xAI 升级 Imagine Video 1.5：支持音画参考与原生 1080p

首次发布 2026年7月31日传播指数 40

xAI 为 Imagine Video 1.5 推出重要升级，新增图像与声音参考、纯文本生视频和原生 1080p 输出。用户单次最多可传入 7 张参考图来固定人脸、产品或场景，并同步锁定角色声音保持镜头一致。纯文本生成与 1080p 已全面开放，音画参考先向美国付费用户推送。

做 AI 视频最头疼的事情，莫过于镜头一换，主角不仅换了张脸，连声音也跟着变调。xAI 刚刚给 Imagine Video 1.5 打了个补丁，专门解决这个毛病。

一次最多锁定 7 个元素

这次更新加入了图像和声音参考功能。你可以直接传一张角色图配一段声音，模型就能在不同场景里保持同样的面孔和音色。

每次生成最多支持传入 7 张参考图。这意味着你可以把角色、商品、场景地点全固定住，只让动作发生变化；也可以留着场景只换主角。

同时，新版补上了纯文本直接生成视频的能力，并支持原生 1080p 分辨率。图像和声音参考先对美国的 SuperGrok Heavy 和 Plus 用户开放，接下来几天会推给其他订阅者。开发者也能在 xAI API 里调用 grok-imagine-video-1.5，声音参考功能目前需要单独申请。

做连续短片或广告演示的人，终于不用每次切镜头都去抽盲盒了。角色一致性和固定道具是 AI 视频走向实用制作的最大门槛，能同时锁住脸、声音和特定物件，工作流才算真正能用。

我们认为，xAI 把参考数量拉到 7 张非常聪明。它不只是瞄准个人创作者，更是在给商品广告和带货视频铺路。不过声音参考在 API 端还要单独申请，说明算力消耗和潜在的声纹滥用风险依然让官方比较谨慎。