Rang #3 Videogenerierung — Hollywood in einem Textfeld
xAI

Grok Imagine Video 1.5

xAIs Video-Modell hat sich gerade die Krone in blinden Image-to-Video-Tests geschnappt — schnell, günstig und erschreckend gut darin, Prompts oder Bilder in zusammenhängende 720p-Clips mit nativem Audio zu verwandeln. Man stelle sich ein Highspeed-Kreativlabor vor, das Hollywood Konkurrenz macht.

Aktualisiert 16. Juni 2026 Image-to-VideoText-to-VideoNative Audio
8.9von 10
Offizielle Website
Am besten für

xAIs Video-Modell hat sich gerade die Krone in blinden Image-to-Video-Tests geschnappt — schnell, günstig und erschreckend gut darin, Prompts oder Bilder in zusammenhängende 720p-Clips mit nativem Audio zu verwandeln. Man stelle sich ein Highspeed-Kreativlabor vor, das Hollywood Konkurrenz macht.

Warum es gewinnt

#1 auf dem Arena.ai Image-to-Video Leaderboard (1,473 Elo, +52 Punkte gegenüber v1.0). Generiert 480p/720p Text-to-Video, Image-to-Video und Video-Editing mit nativem Audio für $0.06–$0.08 pro Sekunde — 65–80 % günstiger als Seedance oder Sora bei vergleichbarer Qualität. Hervorragende Geschwindigkeit: 5–30 Sekunden pro Clip.

Zu beachten

Begrenzt auf 720p/24fps bei maximal 15 Sekunden — kein 4K, kein Multi-Shot-Storyboarding. Aggressive Content-Moderation blockiert selbst unbedenkliche Prompts. Noch im Preview-Status; dynamische Drosselung kann die Generierung bei Spitzenauslastung einschränken.

01

Was es wirklich ist

xAIs Grok Imagine Video 1.5 ist das Ergebnis, wenn man 110.000 GPUs auf das Problem loslässt, Videogenerierung schnell, günstig und tatsächlich gut zu machen. Am 31. Mai 2026 leise als Preview gestartet, stürmte es prompt an die Spitze von Arena.ais Image-to-Video-Leaderboard — dem blinden Geschmackstest, der am meisten zählt — und schlug Seedance 2.0, Veo 3.1 und jeden anderen Herausforderer in der direkten menschlichen Präferenzabstimmung.

Das Modell läuft auf xAIs Aurora-Autoregressive-Engine und unterstützt drei Kernmodi: Text-to-Video, Image-to-Video (seine größte Stärke) und referenzkonditionierte Generierung zur Wahrung visueller Konsistenz. Natives Audio ist nicht nachträglich angeschraubt — es ist von Grund auf integriert und erzeugt lippensynchronen Dialog, Umgebungsklänge und Musik im selben Forward-Pass wie die Visuals. Version 1.5 hat speziell die Natürlichkeit von Dialog und Hintergrund-Audio-Integration gegenüber dem 1.0-Release verbessert.

Aber die eigentliche Schlagzeile ist der Preis: Mit $0.06–$0.08 pro Sekunde kostet Grok Imagine Video 1.5 nur einen Bruchteil dessen, was Seedance ($0.30+/s) oder Sora 2 Pro ($0.70/s) verlangen — und Audio ist inklusive. Für Creator, die schnell iterieren und in großem Umfang produzieren müssen, ist die Rechnung unwiderstehlich. Der Zugang läuft über xAIs API, den Grok-Chatbot (SuperGrok-Stufen von $10–$300/Monat) und Drittanbieter-Plattformen wie Fal.ai, Replicate und OpenRouter.

02

Stärken und ehrliche Grenzen

Zentrale Stärken

  • Arena.ai #1 bei Image-to-Video: Führt das relevanteste Community-Blindtest-Leaderboard mit 1,473 Elo aus über 5.500 Stimmen an — knapp vor Seedance 2.0 (1,467) und deutlich über den Veo 3.1-Varianten. Das Modell, das Menschen wählen, wenn sie das Label nicht sehen können.
  • Native Audio-Generierung: Erzeugt synchronisierten Dialog mit präzisem Lip-Sync, Umgebungsgeräusche, Musik und Soundeffekte in einem einzigen Generierungsdurchlauf. Version 1.5 hat die Natürlichkeit gegenüber 1.0 verbessert, insbesondere bei der Integration von Hintergrundmusik.
  • Bestes Preis-Leistungs-Verhältnis: Mit $0.06–$0.08 pro Sekunde ($3.60–$4.80/Min.) ist es dramatisch günstiger als Seedance ($0.30+/s), Sora 2 Pro ($0.70/s) und wettbewerbsfähig mit Kling — inklusive nativem Audio ohne Zusatzkosten.
  • Blitzschnelle Generierung: Clips werden in 5–30 Sekunden gerendert (je nach Komplexität), ideal für schnelle kreative Iteration. Basiert auf xAIs Aurora-Engine, die auf 110.000 NVIDIA GB200 GPUs läuft.
  • Integration in die X-Plattform: Nativ in X (ehemals Twitter) integriert, sodass Inhalte direkt im Ökosystem erstellt und geteilt werden können.
  • Integrierter Audio/Video-Pass: Die Version 2.0 bietet eine erhebliche Geschwindigkeitssteigerung und verarbeitet Video und Audio nativ in einem einzigen Pass für kohärentere Ergebnisse.

Ehrliche Einschränkungen

  • 720p-Obergrenze: Maximale Ausgabeauflösung ist 720p bei 24fps — während Kling 3.0 4K bei 60fps liefert. Ausreichend für Social Media und Prototyping, aber unzureichend für Kinoproduktionen.
  • Nur kurze Clips: Maximale Dauer 6–15 Sekunden. Kein Multi-Shot-Storyboarding oder Szenenverkettung — jede Generierung steht für sich. Längere Erzählungen erfordern manuellen Zusammenschnitt.
  • Aggressive Content-Moderation: Selbst eindeutig unbedenkliche Prompts lösen manchmal Content-Filter aus. Professionelle Creator berichten von Frustration durch inkonsistente Durchsetzung.
  • Exklusiv auf der X-Plattform: Mit Version 2.0 entfiel der Zugriff über Drittanbieter-APIs. Grok Imagine Video ist nur noch über X verfügbar, nicht mehr über Fal, Replicate oder andere Entwicklerplattformen.
  • Preview-Einschränkungen: Dynamische Drosselung reduziert die Generierungslimits bei Spitzenauslastung. Die Credit-Kosten sind seit dem Launch gestiegen. Die Plattform-Ökonomie ist noch im Fluss.
03

Benchmark-Übersicht

Arena.ai Image-to-Video — #1 (1,473 Elo)

Führt das relevanteste Blind-Leaderboard für menschliche Präferenzen mit über 5.500 Stimmen an. Hat Seedance 2.0 um 6 Elo-Punkte und die Vorgängerversion von Grok um 52 Punkte geschlagen. Der Goldstandard für reale Nutzerpräferenz.

Generierungsgeschwindigkeit — 5–30 Sekunden

Eines der schnellsten Frontier-Video-Modelle. Angetrieben von xAIs Aurora-Autoregressive-Engine auf 110K GB200 GPUs. Ermöglicht schnelle kreative Iteration, die langsamere Modelle nicht bieten können.

Kosteneffizienz — $0.06–$0.08/Sek.

Bestes Preis-Leistungs-Verhältnis in der Frontier-Video-Kategorie. 480p für $0.06/Sek., 720p für $0.08/Sek., mit nativem Audio inklusive. Konkurrenten verlangen 4–10x mehr für vergleichbare Qualität.

04

Das Fazit

Das derzeit beste Frontier-Video-Modell in Sachen Preis-Leistung — und das, welches echte Menschen in Blindtests wählen. Grok Imagine Video 1.5 wird weder Seedance 2.0s Multi-Shot-Kontrolle auf Regisseur-Niveau noch Klings 4K-Kinoqualität ersetzen, aber das muss es auch nicht. Für schnelles kreatives Prototyping, Social-Media-Content und alle, die Arena-führende Qualität ohne Arena-führende Preise wollen, ist es die offensichtliche Wahl. Noch im Preview-Status, also mit Ecken und Kanten zu rechnen — aber die Richtung ist unverkennbar.

05

Häufig gestellte Fragen

Weiter vergleichen
Ganzes Ranking ansehen
#1

Seedance 2.5

ByteDance (Seed Team)

Ein Filmset, das sich an die ganze Szene erinnert: bis zu 30 Sekunden synchrones Bild und Ton, bis zu 50 multimodale Referenzen und gezielte Reparaturen, ohne die gesamte Aufnahme neu zu erzeugen.

9.1 Redaktionswertung
Test lesen
#2

Happy Horse 1.1

Alibaba

Das Videomodell, das endlich das Tonproblem löst. Ein vereinheitlichter Transformer, der in einem einzigen Durchlauf 1080p-Video und perfekt synchronisierten Ton — Dialoge, Foley und Umgebungsgeräusche — generiert.

9.0 Redaktionswertung
Test lesen
#4

Kling AI 3.0

Kuaishou

Ein unifiziertes Video-Kraftpaket, das synchronisiertes Audio, Multi-Shot-Geschichten und 4K-Material aus Text generiert — stellen Sie sich eine Hollywood-VFX-Pipeline vor, die in einen Browser-Tab komprimiert wurde.

8.9 Redaktionswertung
Test lesen