Prueba de Grok Imagine Video: aciertos y límites

La prueba de Grok Imagine Video publicada por Quasa.io apunta a que el modelo base puede generar clips breves con una frase hablada o un titular grande, pero pierde precisión al encadenar acciones y cuidar detalles secundarios. El informe describe 13 clips en nueve categorías: sus resultados son una muestra concreta, no una garantía de cómo responderá cada encargo.

Qué evaluó Quasa.io

El 2 de noviembre de 2026, Quasa.io publicó los resultados de una prueba del modelo base grok-imagine-video, planteada como material para un boletín ficticio de noticias tecnológicas. Incluyó generación de texto a vídeo, animación a partir de imágenes, edición y escenas con varias instrucciones. También envió siete solicitudes inválidas: seis recibieron un error HTTP 400 sin crear una tarea; una URL de imagen inexistente fue aceptada, falló 15 segundos después y no se cobró.

xAI documenta que el modelo base admite generación de vídeo desde texto o imágenes, además de edición y extensión de vídeos. La duración general indicada es de 1 a 15 segundos; para el modo con imágenes de referencia, la documentación especifica hasta siete imágenes y clips de hasta 10 segundos. La documentación de vídeo de xAI detalla estos modos y límites.

Secuencias y acciones: el punto débil de la muestra

Quasa.io informa de una mediana de renderizado de 54 segundos en sus 13 tareas, aunque el tiempo varió según el encargo. Una petición de 12 segundos con tres planos de cuatro segundos tardó 169 segundos: los dos primeros planos se fundieron en un solo movimiento y el último cambio fue una disolvencia, no un corte. También apareció un logotipo de portátil que no se había pedido.

En otra escena, con siete instrucciones, Quasa.io contó cinco aciertos claros, uno parcial y uno fallido. El modelo identificó y contó los objetos, pero dejó una esfera roja entre dos cubos en vez de a su izquierda; la lámpara cambió antes de que terminara el movimiento solicitado. En una escena de agua, el vaso acabó aproximadamente al 85 % de su capacidad y apareció un charco. Son fallos concretos de continuidad y colocación, no una medida de rendimiento para todos los vídeos.

La comparación de una sala de servidores mostró otra diferencia entre seguir una indicación y producir una toma: ninguna de tres versiones a 480p, de uno, cinco y diez segundos, hizo el giro a la izquierda solicitado. En una comparación adicional a 720p, la única toma de cuatro que sí giró fue también la de mayor resolución. Quasa.io la describió como más nítida, pero ese resultado procede de una sola muestra.

Imágenes, voz y texto en pantalla

La animación de una imagen fija conservó reconocibles la parte trasera y el nombre grabado de un teléfono ficticio, pero inventó la cara de la pantalla, que no aparecía en la imagen original. Al añadir una segunda imagen como referencia de estilo, el tratamiento de neón pasó al vídeo, junto con elementos del entorno de esa referencia. La documentación de imagen a vídeo de xAI describe este modo de entrada.

En un clip de seis segundos, una presentadora pronunció el texto solicitado según la comprobación de voz a texto que relata Quasa.io; el artículo también juzgó sincronizados los movimientos de la boca a velocidad normal. Un titular grande salió correctamente en otra prueba, mientras que las pequeñas leyendas de un teclado aparecieron mal o en lugares incorrectos. La muestra sugiere que el texto destacado puede funcionar mejor que los detalles tipográficos incidentales.

Qué significan los costes reportados

Quasa.io atribuyó a su prueba un coste de 3,02 US$ por vídeo y 0,006 US$ por dos imágenes de entrada. Su artículo no identifica el host de API empleado. xAI, por separado, publicó tarifas directas para el modelo base en una página actualizada el 10 de octubre de 2026. La lista de precios de xAI expresa esos importes en dólares estadounidenses.

A la tarifa directa publicada por xAI, un clip de cinco segundos a 480p cuesta 0,25 US$, antes de otros cargos que pudieran aplicarse. La factura de Quasa.io corresponde a los costes que atribuyó a su propia prueba; no debe confundirse con las tarifas directas de xAI.

Para qué encargos encaja mejor

La muestra de Quasa.io respalda un uso más cómodo para clips breves donde importan una imagen llamativa, una frase o un titular grande que para escenas cuya eficacia depende de una coreografía exacta, cortes precisos o detalles pequeños. Si la acción exige que un objeto termine en un lugar concreto, el ejemplo de la esfera entre los cubos muestra por qué conviene revisar el resultado antes de incorporarlo.

La prueba cubrió grok-imagine-video, el modelo base. xAI documenta por separado la versión 1.5, con capacidades distintas, entre ellas salida nativa a 1080p; los resultados de esta muestra no evalúan esa versión.