию:

Для сцены из нескольких картинок назовите каждую по номеру и скажите, что взять из неё:

Частые ошибки:

• Пять действий в шестисекундном ролике. Успеют одно-два, остальные выпадут: даже за 18 секунд наш кот так и не дошёл до витрины.
• Реплика без кавычек. Отделяйте фразу кавычками, чтобы было ясно, какие слова герой говорит вслух, а какие описывают сцену.
• Просьба «сохранить лицо» без картинки. В режиме из текста опирайтесь на подробное описание внешности, а точное сходство даёт только загруженный файл.

Готовые задания других пользователей собраны на странице промптов этой нейросети, а приёмы для камеры и звука разобраны в инструкции про промпты для видео.

Сколько стоит

Платите за каждую секунду ролика, цена зависит только от разрешения. Видео из текста и из картинок стоят одинаково, число загруженных картинок на цену не влияет.

Сначала гоняйте идею в 480p по шесть секунд, а удачное задание запускайте в 720p и нужной длины. Если модерация отклонит запрос или нейросеть не ответит, деньги вернутся на баланс сами.

Для чего подойдёт

• Проверить идею ролика до того, как платить за дорогую модель: шесть секунд в 480p стоят дешевле, чем у большинства видеонейросетей сайта.
• Короткие ролики для сторис, Shorts и клипов: вертикаль 9:16, звук сразу, герой может сказать фразу в камеру.
• Живые обои и заставки из готовой картинки, как в примере с неоновой улицей.
• Открытка или поздравление с надписью, которая уже есть на картинке: буквы остаются на месте.
• Мультяшный герой для серии роликов: нарисуйте его один раз и подставляйте в новые сцены через @image1.
• Оживить детский рисунок, как в инструкции про детские рисунки.
• Недорогая реклама товара: вращение, блики, пролёт камеры. Как собрать такой ролик целиком, рассказано в инструкции про рекламное видео.

Ограничения

• Выше 720p не бывает. Для 1080p и 4K берите Kling 3.0 или Veo 3.1.
• Разметку по секундам модель соблюдает примерно, а в длинном ролике может добавить действие от себя. Если важна точная раскадровка на полминуты, попробуйте Seedance 2.5.
• С несколькими картинками место нейросеть передаёт по смыслу, а не точь-в-точь: у нас поменялись домики на улице. Важный фон лучше дать одной картинкой как первый кадр.
• Короче шести секунд ролик не сделать, тогда нужна соседняя версия 1.5.
• Готовое видео загрузить и переделать нельзя, нейросеть работает только с текстом и картинками.
• Модерация может отклонить задание или картинку. Тогда перепишите задание или возьмите другой исходник.

Версии и альтернативы

Версия 1.5 — более новая модель xAI. Она снимает только из картинок, зато ролик бывает от 1 до 15 секунд, а в поле Соотношение сторон есть «Авто». Секунда в 720p у неё дороже, поля Режим нет. На одном кадре обе модели в обзоре всех нейросетей Grok сняли почти одинаковые ролики.

Как Grok выглядит рядом с другими видеонейросетями на одинаковых заданиях, показано на страницах видео из текста и видео по референсам.

Вопросы и ответы