Reseña de Grok Imagine: el modelo de video que abro cuando todavía no sé qué va a funcionar
Reseña de Grok Imagine: clips con audio en segundos, 1080p en Video 1.5, imágenes de referencia, precios de la API de xAI y cuándo conviene un modelo más lento.
Para cuando un modelo más pesado termina su primera toma, Grok Imagine ya corrió tres o cuatro pasadas sobre el mismo prompt. Es tan rápido que pierdo la cuenta de los intentos antes de que se me enfríe el café. Esa diferencia de velocidad es la razón de ser de esta reseña de Grok Imagine. El modelo se volvió, casi sin que me diera cuenta, el que dejo abierto en una pestaña aparte, sobre todo porque buena parte de mi día se me va en no saber todavía qué oferta va a funcionar.
Si quieres las especificaciones oficiales de xAI, las reuní en un análisis aparte. Este texto es sobre cómo se comporta el modelo en el trabajo real.
Tan rápido que te cambia la forma de trabajar
En Flami, un clip estándar suele estar listo entre 5 y 20 segundos, y las escenas más pesadas tardan hasta unos 30. Los modelos premium de mi cola se toman entre dos y seis minutos. Esa diferencia parece una simple comodidad. En la práctica, cambia todo el enfoque.
Cinco minutos mirando una barra de progreso por cada intento fallido eran la razón por la que antes pulía cada prompt antes de mandarlo a render. Con Grok Imagine dejé de hacer eso. Ahora simplemente pruebo: una idea a medio cocinar, veo cómo se ve, ajusto el prompt, lo corro de nuevo. Puedo pasar por ese ciclo veinte veces en el tiempo que un modelo pesado gasta en un solo clip.
¿Dónde se nota más esa ganancia? Sobre todo en pruebas A/B, cuando necesito ver diez versiones de una misma oferta en lugar de adivinar cuál va a pegar. El contenido para redes también se beneficia, porque publicar al ritmo del feed no puede esperar un render de cuatro minutos.
Calidad a esa velocidad
Esperaba que se viera barato. No es así, casi siempre.
El 16 de junio de 2026, xAI lanzó Grok Imagine Video 1.5 y lo llamó su mejor modelo de imagen a video hasta ese momento. Los efectos de sonido salen de la misma pasada que la imagen, junto con el ambiente y el habla. El 31 de julio, una actualización sumó 1080p nativo más texto a video, así que ya no necesitas una imagen de partida. En Flami los clips corren a 24 cuadros por segundo en 16:9 o 9:16, o cuadrado si estás armando algo para un feed de Instagram. Casi nunca tengo que armar una pista de audio aparte para un borrador.
Esa misma actualización de julio trajo imágenes de referencia, hasta siete por generación. La explicación de xAI es que cada referencia «fija un elemento en su lugar», y los ejemplos que dan incluyen una cara o un producto. Para clips de producto eso es útil: subes la foto de una mascota o de una modelo y se mantiene en la toma sin que yo tenga que escribir un párrafo describiendo su cara. Hay un detalle en la documentación de generación de video: la opción de referencia a video está limitada a 720p, y solo el texto a video y la imagen a video puros llegan al 1080p completo.
Los movimientos de cámara se describen con lenguaje simple. Un dolly zoom, un acercamiento lento al producto, un cambio de foco. No hace falta ninguna sintaxis especial, y por lo general obedece. La documentación también describe cómo fijar un último fotograma, o hasta cuatro fotogramas clave en momentos puntuales, algo que solo probé un poco.
Los votantes a ciegas parecen coincidir en que ya dejó de ser la opción barata. En mis notas sobre la actualización de septiembre del ranking de imagen a video de arena.ai, Video 1.5 a 720p quedó en el octavo puesto, con 1.456 puntos.
Dónde cede terreno
Algo tiene que ceder cuando un modelo es tan rápido.
Empecemos por la duración. La API de xAI permite clips de 1 a 15 segundos, y en Flami eliges entre 6 y 15. Para una historia más larga tendría que unir varios clips, y ahí la velocidad deja de ayudar.
Para una toma premium, con luz perfecta y una escena cargada de detalles, prefiero construirla en Veo 3.1. Su imagen simplemente se ve más cara, y la reseña de Veo 3.1 explica por qué. Otro punto flojo es la física complicada: reflejos, líquidos, cualquier cosa que salpique. Para eso probaría primero HappyHorse 1.0. Y para un primer plano de alguien hablando, donde cada sílaba tiene que calzar con la boca, Grok tampoco es mi primera opción, sinceramente, porque vi que la articulación se descuadra en frases más largas. No sometí a 1.5 a suficientes planos de este tipo como para decir que ya se arregló, así que toma la crítica con pinzas.
El precio por segundo no es el problema. La tarifa de la API para Video 1.5 de xAI es de 0,08 USD por segundo a 480p, 0,14 USD a 720p y 0,25 USD a 1080p, así que un clip de 10 segundos en 1080p cuesta 2,50 USD al precio de lista. En Flami se paga en créditos como todo lo demás.
Primero Grok, después el modelo pesado
Para mí Grok pertenece a la etapa de «todavía lo estoy pensando». Cuando aún no sé qué oferta va a pegar, no pulo un solo clip. Hago diez de golpe y veo la reacción.
Así es la rutina habitual. Al arrancar una campaña, corro un lote de creatividades por Grok y veo qué oferta y qué encuadre hace que la gente se detenga. Solo la que gana se reconstruye en serio en algo más pesado, y solo si se lo gana. Nadie se quema medio día en un clip que se lleva dos segundos de atención en el feed, y los créditos quedan casi intactos. Escribí sobre otras formas de ahorrar en video en la nota sobre modelos de video rápidos y baratos.
Usarlo sin cuenta de xAI
En Flami, Grok Imagine viene incluido en la suscripción normal, así que no hay que abrir una cuenta aparte en xAI ni manejar un plan distinto. Puedes arrancar desde un prompt de texto o desde una imagen de origen. Si escribir se te hace lento, puedes dictar el prompt por voz, algo que resultó más útil de lo que esperaba.
Todavía me da un poco de gusto armar quince versiones de una misma oferta en el tiempo que un modelo pesado gasta en un solo clip. No es el modelo más bonito de la lista, y aun así lo abro más que cualquier otro, probablemente porque la mayoría de mis días se me van en no saber todavía qué va a funcionar.
Preguntas sobre Grok Imagine
¿Qué es Grok Imagine?
Un modelo de generación de video de xAI. La versión actual, Grok Imagine Video 1.5, quedó disponible para todos el 16 de junio de 2026. Genera clips con audio sincronizado, y desde el 31 de julio soporta 1080p nativo para texto a video e imagen a video.
¿Cuánto puede durar un clip de Grok Imagine?
La API de xAI acepta de 1 a 15 segundos por clip. En Flami eliges entre 6 y 15 segundos.
¿Cuánto cuesta Grok Imagine por la API?
Según la lista de precios de xAI, Video 1.5 cuesta 0,08 USD por segundo a 480p, 0,14 USD a 720p y 0,25 USD a 1080p. Usar una imagen o un video como entrada de referencia se cobra aparte.
¿Puede mantener el mismo personaje entre clips?
Sí. Desde la actualización del 31 de julio puedes subir hasta siete imágenes de referencia, por ejemplo una cara o un producto. La salida de referencia a video está limitada a 720p.
¿Necesito una suscripción de xAI para usarlo?
No, en Flami no. Viene incluido en la suscripción normal junto con los demás modelos de video.
Última revisión: 30 de septiembre de 2026. Las especificaciones y los precios salen de los anuncios de xAI y de su documentación de la API.
Fuentes
Sobre el autor
Diego Morales
Redactor de reseñas en Flami
Sigue leyendo
Veo 3.1 vs Kling 3.0 vs Runway: probé los tres con los mismos videos de producto
Reseña de Runway Aleph: un editor de video con IA, no otro modelo de texto a video
Reseña de Veo 3.1: qué hace bien el modelo de video de Google en 2026 y en qué todavía falla
Reseña de Kling 3.0: dos semanas de videos de producto, escenas multi-shot y algunos tropiezos