88API88API
使用ガイドAIアプリケーションAPIリファレンスヘルプとサポート
ビデオ(Video)

Grok 動画 API 仕様

grok-imagine-video と grok-imagine-video-1.5 の解像度・長さ・アスペクト比と、先頭フレーム・末尾フレーム・キーフレーム・参照画像・参照ボイスの使い方と制限。

このページは、xAI の Grok 動画モデル grok-imagine-video、grok-imagine-video-1.5 の呼び出し仕様です。これらのモデルは、他の動画モデルと同じく POST /v1/videos で作成し、GET /v1/videos/{id} でポーリングします。認証、ポーリングのステータス、結果のダウンロード、エラー処理は動画 API 完全呼び出し仕様を参照してください。このページでは、Grok に固有のフィールドとルールだけを説明します。

2026-10-27 更新。grok-imagine-video-1.5 は末尾フレーム、キーフレーム、参照画像、参照ボイスに対応し、grok-imagine-video は参照画像に対応しました。従来の grok-imagine-video-1.5-1080p は提供を終了しました。1080P には grok-imagine-video-1.5 を使い、"resolution": "1080p" を設定してください。Grok はポーリングのみに対応しています。callback_url は設定しないでください。

モデル一覧

モデル解像度長さアスペクト比素材
grok-imagine-video480P / 720P、デフォルト 720P1–15 秒、デフォルト 8 秒。参照画像を使う場合は 1–10 秒16:9 9:16 1:1 4:3 3:4 3:2 2:3、デフォルト 16:9先頭フレーム 1 枚、または参照画像最大 14 枚(どちらか一方)
grok-imagine-video-1.5480P / 720P / 1080P、デフォルト 720P。末尾フレーム、キーフレーム、参照画像、参照ボイスを使う場合は最大 720P1–15 秒、デフォルト 8 秒同上先頭フレーム 1 枚、末尾フレーム 1 枚、キーフレーム最大 4 個、参照画像最大 14 枚、参照ボイス最大 3 個。組み合わせて使えます

基本パラメーター

  • 解像度:resolution は 480p、720p を指定できます。grok-imagine-video-1.5 は 1080p も指定できます。metadata.resolution でも指定できます。
  • 長さ:duration(または文字列の seconds)に整数の秒数を指定します。
  • アスペクト比:aspect_ratio と ratio は同じ意味です。size に比率を書くこともできます(例:"size": "9:16")。size にピクセルサイズは指定できません。複数のアスペクト比フィールド(metadata 内を含む)を指定する場合は値を一致させてください。一致しない場合は 400 が返ります。先頭フレームと末尾フレームの比率が aspect_ratio と異なる場合は中央で切り抜かれます。
  • プロンプト:プロンプトと素材の少なくとも一方が必要です。どちらもない場合は 400 が返ります。参照ボイスだけを使う場合は、プロンプトに映像とせりふを具体的に書いてください。

素材フィールド

素材フィールドgrok-imagine-video-1.5grok-imagine-video
先頭フレームimage、images、input_reference または metadata.firstFrame1 枚1 枚
末尾フレームlast_frame または metadata.lastFrame1 枚非対応
キーフレームkeyframes または metadata.keyframes最大 4 個非対応
参照画像reference_images または metadata.referenceImages最大 14 枚最大 14 枚。先頭フレームとは併用不可
参照ボイスreference_audios または metadata.referenceAudios最大 3 個非対応
  • 書き方:画像は URL 文字列または {"url": "..."} で指定します。キーフレームは [{"image": "…", "timestamp_s": 2}]、参照画像は画像 URL の配列、参照ボイスはボイス名の配列(例:["eve"])です。
  • 画像 URL:すべての画像は公開されている https:// URL にしてください。base64 と multipart/form-data のファイルアップロードには対応していません。
  • 先頭フレームは 1 枚:images に入れられるのは 1 枚だけで、先頭フレームとして扱われます。先頭フレームのフィールドに合計 2 枚以上指定すると 400 が返ります。複数の画像は reference_images に入れてください。
  • 枚数は別々に数えます:先頭フレーム、末尾フレーム、キーフレームは参照画像の 14 枚に含まれません。
  • 末尾フレームだけ:先頭フレームを省略し、last_frame だけで最後の画面を指定できます。先頭と末尾に同じ画像を指定するとループ動画になります。
  • キーフレームの時刻:timestamp_s は 0 より大きく、duration より小さい値にしてください。画面は 1/3 秒単位にそろえられるため、キーフレーム同士は 1/3 秒以上離してください。満たさない場合は 400 が返ります。最初と最後の画面は keyframes ではなく先頭フレームと末尾フレームで指定してください。
  • 参照画像の使い方:プロンプトでは <IMAGE_0>、<IMAGE_1>… の順に参照画像を指します。先頭フレームも指定した場合、先頭フレームが <IMAGE_0> になり、参照画像は <IMAGE_1> から番号が付きます。参照画像では最初の画面は固定されません。固定したい場合は先頭フレームも指定してください。
  • 参照ボイスの使い方:プロンプトでは <AUDIO_0>、<AUDIO_1>… でボイスを指します。使えるのは次のプリセットボイスだけです(大文字・小文字は区別しません)。カスタムボイスやボイスクローンには対応していません:altair ara atlas aurora carina castor celeste cosmo eve helios helix iris kepler leo liora lumen luna lux naksh orion perseus rex rigel sal sirius ursa zagan zenith。
  • 解像度と長さ:末尾フレーム、キーフレーム、参照画像、参照ボイスを使う場合、grok-imagine-video-1.5 は最大 720P です。grok-imagine-video で参照画像を使う場合は最長 10 秒です。テキストだけ、または先頭フレームだけの場合はこの制限はありません。
  • 非対応:参照動画、negative_prompt、seed、generate_audio。

テキストから動画生成

{
  "model": "grok-imagine-video-1.5",
  "prompt": "雨の夜の街を走る銀色のスポーツカー、ローアングルの追従ショット、ネオンの反射、映画風",
  "duration": 8,
  "aspect_ratio": "16:9",
  "resolution": "1080p"
}

画像から動画生成(先頭フレーム)

{
  "model": "grok-imagine-video",
  "prompt": "画像の被写体を保ったまま、クローズアップからゆっくり引いていく、映画風",
  "duration": 6,
  "aspect_ratio": "9:16",
  "resolution": "720p",
  "images": ["https://cdn.example.com/start.jpg"]
}

先頭フレームと末尾フレーム

{
  "model": "grok-imagine-video-1.5",
  "prompt": "日の差す玄関から窓辺へカメラが移動する",
  "duration": 8,
  "aspect_ratio": "16:9",
  "resolution": "720p",
  "image": "https://cdn.example.com/start.jpg",
  "last_frame": "https://cdn.example.com/end.jpg"
}

キーフレーム

先頭フレームと末尾フレームの間で、2 秒目と 4 秒目の画面を指定します:

{
  "model": "grok-imagine-video-1.5",
  "prompt": "光の変化とともに部屋の中をゆっくり進むカメラ",
  "duration": 6,
  "aspect_ratio": "16:9",
  "resolution": "720p",
  "image": "https://cdn.example.com/start.jpg",
  "keyframes": [
    { "image": "https://cdn.example.com/second-2.jpg", "timestamp_s": 2 },
    { "image": "https://cdn.example.com/second-4.jpg", "timestamp_s": 4 }
  ],
  "last_frame": "https://cdn.example.com/end.jpg"
}

参照画像と参照ボイス

{
  "model": "grok-imagine-video-1.5",
  "prompt": "<IMAGE_0> のモデルが <IMAGE_1> のシャツを着てランウェイを歩き、<AUDIO_0> の声でシャツを紹介する",
  "duration": 8,
  "aspect_ratio": "9:16",
  "resolution": "720p",
  "reference_images": [
    "https://cdn.example.com/model.jpg",
    "https://cdn.example.com/shirt.jpg"
  ],
  "reference_audios": ["eve"]
}

grok-imagine-video は参照画像だけでも使えます(先頭フレームは併用不可、最長 10 秒):

{
  "model": "grok-imagine-video",
  "prompt": "<IMAGE_0> の子犬が <IMAGE_1> の砂浜を走る",
  "duration": 5,
  "aspect_ratio": "16:9",
  "resolution": "720p",
  "reference_images": [
    "https://cdn.example.com/dog.jpg",
    "https://cdn.example.com/beach.jpg"
  ]
}