SpaceXAI: Grok Imagine Video 1.5 Lite API

Grok Imagine Video 1.5 Lite est un modèle de génération vidéo de SpaceXAI (xAI), distillé à partir de Grok Imagine Video 1.5. Il accepte des prompts textuels et des images fixes, et produit des clips de 1 à 15 secondes en 480p, 720p ou 1080p, avec des ratios 16:9, 9:16, 1:1, 4:3, 3:4, 3:2 et 2:3. La sortie 1080p est rendue en 720p puis agrandie. Le modèle génère aussi un audio synchronisé : effets sonores, sons d'ambiance et dialogues avec synchronisation labiale. Il est accessible via API chez des partenaires comme OpenRouter, fal et Vercel AI Gateway. Sa vocation est le rapport coût-performance : plus rapide et moins onéreux que le modèle parent, il convient au brouillon et au prototypage par essais répétés, aux séquences d'arrière-plan et B-roll, ainsi qu'à l'idéation de concepts produits ou de scènes. En production de vidéos courtes à grand volume, il permet de multiplier les prises et de relancer celles qui échouent. Il faut toutefois composer avec des limites : qualité d'image en retrait par rapport au modèle complet, 1080p agrandi depuis 720p, risque de dérive de l'identité du sujet sur les clips longs, et audio plausible mais peu contrôlable. La synchronisation labiale conversationnelle et l'exactitude anatomique humaine restent faibles. L'approche la plus sûre est de traiter la première génération comme un brouillon, de valider le prompt et l'image source, puis d'effectuer le rendu final.

Votre facture dépend du fournisseur utilisé, de ses tarifs et de votre usage. Des entrées plus longues ou d'autres conditions peuvent avoir des tarifs différents. Facturé selon le coût réel de génération. Consultez votre facture pour le montant final.

Il accepte du texte et des images en entrée. Il génère des vidéos à partir de prompts textuels ou d'images fixes.

Les clips vont de 1 à 15 secondes, en 480p, 720p ou 1080p. La sortie 1080p est rendue en 720p puis agrandie.

Oui, il produit un audio synchronisé avec la vidéo : effets sonores, sons d'ambiance et dialogues avec synchronisation labiale.

Le modèle complet privilégie la qualité maximale, tandis que Lite privilégie le prix et la vitesse pour le prototypage et la production à volume. Lite est plus rapide et moins coûteux, au prix d'une qualité d'image un peu inférieure.

La qualité d'image est en retrait par rapport au modèle complet, l'identité du sujet peut changer sur les clips longs et l'audio reste peu contrôlable. La synchronisation labiale conversationnelle et l'exactitude anatomique humaine sont faibles.

Traitez la première génération comme un brouillon, vérifiez rapidement le prompt et l'image source, puis lancez le rendu final. Les URL vidéo renvoyées par l'API sont temporaires, il faut télécharger les fichiers sans attendre.