Grok Imagine

位置づけの概要

grok-imagine/image-to-video は xAI 傘下の grok-imagine ファミリーに属する画像から動画を生成するモデルで、HiAPI.ai の統一インターフェースを通じて呼び出します。1 枚または複数の参照画像とテキストプロンプトを受け取り、静止画を動的な映像へ変換します。6～30 秒の長さ、480p～1080p の解像度、複数のアスペクト比に対応しています。イラストや絵コンテ、商品画像を素早くアニメーション化したい開発者や制作チームに適しており、SNS 素材、広告プロトタイプ、動的カットのプレビューなどに活用できます。

主な特長

• 複数画像の参照による動きの誘導——最大 7 枚の参照画像を渡すことができ、プロンプト内で @image1 などで参照して特定の画像を指定できるため、被写体と構図を細かく制御できます。
• モーションスタイルの切り替え——fun、normal、spicy の 3 つの生成モードを備え、それぞれより創造的、バランス型、より躍動感の強い動きに対応します。
• 長さと解像度を用途に応じて調整——長さは 6～30 秒の間で設定でき、解像度は 480p から 1080p まで対応するため、生成速度と完成画質の間で取捨選択できます。
• 明確な課金基準——出力秒数に応じて課金され、長さパラメータが直接コストを決めるため、一括生成の前に予算を見積もりやすくなっています。

機能説明

参照画像に基づく動画生成：JPEG、PNG、WEBP 形式の画像を 1～7 枚入力すると、モデルは被写体と構図を保ったまま動的な映像を生成します。静止素材をカットへ変換する用途に適しています。

テキストプロンプトによる動きの制御：任意で最大 5000 文字のプロンプトを渡して希望する動きを記述できます。英語で記述すると効果が高く、モデルが指定した動作やカメラの動きに集中しやすくなります。

複数アスペクト比での出力：2:3、3:2、1:1、16:9、9:16 の 5 種類の比率に対応しており、複数画像参照モードで有効になります。横長と縦長の配信ニーズを一度にカバーできます。

解像度と長さの調整：出力解像度はデフォルトで 480p、720p または 1080p に引き上げ可能です。長さはデフォルト 6 秒、最大 30 秒で、実際に生成された秒数に応じて課金されます。

適した用途

• デザイナーが静止イラストを動的なカットへアニメーション化——イラストや絵コンテを入力し、短い動きのプロンプトを添えて短い動画カットを生成します。動的ポスター、オープニング、絵コンテのプレビューなどに利用できます。
• EC チームが商品画像から動的な展示を生成——商品画像をアップロードしてカメラの動きを記述すると、縦長または正方形の短い動画が得られ、商品詳細ページや SNS フィード配信にそのまま活用できます。
• コンテンツクリエイターが SNS 素材を一括生成——9:16 の比率と短めの長さで動的素材を一括生成し、ショート動画プラットフォームの日常的なコンテンツ更新やクリエイティブのテストに使用できます。

制限と選定のアドバイス

画像から動画への生成のみに対応し、純粋なテキスト入力からの動画生成はできません。少なくとも 1 枚の参照画像が必要です。画像 1 枚の入力時はアスペクト比パラメータは無効となり、出力は元画像の比率に従います。1080p 解像度は入力画像 1 枚のみに対応します。外部の画像を使用する場合、生成モードが自動的に normal に降格されることがあります。テキストから直接動画を生成したい場合や、30 秒を超える連続した長回しが必要な場合は、別のモデルを選ぶか分割して生成してください。コストは長さに応じて増えるため、長い長さでの一括呼び出しの前には小規模なテストで検証することをおすすめします。