Grok Imagine Test: schnelles KI-Video mit Ton

Grok Imagine im Test: Clips mit Ton in Sekunden, 1080p in Video 1.5, Referenzbilder, xAIs API-Preise und die Jobs, bei denen langsamere Modelle noch gewinnen.

Während ein schwereres Modell noch am ersten Take sitzt, hat Grok Imagine denselben Prompt meistens schon drei- oder viermal durchlaufen, so schnell, dass ich die Übersicht verliere, bevor mein Kaffee überhaupt kalt wird. Genau dieser Tempounterschied ist der einzige Grund für diesen Grok-Imagine-Test. Grok ist bei mir still und leise zu dem Modell geworden, das nebenbei in einem zweiten Tab offenbleibt, vor allem weil ein großer Teil meines Tages draufgeht, noch nicht zu wissen, welches Angebot zieht.

Willst du die offiziellen Spezifikationen von xAI, die habe ich in einer separaten Übersicht zusammengetragen. Hier geht es darum, wie sich das Modell in der echten Arbeit schlägt.

So schnell, dass sich die Arbeitsweise ändert

Bei Flami landet ein Standardclip meistens in 5 bis 20 Sekunden, aufwendigere Szenen brauchen bis zu etwa 30. Premium-Modelle stehen bei mir in der Warteschlange mit zwei bis sechs Minuten. Das klingt erstmal nach reinem Komfort. In der Praxis ändert es den kompletten Ansatz.

Fünf Minuten Fortschrittsbalken pro Fehlversuch. Deshalb habe ich früher jeden Prompt poliert, bevor ich ihn abgeschickt habe. Bei Grok Imagine lasse ich das inzwischen bleiben und probiere einfach aus. Grobe Idee, Blick drauf, Prompt anpassen, nochmal laufen lassen. Diese Schleife schaffe ich zwanzigmal in der Zeit, die ein schweres Modell für einen einzigen Clip braucht.

Wo zahlt sich das am meisten aus? Vor allem bei A/B-Tests, wenn ich zehn Versionen eines Angebots sehen muss, statt zu raten, welches zieht. Auch Social-Content profitiert davon, denn im Feed-Tempo posten heißt nicht, vier Minuten auf ein Rendering zu warten.

Qualität bei diesem Tempo

Ich hatte billige Optik erwartet. Meistens stimmt das nicht.

Am 16. Juni 2026 hat xAI Grok Imagine Video 1.5 ausgeliefert und es als sein bis dahin bestes Image-to-Video-Modell bezeichnet. Soundeffekte kommen aus demselben Durchgang wie das Bild, dazu Umgebungsgeräusche und Sprache. Am 31. Juli hat ein Update natives 1080p plus Text-to-Video ergänzt, ein Startbild brauchst du seitdem nicht mehr. Bei Flami laufen die Clips mit 24 Bildern pro Sekunde in 16:9 oder 9:16, quadratisch, wenn es für den Instagram-Feed sein soll. Für einen Entwurf muss ich fast nie separat eine Tonspur bauen.

Dasselbe Juli-Update brachte Referenzbilder, bis zu sieben pro Generierung. xAI beschreibt es so, dass jede Referenz „eine Sache an ihrem Platz fixiert“, als Beispiele nennen sie ein Gesicht oder ein Produkt. Für Produktclips ist das praktisch. Foto von einem Maskottchen oder einem Model hochladen, und es zieht sich durch die Einstellung, ohne dass ich einen Absatz zur Gesichtsbeschreibung schreiben muss. Einen Haken gibt es laut den Docs zur Videogenerierung trotzdem. Reference-to-Video ist auf 720p gedeckelt, volles 1080p gibt es nur bei reinem Text-to-Video und Image-to-Video.

Kamerabewegungen gibst du in normaler Sprache ein. Dolly Zoom, ein langsamer Push am Produkt vorbei, ein Rack Focus. Eine spezielle Syntax braucht es nicht, und meistens hört das Modell zu. Die Docs beschreiben außerdem, einen letzten Frame festzulegen, oder bis zu vier Keyframes zu festen Zeitpunkten, damit habe ich bisher nur ein wenig herumprobiert.

Auch die Voter im Blindtest scheinen zuzustimmen, dass es kein Budget-Pick mehr ist. In meinen Notizen zum September-Update der arena.ai Image-to-Video-Rangliste liegt Video 1.5 bei 720p auf Platz acht mit 1.456 Punkten.

Wo es an Grenzen stößt

Bei so viel Tempo muss irgendwo etwas nachgeben.

Zuerst die Länge. Die API von xAI erlaubt Clips von 1 bis 15 Sekunden, bei Flami wählst du zwischen 6 und 15. Für eine längere Geschichte müsste ich Clips zusammensetzen, und genau da hilft das Tempo nicht mehr weiter.

Für eine Premium-Einstellung mit perfektem Licht und einer unübersichtlichen Szene würde ich eher auf Veo 3.1 setzen. Das Material wirkt einfach teurer, die Gründe dafür stehen im Test zu Veo 3.1. Knifflige Physik ist eine weitere Schwachstelle. Reflexionen, Flüssigkeiten, alles, was spritzt. Dafür würde ich zuerst HappyHorse 1.0 ausprobieren. Und bei einer Nahaufnahme eines sprechenden Gesichts, wo jede Silbe zum Mund passen muss, ist Grok ehrlich gesagt auch nicht meine erste Wahl, weil mir die Artikulation bei längeren Sätzen schon mal aus dem Takt geraten ist. Ich habe 1.5 noch nicht durch genug Talking-Head-Aufnahmen gejagt, um das als behoben zu bezeichnen, also mit Vorsicht zu genießen.

Der Preis pro Sekunde ist nicht das Problem. Laut API-Preisen für Video 1.5 kostet es 0,08 US-Dollar pro Sekunde bei 480p, 0,14 US-Dollar bei 720p und 0,25 US-Dollar bei 1080p, ein 10-Sekunden-Clip in 1080p kommt damit zum Listenpreis auf 2,50 US-Dollar. Bei Flami wird wie bei allem anderen in Credits abgerechnet.

Erst Grok, dann das schwere Modell

Für mich gehört Grok in die Phase, in der ich noch überlege. Weiß ich noch nicht, welches Angebot zieht, poliere ich keinen einzelnen Clip. Ich baue zehn grob zusammen und schaue mir die Reaktion an.

Die übliche Routine läuft so ab. Am Anfang einer Kampagne schicke ich einen Stapel Creatives durch Grok und schaue, bei welchem Angebot und welcher Bildsprache die Leute hängenbleiben. Nur der Gewinner wird danach richtig auf etwas Schwerem neu gebaut, und auch nur, wenn er es sich verdient hat. Niemand verbrennt einen halben Tag für einen Clip, der im Feed zwei Sekunden Aufmerksamkeit bekommt, und die Credits bleiben größtenteils übrig. Über weitere Wege, beim Video zu sparen, habe ich in dem Beitrag zu schnellen, günstigen Videomodellen geschrieben.

Nutzung ohne eigenen xAI-Account

Bei Flami ist Grok Imagine Teil des normalen Abos. Eine separate Anmeldung bei xAI oder ein eigener Plan entfällt damit. Du startest wahlweise mit einem Textprompt oder einem Ausgangsbild. Wenn Tippen zu langsam ist, kannst du den Prompt per Sprache diktieren, das kommt öfter zupass, als ich gedacht hätte.

Es macht mir immer noch ein bisschen Spaß, fünfzehn Versionen eines Angebots grob durchzuspielen, in der Zeit, die ein schweres Modell für einen einzigen Clip braucht. Das hübscheste Modell im Line-up ist es nicht, trotzdem öffne ich es öfter als jedes andere, wahrscheinlich weil die meisten meiner Tage damit vergehen, noch nicht zu wissen, welches Angebot zieht.

Häufige Fragen

Was ist Grok Imagine?

Ein Videogenerierungsmodell von xAI. Die aktuelle Version, Grok Imagine Video 1.5, ist seit dem 16. Juni 2026 allgemein verfügbar. Es erzeugt Clips mit synchronisiertem Ton, und seit dem 31. Juli unterstützt es natives 1080p für Text-to-Video und Image-to-Video.

Wie lang darf ein Grok-Imagine-Clip sein?

Die API von xAI akzeptiert 1 bis 15 Sekunden pro Clip. Bei Flami wählst du zwischen 6 und 15 Sekunden.

Was kostet Grok Imagine über die API?

Laut xAIs Preisliste kostet Video 1.5 0,08 US-Dollar pro Sekunde bei 480p, 0,14 US-Dollar bei 720p und 0,25 US-Dollar bei 1080p. Bild oder Video als Eingabe wird separat berechnet.

Bleibt derselbe Charakter über mehrere Clips hinweg erhalten?

Ja. Seit dem Update vom 31. Juli kannst du bis zu sieben Referenzbilder anhängen, zum Beispiel ein Gesicht oder ein Produkt. Die Ausgabe von Reference-to-Video ist auf 720p gedeckelt.

Brauche ich ein xAI-Abo, um es zu nutzen?

Bei Flami nicht. Es ist Teil des normalen Abos, zusammen mit den anderen Videomodellen.

Zuletzt geprüft am 30. September 2026, anhand von xAIs Ankündigungen und der API-Dokumentation.

Grok Imagine Test: das Videomodell, das ich nutze, wenn ich mich noch nicht entschieden habe