Grok Imagine review: vídeo com IA rápido e com som

Review prático do Grok Imagine: clipes com som em segundos, 1080p no Video 1.5, imagens de referência, preço da API da xAI e quando vale um modelo mais lento.

Enquanto um modelo mais pesado ainda está terminando a primeira tentativa, o Grok Imagine já rodou três ou quatro vezes o mesmo prompt, rápido o bastante para eu perder a conta das tentativas antes do café esfriar. Essa diferença de velocidade é o motivo pelo qual esse review existe. O Grok virou, sem alarde, o modelo que eu deixo sempre aberto numa aba, principalmente porque boa parte do meu dia passa sem eu saber ainda qual oferta vai emplacar.

Se você quer as specs oficiais da xAI, eu já reuni tudo num raio-x separado. Este texto aqui é sobre como o modelo se comporta no trabalho de verdade.

Rápido o bastante para mudar o jeito de trabalhar

Na Flami, um clipe padrão costuma sair entre 5 e 20 segundos, e cenas mais pesadas chegam a uns 30. Os modelos premium da minha fila ficam entre dois e seis minutos. Parece só uma questão de conveniência. Na prática, muda a abordagem inteira.

Cinco minutos olhando pra barra de progresso a cada tentativa que não deu certo era o motivo de eu polir cada prompt antes de mandar. No Grok Imagine parei de fazer isso e simplesmente testo. Ideia solta, olho o resultado, ajusto o prompt, rodo de novo. Dá para passar por esse ciclo umas vinte vezes no tempo que um modelo pesado gasta com um clipe só.

Onde isso compensa mais? Em teste A/B, principalmente, quando preciso ver dez versões de uma oferta em vez de chutar qual vai funcionar. Conteúdo para redes sociais também aproveita, porque postar no ritmo do feed não espera uma renderização de quatro minutos.

Qualidade nessa velocidade

Eu esperava que ficasse com cara de barato. Não fica, na maior parte das vezes.

Em 16 de junho de 2026 a xAI lançou o Grok Imagine Video 1.5 e chamou de seu melhor modelo de imagem para vídeo até então. Os efeitos sonoros saem da mesma passada que a imagem, junto com ambiente e fala. Em 31 de julho, uma atualização trouxe 1080p nativo e também texto para vídeo, então não precisa mais partir de uma imagem. Na Flami os clipes rodam a 24 quadros por segundo, em 16:9 ou 9:16, ou quadrado se for para alguma coisa no feed do Instagram. Quase nunca preciso montar uma trilha de áudio separada para um rascunho.

Essa mesma atualização de julho trouxe imagens de referência, até sete por geração. A xAI descreve que cada referência trava um elemento no lugar, e os exemplos que eles dão incluem rosto ou produto. Para clipe de produto isso ajuda bastante. Sobe uma foto de um mascote ou de um modelo e ele se mantém na cena sem eu precisar escrever um parágrafo descrevendo o rosto da pessoa. Tem uma pegadinha na documentação de geração de vídeo, porém. Referência para vídeo fica limitado a 720p, e só texto para vídeo puro e imagem para vídeo chegam no 1080p completo.

Os movimentos de câmera entram em linguagem natural. Dolly zoom, um avanço lento até o produto, um rack focus. Não precisa de nenhuma marcação especial, e geralmente ele entende. A documentação também descreve como fixar o último quadro, ou até quatro keyframes em instantes definidos, coisa que eu só experimentei um pouco.

Quem vota às cegas parece concordar que ele deixou de ser a opção barata. Nas minhas notas sobre a atualização de setembro do ranking de imagem para vídeo da arena.ai, o Video 1.5 em 720p ficou em oitavo lugar, com 1456 pontos.

Onde ele deixa a desejar

Alguma coisa precisa ceder quando um modelo é rápido assim.

Duração, para começar. A API da xAI aceita clipes de 1 a 15 segundos, e na Flami você escolhe entre 6 e 15. Para uma história mais longa eu precisaria costurar vários clipes, e é aí que a velocidade para de ajudar.

Para uma cena premium, com luz perfeita e bastante coisa acontecendo, eu prefiro montar no Veo 3.1. O resultado simplesmente parece mais caro, e o review do Veo 3.1 explica o porquê. Física complicada é outro ponto fraco. Reflexo, líquido, qualquer coisa que respinga. Para isso eu tentaria primeiro o HappyHorse 1.0. E para um close de alguém falando, onde cada sílaba precisa bater com a boca, o Grok também não é minha primeira escolha, sinceramente, porque já vi a articulação desandar em falas mais longas. Não testei o 1.5 o suficiente em cena de pessoa falando para garantir que isso foi resolvido, então acho melhor pegar essa crítica com uma pitada de sal.

Preço por segundo não é o problema. O preço da API para o Video 1.5 da xAI é de US$ 0,08 por segundo em 480p, US$ 0,14 em 720p e US$ 0,25 em 1080p, então um clipe de 10 segundos em 1080p sai por US$ 2,50 no preço de tabela. Na Flami isso é cobrado em créditos, como tudo o resto.

Grok primeiro, modelo pesado depois

Pra mim, o Grok pertence à fase de "ainda pensando". Quando não sei qual oferta vai bater, eu não fico polindo um clipe só. Faço dez rascunhos e vejo a reação.

A rotina de sempre é essa: no começo de uma campanha, rodo um lote de criativos pelo Grok e vejo qual oferta e qual enquadramento fazem as pessoas pararem de rolar o feed. Só o vencedor é refeito com capricho num modelo mais pesado, e só se merecer. Ninguém gasta meio dia num clipe que recebe dois segundos de atenção no feed, e os créditos ficam quase intactos. Escrevi sobre outros jeitos de economizar em vídeo nesse texto sobre modelos de vídeo rápidos e baratos.

Usando sem conta na xAI

Na Flami, o Grok Imagine vem incluído na assinatura normal, então não tem cadastro separado na xAI nem plano para gerenciar. Dá para começar de um prompt de texto ou de uma imagem de origem. Se digitar parecer lento, dá para ditar o prompt por voz, o que ajuda mais do que eu esperava.

Ainda me divirto rascunhando quinze versões de uma oferta no tempo que um modelo pesado gasta com um clipe só. Não é o modelo mais bonito da fila, mas é o que eu mais abro, provavelmente porque boa parte dos meus dias passa sem eu saber ainda.

Perguntas sobre o Grok Imagine

O que é o Grok Imagine?

Um modelo de geração de vídeo da xAI. A versão atual, Grok Imagine Video 1.5, ficou disponível para todo mundo em 16 de junho de 2026. Ele gera clipes com áudio sincronizado, e desde 31 de julho suporta 1080p nativo para texto para vídeo e imagem para vídeo.

Quanto tempo pode durar um clipe do Grok Imagine?

A API da xAI aceita de 1 a 15 segundos por clipe. Na Flami você escolhe entre 6 e 15 segundos.

Quanto custa o Grok Imagine pela API?

Pela tabela de preços da xAI, o Video 1.5 custa US$ 0,08 por segundo em 480p, US$ 0,14 em 720p e US$ 0,25 em 1080p. Usar uma imagem ou vídeo como entrada é cobrado à parte.

Ele consegue manter o mesmo personagem entre clipes?

Sim. Desde a atualização de 31 de julho dá para anexar até sete imagens de referência, por exemplo um rosto ou um produto. A saída de referência para vídeo fica limitada a 720p.

Preciso de assinatura na xAI para usar?

Na Flami, não. Ele já vem incluído na assinatura normal, junto com os outros modelos de vídeo.

Última verificação em 30 de setembro de 2026. Especificações e preços vêm dos anúncios da xAI e da documentação da API.

Grok Imagine review: o modelo de vídeo que eu abro quando ainda não decidi