xAI「Grok Imagine Video 1.5」がSeedance2.0を超え1位に？ | 試してわかった意外な強みと弱み

こんにちは！GENELです。

xAIの最新動画生成AI「Grok Imagine Video 1.5」が登場しましたね！

Arenaのリーダーボードでは堂々の1位にランクイン。あのSeedance 2.0を超えています👀
「ホントか…？」と半信半疑ですが、Seedance2.0とGrok Imagine Video 1.5を比較していきました！

その前に：どこでいくらで使えるの？

使える場所

Grok Imagine Video 1.5は、いろいろ調べてみましたが、いつものGrok（grok.com・X・Grokアプリ）のユーザー向けにはまだ公開されていないようでした。

現在はAPI経由のみで使用可能のようです。

今回GENELが使用したのは『fal』です。

xAI公式のPlaygroundでもAPIを呼び出して使用できるようですが、falのほうが使いやすいかと思います！

料金

APIは「生成した動画の秒数ぶんだけ課金」という、わかりやすい従量制で、falだと下記の金額でした。

• 480p：1秒あたり $0.08

• 720p：1秒あたり $0.14

• 入力画像：$0.01

ちなみにfal上の価格だと、

• 15秒720pだとGrokが約335円なのに対し、

• Seedance2.0は600〜730円くらいになります。

ほぼ半額とかなりお得ですね！

ということで、さっそく検証していきます！

①ストリートバスケの女の子（動作チェック）

まずは「激しい動きをどこまで描けるか」を確認したくて、こんなプロンプトを投げてみました。

日本の晴れた日の屋外ストリートバスケットボールコート。青空の下、コートには強い日差しが差し込み、アスファルトの地面にくっきりとした影が伸びている。リアルな都市の空気感が漂っている。

主人公は20歳くらいの日本人の若い女の子。黒髪ストレートのロングヘアがキャップの下から自然に流れており、スポーティーでラフな雰囲気がある。かわいさもありつつ、クールでかっこいい印象。表情は真剣で集中していて、目線はリングを鋭く見据えている。

彼女はドリブルでディフェンスをかわすように低い姿勢で動き、次の瞬間、勢いよくステップバックしてスリーポイントラインの外からジャンプシュートを放つ。カメラは低いアングルから彼女を追い、ドリブルの迫力、ジャンプの躍動感、シュートフォームの美しさをドラマチックに捉えている。

シーン全体は映画のワンシーンのように臨場感があり、スピード感、青春感、ストリートカルチャーのかっこよさが強調されている。リアルでシネマティックな質感、ダイナミックなカメラワーク、浅い被写界深度、自然光、ドラマチックな構図。

結果は……

Seedance2.0

Grok Imagine Video 1.5

ボールが途中で2個に増えてしまいました。惜しい！

同じプロンプトでSeedance 2.0はきれいに決めてくれたので、激しいモーション＋オブジェクトの一貫性は、まだGrokがちょっと苦手とするところかもしれませんね…。

動きが速いシーンでは「物がいくつあるか」の管理が難しくなる印象です。

あと、『ドラマチックに捉えている』が効きすぎたのか、なぜかスローモーションになっちゃいました！

②サスペンスドラマ風（日本語＆手元精度）

次は趣向を変えて、日本語のセリフと「料理する手元」の精度を見たくて、ネタっぽい一本を作ってみました。

犯罪サスペンス風の緊張感を持った料理コメディ。低彩度でやや暗め、蛍光灳とステンレスの冷たい光。夜の古い中華厨房。
こわもての中年男性が無表情でカメラを見つめ、「最もフィジカルで、最もプリミティブで、そして最もフェティッシュなやり方でいかせていただきます。」と告白するように言う。
直後、0.2〜0.4秒の超高速カットでネギを刻み、卵を割り、鍋を振り、火柱が上がる——アクション映画のクライマックスのような編集で全力のチャーハンを作る。
最後は「さあ、食べなさい。」。

こんな感じのプロンプトで出来た動画がこちらです！

Seedance2.0

Grok Imagine Video 1.5

ここでちょっとした発見が…！

Seedance 2.0はもちろん成功したのですが、Grokも「あれ？日本語、何気に精度いいかも？」という手応えがありました。

長めの日本語セリフをわりとちゃんと拾ってくれたんです。
（Klingよりいい…👀）

これは正直、嬉しい誤算でした。包丁や油の音まわりの手元の質感も悪くなかったです。

また、プロンプトの工程に、
・包丁でネギを刻む手元。
・卵を割るアップ。
・中華鍋に油を入れる。
・強火で鍋が熱される。
・卵がジュワッと広がる。
・白米が投入される。
・鍋を激しく振る。
・米粒が空中で舞う。
と細かく指定もしていましたが、これもクリアしていますよね。

と思い、実際に試してみました！

③女子高生3人のショートドラマ（複数人物チェック）

日本語がいけそうだったので、3人での演技のショートドラマに挑戦しました。
女の子のちょっとした目線の演技もしてくれるか…！

放課後のカフェ。女子高生3人の日常会話。
女①（ダークブラウンのロングストレート）が「今日この後ラーメン食べたくない？」、
女②（ミルクティーブラウンのミディアム）が「めっちゃわかる！いこいこ！」と乗る。
そこへ女③（黒髪ポニーテール）が悪気なく「でも明日ライブじゃん。むくむからやめない？」
。一瞬空気が止まり、目線・作り笑い・口角だけで本音がにじむ——というリアルな“気まずさのズレ”で終わる。

結果は……

Seedance2.0

Grok Imagine Video 1.5

うーーーん。失敗！

人数が3人いるせいか、セリフを言っている人がバラバラになり、マルチカットのたびに人物が入れ替わってしまいました。

髪色・髪型・前髪・雰囲気を「3人が同じに見えないように」とかなり細かく書き分けたつもりでしたが、複数人物＋カット割りの多いシーンは、まだキャラの一貫性を保つのが難しいようです。

ここは素直に「複数人のショートドラマは厳しいかもな」という結果でした。残念。

④絵コンテを渡してみた

「文章で細かく指定するのが難しいなら、いっそ絵コンテをそのまま渡してみようかな？」

と思って、ChatGPT Images 2.0で生成した絵コンテを読み込ませてみました。

結果は……

Seedance2.0

Grok Imagine Video 1.5

完ぺきではないが、意外といい……！

こういった絵コンテ画像の作り方はこちらのnoteへ

プロンプトはこちらを使用しました！