Le test de 13 clips rapporté par Quasa.io suggère que Grok Imagine Video peut produire des plans d’ambiance courts, animer une image fixe et rendre un grand titre lisible. La précision baisse quand il faut enchaîner des actions ou respecter des détails de mise en scène. L’essai portait sur le modèle de base grok-imagine-video et couvrait neuf catégories.
Ce que les clips rapportés montrent sur les séquences
Les plans d’ambiance étaient plus convaincants que les consignes de mouvement précises dans les exemples de Quasa.io. Pour une même scène de salle serveur, aucun des trois clips de 1, 5 et 10 secondes en 480p n’a suivi le virage demandé. Dans un autre essai, la version 720p a bien tourné, mais ce résultat ne concernait qu’un clip. Sur les 13 tâches, Quasa.io rapporte un temps de rendu médian de 54 secondes.
Les consignes de montage ont aussi posé problème. Un clip de 12 secondes devait contenir trois plans de quatre secondes ; il a été généré en 169 secondes, mais les deux premiers plans ont fusionné et le dernier est arrivé avec un fondu plutôt qu’une coupe franche. Dans un autre clip, la sphère devait se poser à gauche de deux cubes : elle a fini entre eux. La lampe a changé d’état avant la fin du mouvement demandé. Quasa.io a compté cinq consignes clairement respectées, une partiellement respectée et une manquée sur cette scène à sept consignes.
Les actions physiques n’étaient pas toujours cohérentes non plus. Dans un essai où de l’eau était versée, le verre s’est retrouvé rempli à environ 85 % tandis qu’une flaque apparaissait. Une scène avec un drone a changé le nombre de feuilles et n’a pas produit le mouvement demandé pour les feuilles d’une plante. Ces exemples indiquent surtout où vérifier le résultat lorsqu’une séquence dépend d’un ordre précis ou d’une quantité stable.
Images de référence, voix et texte à l’écran
Quasa.io rapporte un résultat plus utile pour l’animation d’une image fixe : le dos d’un téléphone fictif et son nom gravé sont restés reconnaissables. Le modèle a toutefois inventé la face écran, absente de l’image de départ. Dans un autre essai, une image de référence a transmis son style, mais aussi une partie de son décor ; la couleur vert sauge du téléphone a viré vers le menthe.
Un clip de présentatrice de six secondes a restitué le texte demandé selon un contrôle de transcription vocale décrit par Quasa.io, et le mouvement des lèvres a semblé synchronisé à vitesse normale. Le grand titre demandé dans un autre clip était lisible, contrairement à de petites inscriptions de clavier, souvent inventées ou mal placées. Quasa.io a également relevé des logos de portable en forme de fruit qui n’avaient pas été demandés.
Ce que le modèle de base permet
La documentation de xAI présente grok-imagine-video comme un modèle acceptant le texte, les images et les vidéos, avec des fonctions de génération, de montage et de prolongement vidéo. Elle indique une durée générale de 1 à 15 secondes et des sorties en 480p ou 720p (présentation vidéo de xAI). Pour la génération à partir d’images de référence, xAI précise une limite distincte : jusqu’à sept images, une durée maximale de 10 secondes et une sortie en 720p (documentation de la génération à partir de références).
Les résultats rapportés ici concernent le modèle de base, pas les versions 1.5. Ils ne mesurent donc pas les performances de ces autres modèles.
Les coûts rapportés et les tarifs directs de xAI
Quasa.io rapporte 3,02 $ de coûts vidéo pour ses 13 clips, auxquels s’ajoutent 0,006 $ pour deux images fixes. L’article donne aussi les tarifs unitaires de son test. xAI publie séparément les tarifs de son API directe, en dollars américains ; sa page tarifaire indique une mise à jour au 10 octobre 2026.
| Unité facturée | Tarif du test rapporté par Quasa.io | Tarif direct affiché par xAI |
| Vidéo en 480p, par seconde | 0,036 $ | 0,05 $ |
| Vidéo en 720p, par seconde | 0,0504 $ | 0,07 $ |
| Image de référence ou d’entrée | 0,0014 $ par image | 0,002 $ par image |
Les deux colonnes décrivent des bases tarifaires distinctes : le total de Quasa.io est celui de son essai, tandis que les montants xAI sont les tarifs affichés pour l’API directe (tarifs de l’API xAI).
Pour un usage où le plan d’ambiance compte davantage que la chorégraphie exacte, les résultats rapportés sont encourageants. En revanche, les séquences à plusieurs plans, l’emplacement des objets et les petits détails demandent une vérification attentive dans les exemples décrits par Quasa.io.
