
grok-imagine-video-1.5 von xAI generiert synchronisiertes Video und Audio in einem einzigen Durchlauf, führt Leaderboards an und ist deutlich günstiger als die Konkurrenz. Der vollständige Entwicklerleitfaden.
Grok Imagine Video 1.5 ist xAIs bislang leistungsfähigstes Videogenerierungsmodell – ein System, das synchronisiertes Video und Audio in einem einzigen Inferenzdurchlauf erzeugt, die Image-to-Video Arena-Rangliste anführt und einen Bruchteil der Kosten vergleichbarer Konkurrenzprodukte verursacht. Am 31. Mai 2026 veröffentlicht, stellt es die dritte Hauptversion der Grok Imagine Video-Reihe dar und ist die erste, die nativen Raumklang als Standardfunktion bietet. Dieser Referenzleitfaden deckt alles ab, was Entwicklerinnen, Entwickler und Kreative benötigen, um das Modell zu evaluieren, zu bepreisen und effektiv zu prompten.
Was ist Grok Imagine Video 1.5?
Grok Imagine Video 1.5 ist xAIs Flaggschiff-Videogenerierungsmodell, veröffentlicht am 31. Mai 2026 und über den API-Alias Grok Imagine Video 1.5-2026-05-30 unter api.x.ai zugänglich [6]. Es handelt sich nicht um ein Diffusionsmodell. Es basiert auf xAIs Aurora Engine – einer autoregressiven Mixture-of-Experts-Architektur (MoE), die Token über verschränkte Text-, Bild-, Video- und Audiomodalitäten in einem einzigen Inferenzdurchlauf vorhersagt [6].
Versionshistorie auf einen Blick:
| Version | Veröffentlichungsdatum |
|---|---|
| v0.9 | Oktober 2025 |
| v1.0 | 3. Februar 2026 |
| v1.5 | 31. Mai 2026 |
Das Modell wurde auf Colossus 2 trainiert, xAIs Supercomputer-Anlage mit rund 555.000 NVIDIA-GPUs [2]. Die Video-Pipeline integriert Technologie von Hotshot, einem Videogenerierungs-Startup, das xAI im März 2025 übernommen hat [2].
Ausgabespezifikationen:
- Format: H.264 MP4 mit 24fps [5][6]
- Auflösung: 480p oder 720p [5]
- Dauer: 1–15 Sekunden pro Clip [5]
- Seitenverhältnisse: Sieben unterstützte Verhältnisse [5][6]
- Akzeptierte Eingabebildformate: JPG, JPEG, PNG, WEBP, GIF, AVIF [5]
Die Adoptionsrate nach dem v1.0-Launch verdeutlicht die Marktstellung des Modells: Nutzerinnen und Nutzer generierten 1,245 Milliarden Videos in den 30 Tagen nach dieser Veröffentlichung [10].
Aurora Engine: Warum der autoregressive Ansatz entscheidend ist
Der Unterschied zwischen autoregressiven und diffusionsbasierten Architekturen ist nicht nur technischer Natur – er hat direkte Auswirkungen auf die Ausgabequalität.
Diffusionsmodelle generieren Video, indem sie iterativ ein zufälliges Signal entrauschen. Aurora hingegen sagt jeden Video-Token sequenziell vorher und konditioniert jeden neuen Token auf alle zuvor generierten Token. Diese sequenzielle Struktur verschafft ihr in zwei Bereichen einen strukturellen Vorteil [6][15]:
- Bewegungskohärenz: Da jeder Frame-Token auf vorherigen Frames konditioniert wird, behält Aurora konsistente Subjektposition, Beleuchtung und Physik über den gesamten Clip bei, anstatt jeden Frame als teilweise unabhängiges Entrauschungsproblem zu behandeln.
- Audio-visuelle Synchronisation: Audio-Token werden gemeinsam mit Video-Token im selben Inferenzdurchlauf generiert – nicht in der Nachbearbeitung hinzugefügt. Deshalb sind natives Lippensync und Raumklang ohne ein separates Audiomodell möglich [6][15]. Der Ton wird nicht nachträglich auf das Video aufgelegt, sondern gemeinsam damit erzeugt.
Stärken
Grok Imagine Video 1.5 führt die Image-to-Video Arena-Rangliste mit einem Arena-Score von rund 1.473 an – eine Verbesserung von 52 Punkten gegenüber dem Vorgänger [3][4]. Die Kombination aus nativem Audio, hoher Bildtreue, Geschwindigkeit und niedrigen Kosten macht es zu einem herausragenden Modell für Produktions-Workflows.
Kernstärken:
- Platz 1 in der Image-to-Video Arena (720p) mit einem Arena-Score von ~1.473 zum Launch [3][4]
- Natives Audio in einem Durchlauf: synchronisierte Dialoge, Lippensync, Soundeffekte und Umgebungsmusik werden gemeinsam mit dem Video generiert – nicht nachträglich hinzugefügt [1][15]
- Raumklang: Wenn sich Personen durch die Szene bewegen, passt die Audio-Engine die Positionierung entsprechend an [1]
- Erstklassiges Image-to-Video: Das Eingabebild dient als tatsächliches erstes Frame und bewahrt Komposition, Identität des Motivs und visuellen Stil [1][5]
- Verbesserte Gesichtsgenauigkeit: Blindtests zeigen erhebliche Fortschritte bei der Gesichtsrealität und Charakterkonsistenz über Frames hinweg [4]
- Schnelle Generierung: 720p-Clips benötigen durchschnittlich rund 30 Sekunden Generierungszeit [4]
- **„Extend from Frame


