xAI、「Imagine Video 1.5」を更新　画像・音声参照とネイティブ1080pに対応

生成AIで動画を作るとき、カットを切り替えるたびに主人公の顔や声が変わってしまう現象は最大の悩みでした。xAIが「Imagine Video 1.5」のアップデートでこの問題に直接手を入れています。

最大7枚のリファレンスで顔と声を固定

今回の更新では、画像と音声のリファレンス機能、テキストからの動画生成、そしてネイティブ1080p出力が追加されました。

キャラクターの画像と音声サンプルを渡すことで、異なるシーン間でも同じ顔と声のトーンを保つことができます。参照画像は1回の生成につき最大7枚まで指定可能で、人物の顔だけでなく、特定の商品やロケーションを固定したまま動きだけを変更できます。

画像と音声のリファレンス機能は、まず米国のSuperGrok HeavyおよびPlus加入者向けにウェブとiOSで提供が始まり、数日中に他のプランへも拡大されます。開発者向けAPIでもgrok-imagine-video-1.5モデルを通じて利用でき、音声リファレンスのみ申請制となっています。

なぜ重要か

動画制作でストーリーものや商品広告を作りたい人にとって、ガチャのように生成を繰り返す手間が大幅に減ります。一貫性の維持は動画AIが現場のツールとして成立するための必須条件です。

参照枠を7枚まで広げた設計は、単なるキャラクター固定にとどまらず、商品カットや背景をそのまま流用したい商用コンテンツ制作を強く意識しているように見えます。音声リファレンスがAPIで事前申請制になっている点からは、負荷やなりすましリスクに対する慎重さも窺えます。