Grok Imagine Video: resultados de um teste com 13 clipes

Um teste relatado pela Quasa.io sugere que o modelo-base grok-imagine-video pode criar imagens de apoio, animar uma imagem estática e renderizar uma manchete grande, mas teve dificuldades com a ordem exata das ações e detalhes pequenos. A avaliação, publicada em 2 de novembro de 2026, reuniu 13 clipes em nove categorias para um boletim fictício de tecnologia.

O que entrou no teste

A Quasa.io avaliou o modelo-base em tarefas de texto para vídeo, animação de imagem, edição e cenas com instruções específicas. Também enviou sete solicitações inválidas. A documentação da xAI sobre geração de vídeo descreve criação a partir de texto ou imagem, além de edição e extensão de vídeos. Para o modelo-base, a página lista saídas em 480p e 720p e durações de 1 a 15 segundos em geral.

Os tempos observados na avaliação variaram conforme a tarefa. A Quasa.io informou mediana de 54 segundos; oito dos 13 trabalhos terminaram entre 54 e 56 segundos. Uma sequência de 12 segundos com três planos levou 169 segundos para renderizar.

A imagem convence mais do que a sequência

Nas cenas de sala de servidores, os três clipes em 480p, com 1, 5 e 10 segundos, não fizeram a curva à esquerda pedida no comando. Em outro teste, os três planos solicitados para um clipe de 12 segundos viraram um único movimento nos dois primeiros trechos; a transição final foi uma dissolução, não um corte seco.

A mesma diferença entre aparência e controle apareceu em uma cena com sete instruções. A Quasa.io registrou cinco acertos claros, um parcial e um erro: o modelo identificou e contou os objetos, mas colocou a esfera vermelha entre dois cubos, em vez de à esquerda deles, e mudou a lâmpada antes de concluir o movimento pedido.

Houve desvios também em ações físicas. Num clipe de água sendo despejada, o copo terminou cerca de 85% cheio, embora surgisse uma poça. Em uma cena com drone e folhas, a quantidade de papéis mudou e as folhas da planta não se moveram como solicitado. São resultados específicos dos exemplos avaliados, não uma medida de desempenho para todo tipo de cena.

Imagens de referência, fala e texto

Em uma animação de cinco segundos feita a partir de uma imagem de telefone, a traseira visível e o nome gravado continuaram reconhecíveis; a tela, que não aparecia na imagem inicial, foi inventada. Em outro clipe, uma referência de estilo também influenciou o cenário, e a cor verde-sálvia do telefone se aproximou do tom menta.

Um clipe de seis segundos com apresentadora reproduziu a fala solicitada em uma verificação de voz para texto. A Quasa.io também avaliou a sincronia dos lábios como adequada em velocidade normal. Em uma amostra vertical, a manchete grande “CHIP PRICES FALL 12%” saiu corretamente, enquanto inscrições pequenas no teclado ficaram deformadas ou fora de lugar. A publicação relatou ainda marcas de laptop em formato de fruta que não tinham sido pedidas em mais de um teste.

Quanto custou o teste e quais são as tarifas diretas da xAI

A Quasa.io informou US$ 3,02 em custos de vídeo para os 13 clipes e US$ 0,006 por duas imagens de entrada. Seus registros de tarefa indicaram as tarifas abaixo. Já a página de preços da API da xAI, atualizada em 10 de outubro de 2026, lista os valores diretos do modelo-base em dólares americanos:

A conta de US$ 3,02 é o total que a Quasa.io atribuiu ao próprio teste; a tabela separa essas tarifas reportadas dos preços diretos publicados pela xAI. Os valores da xAI estão expressos em dólares americanos.

A documentação também distingue o modelo-base do Grok Imagine Video 1.5, ao qual atribui vídeo nativo em 1080p e recursos de referência e voz. Os resultados da avaliação da Quasa.io se referem ao modelo-base, não à versão 1.5.

Para vídeos em que a posição dos objetos, o tempo de cada ação ou o corte entre planos precisam ser exatos, os exemplos relatados tornam a conferência do clipe final uma etapa importante.