xAI 推出 Grok Imagine API：原生生成音视频，主打低延迟与性价比

做 AI 视频的人，最怕的其实不是画质不够糊弄人，而是按一次生成按钮等于烧掉一顿饭钱，等半天出来的片段还不带声音，甚至主角脸上多了一颗痣都无法修改。

xAI 正式推出 Grok Imagine API，把这套打磨后的音视频生成能力打包端了出来。不仅能在画质和控制力上对标一线梯队，他们这次还把算盘打在了价格上。

原生带音频，价格打到 Sora 2 Pro 的七分之一

根据第三方基准评测机构 Artificial Analysis 的竞技场数据，Grok Imagine 在文本生视频和图片生视频两项榜单上双双登顶，排在 Runway Gen-4.5、Kling 2.5 Turbo 和 Veo 3.1 之前。

这次上线的模型不仅支持文生视频、图生视频，还能直接做定向编辑，最长支持 15 秒片段。它原生支持音频与画面同步生成，这意味着对白和音效直接随着画面出来，不需要创作者后期再去拼音效库。

更狠的是定价。Grok Imagine API 的价格定在每分钟 4.20 美元，而且这笔费用已经包含了音频。

对比一下同类产品：快手的 Kling 2.5 Turbo 也是每分钟 4.20 美元，但并不包含音频；Google 的 Veo 3.1 Preview 价格是每分钟 12 美元；而 OpenAI 的 Sora 2 Pro 则是每分钟 30 美元。换句话说，Grok Imagine 的成本只有 Sora 2 Pro 的七分之一左右。

精准微调场景，合作伙伴已经接了进来

除了常规的文生视频，xAI 这次花很大篇幅强调了精准编辑能力。你可以用文字指令让画面从晴天变成暴雪，也能精准抠掉背景里多余的杂物，或者给角色替换道具。

它还支持拿真实表演来驱动角色动画，让静态的黑白线条瞬间变成流畅的动画分镜，或者根据商品展示的需求局部调整颜色。

不少第三方平台已经接通了这项能力。ComfyUI 团队提到，Grok 在处理复古动漫和赛博朋克这两种风格的生成时表现尤其突出。

视频生成工具 HeyGen 也宣布把 Grok 接入了旗下的 Video Agent。他们的反馈很现实：过去改视频基本看运气，现在用户终于可以直接用文字指令进行小范围修整，把原本需要几个小时的碰运气迭代缩短到几分钟。

Elon Musk 还宣称，Grok Imagine 目前生成的图像和视频总量，已经超过了其他所有竞争对手的总和。

为什么重要

我们认为，xAI 这次切中了一个行业痛点：视频生成过去太贵、太慢，创作者根本试错不起。每分钟 4.20 美元还带原生音频的定价，直接把高画质视频生成的试错门槛拉低了一大截。

对于视频创作者和出海营销团队来说，这套 API 值得立刻去试试。过去为了给 AI 视频配声音，通常要串联多套模型，现在单次生成就能交出音画同步的半成品，配合局部的文字修改能力，商用短片和草稿分镜的制作周期会大幅缩短。

在行业竞争上，xAI 这一步走得很聪明，它避开了纯粹堆参数的画质内卷，直接挑起了价格战。在头部模型画质拉不开绝对差距的情况下，打到对手三分之一甚至七分之一的价格，会倒逼 Google 和 OpenAI 重新考虑商业化定价策略。

不过隐患也同样摆在眼前。极低的单价加上 15 秒原生音画输出，对推理算力和并发承载是巨大考验。在企业级大批量工作流涌入后，API 是否能维持住当前的延迟和稳定性，还需要看接下来的实测表现。