xAIが「Grok Imagine API」公開、低遅延・高コスパな音声付き動画生成を実現

動画生成AIを使おうとすると、これまでは大きな壁がありました。生成ボタンを1回押すだけで驚くほどコストがかかり、出力された映像には音声がなく、一部だけ直したい場合も最初から作り直す必要があった点です。

xAIは1月28日、動画および音声の統合生成を可能にする「Grok Imagine API」の提供を開始しました。高い映像品質と精密な編集機能を備えつつ、業界を揺るがす低価格を打ち出しています。

音声込みで1分4.20ドル、Soraの約7分の1

第三者ベンチマーク機関のArtificial Analysisによると、Grok Imagineは同社のVideo Arenaにおいて「Text to Video」と「Image to Video」の双方で首位を獲得しました。Runway Gen-4.5やKling 2.5 Turbo、Veo 3.1を上回る評価です。

同モデルは最大15秒の動画を生成でき、縦型や横型など各種アスペクト比に対応しています。最大の特徴は、映像と同時に効果音や台詞などの音声もネイティブ生成できる点です。

さらに注目すべきはその利用料金です。Grok Imagine APIは音声込みで1分あたり4.20ドルに設定されています。

競合他社と比較すると、Kling 2.5 Turboは同じ1分4.20ドルですが音声には非対応です。GoogleのVeo 3.1 Previewは1分12ドル、OpenAIのSora 2 Proは1分30ドルに達します。つまり、Grok ImagineはSora 2 Proの約7分の1、Veo 3.1の3分の1強という低水準です。

テキスト指示による部分編集とエコシステム連携

今回のAPIはゼロからの動画生成だけでなく、編集機能も充実しています。プロンプトを使って天候を晴れから雪景色に変えたり、不要な小物を削除・差し替えたり、実写の動きに合わせてキャラクターを動かすことが可能です。

すでに外部サービスとの連携も進んでいます。ComfyUIチームは、レトロアニメやサイバーパンクといった特定の表現スタイルにおいて非常に優れた性能を発揮していると評価しました。

動画生成ツールのHeyGenも自社のVideo Agentに本モデルを採用しました。これまでのように何度も再生成を繰り返す運任せの作業から脱却し、指示文で数分以内に微調整できるようになったと説明しています。

またElon Musk氏は、Grok Imagineによる画像・動画の生成数が、すでに競合他社の合計を上回っていると述べています。

なぜ重要か

今回の発表は、動画生成AIの最大の課題だった「試行錯誤のコスト」を直接解決しにいった点が極めて賢明だと考えられます。生成AIを使ったクリエイティブ制作は何度もやり直すことが前提となるため、1分30ドルでは本格的な実務フローに組み込めませんでした。

動画クリエイターやマーケティング担当者にとって、すぐに試す価値は十分にあります。音声が最初から付随しており、部分修正も効くため、プロトタイプ作成やSNS向け短尺動画の制作コストを劇的に抑えられます。

業界全体にとっても、強力な価格破壊のプレッシャーになります。ベンチマーク首位を獲得しながらOpenAIやGoogleの数分の一の価格を提示されたことで、ライバル各社もAPI価格の引き下げやネイティブ音声統合の加速を迫られるはずです。

ただし、安価な価格設定と高負荷な処理を両立させる以上、アクセスが集中した際の生成遅延やサーバーの安定性維持が今後の大きな課題になるとみられます。