xAI 推出 Grok Imagine API：原生生成音影片，主打低延遲與價效比

做 AI 影片的人，最怕的其實不是畫質不夠糊弄人，而是按一次生成按鈕等於燒掉一頓飯錢，等半天出來的片段還不帶聲音，甚至主角臉上多了一顆痣都無法修改。

xAI 正式推出 Grok Imagine API，把這套打磨後的音影片生成能力打包端了出來。不僅能在畫質和控制力上對標一線梯隊，他們這次還把算盤打在了價格上。

原生帶音訊，價格打到 Sora 2 Pro 的七分之一

根據第三方基準評測機構 Artificial Analysis 的競技場資料，Grok Imagine 在文本生影片和圖片生影片兩項榜單上雙雙登頂，排在 Runway Gen-4.5、Kling 2.5 Turbo 和 Veo 3.1 之前。

這次上線的模型不僅支援文生影片、圖生影片，還能直接做定向編輯，最長支援 15 秒片段。它原生支援音訊與畫面同步生成，這意味著對白和音效直接隨著畫面出來，不需要創作者後期再去拼音效庫。

更狠的是定價。Grok Imagine API 的價格定在每分鐘 4.20 美元，而且這筆費用已經包含了音訊。

對比一下同類產品：快手的 Kling 2.5 Turbo 也是每分鐘 4.20 美元，但並不包含音訊；Google 的 Veo 3.1 Preview 價格是每分鐘 12 美元；而 OpenAI 的 Sora 2 Pro 則是每分鐘 30 美元。換句話說，Grok Imagine 的成本只有 Sora 2 Pro 的七分之一左右。

精準微調場景，合作伙伴已經接了進來

除了常規的文生影片，xAI 這次花很大篇幅強調了精準編輯能力。你可以用文字指令讓畫面從晴天變成暴雪，也能精準摳掉背景裡多餘的雜物，或者給角色替換道具。

它還支援拿真實表演來驅動角色動畫，讓靜態的黑白線條瞬間變成流暢的動畫分鏡，或者根據商品展示的需求區域性調整顏色。

不少第三方平臺已經接通了這項能力。ComfyUI 團隊提到，Grok 在處理復古動漫和賽博朋克這兩種風格的生成時表現尤其突出。

影片生成工具 HeyGen 也宣佈把 Grok 接入了旗下的 Video Agent。他們的反饋很現實：過去改影片基本看運氣，現在使用者終於可以直接用文字指令進行小範圍修整，把原本需要幾個小時的碰運氣迭代縮短到幾分鐘。

Elon Musk 還宣稱，Grok Imagine 目前生成的影像和影片總量，已經超過了其他所有競爭對手的總和。

為什麼重要

我們認為，xAI 這次切中了一個行業痛點：影片生成過去太貴、太慢，創作者根本試錯不起。每分鐘 4.20 美元還帶原生音訊的定價，直接把高畫質影片生成的試錯門檻拉低了一大截。

對於影片創作者和出海營銷團隊來說，這套 API 值得立刻去試試。過去為了給 AI 影片配聲音，通常要串聯多套模型，現在單次生成就能交出音畫同步的半成品，配合區域性的文字修改能力，商用短片和草稿分鏡的製作週期會大幅縮短。

在行業競爭上，xAI 這一步走得很聰明，它避開了純粹堆引數的畫質內捲，直接挑起了價格戰。在頭部模型畫質拉不開絕對差距的情況下，打到對手三分之一甚至七分之一的價格，會倒逼 Google 和 OpenAI 重新考慮商業化定價策略。

不過隱患也同樣擺在眼前。極低的單價加上 15 秒原生音畫輸出，對推理算力和併發承載是巨大考驗。在企業級大批次工作流湧入後，API 是否能維持住當前的延遲和穩定性，還需要看接下來的實測表現。