xAI hat sein Videomodell Grok Imagine Video 1.5 deutlich ausgebaut. Am 31. Juli 2026 kuendigte das Unternehmen die Version „Imagine Video 1.5 with References“ an, die drei lange erwartete Bausteine zusammenfuehrt: die Steuerung ueber mehrere Referenzbilder, native 1080p-Ausgabe und konsistente Stimmen ueber mehrere Szenen hinweg. Die Neuerungen sind ueber grok.com/imagine, die iOS- und Android-Apps sowie die xAI-API verfuegbar.
Bis zu sieben Referenzen pro Generierung
Das Herzstueck des Updates ist die Multi-Referenz-Steuerung: Nutzer koennen laut xAI bis zu sieben Referenzbilder pro Generierung mitgeben und damit einzelne Elemente gezielt festhalten – etwa ein Gesicht, ein Produkt oder einen Schauplatz. In der Praxis bedeutet das, dass sich eine Figur beibehalten und die Szene wechseln laesst, eine Szene erhalten bleibt und die Figur getauscht wird, oder beides fixiert und nur die Handlung veraendert wird. Genau diese getrennte Kontrolle ueber Charakter, Setting und Aktion war bislang eine der groessten Schwaechen textbasierter Videomodelle.
Native 1080p und Text-to-Video
Neu ist ausserdem die native 1080p-Generierung, die sowohl fuer Text-to-Video als auch fuer Image-to-Video zur Verfuegung steht. Bislang war Grok Imagine auf niedrigere Aufloesungen beschraenkt, die vor allem fuer schnelle Clips und Social-Formate taugten. Mit der hoeheren Aufloesung rueckt das Modell naeher an das heran, was Produktionen tatsaechlich brauchen. Ergaenzend kann das System nun Videos allein aus einem Textprompt erzeugen, indem es Bildgenerierung und Image-to-Video kombiniert – ein Startbild ist also nicht mehr zwingend noetig.
Stimmen, die ueber Szenen hinweg halten
Der dritte Baustein betrifft Audio: Wer ein Charakterbild und eine Stimmreferenz mitgibt, erhaelt laut xAI eine konsistente Kombination aus Gesicht und Stimme ueber mehrere Szenen. Fuer erzaehlerische Formate, in denen dieselbe Figur wiederholt auftaucht, ist das ein spuerbarer Fortschritt, weil sonst schnell der Eindruck entsteht, es handle sich um verschiedene Personen. Ueber die API wird die Modalitaet als reference-to-video gefuehrt; die Stimmreferenzen setzen dort zunaechst eine gesonderte Freischaltung voraus.
Verfuegbarkeit und Einordnung
Bild- und Stimmreferenzen starteten zunaechst in den USA fuer die Abostufen SuperGrok Heavy und SuperGrok Plus, ein Rollout auf alle Stufen war innerhalb weniger Tage vorgesehen. Text-to-Video und natives 1080p waren dagegen sofort breit verfuegbar. In der API laeuft das Modell unter der Kennung grok-imagine-video-1.5. xAI hatte die Version 1.5 bereits im Juni 2026 in einem oeffentlichen Ranking platziert und dabei vor allem mit einem im Vergleich zu Sora deutlich guenstigeren Preis fuer Aufsehen gesorgt – das aktuelle Update baut diese Positionierung als kostenguenstige, schnell einsetzbare Option weiter aus.
Was das fuer eure Projekte bedeutet
Fuer die Praxis in der KI-Videoproduktion sind vor allem die Referenzen relevant. Konsistente Charaktere, wiedererkennbare Produkte und ein durchgehender Look ueber mehrere Shots hinweg sind die Grundvoraussetzung fuer Werbespots, Erklaervideos und serielle Formate – bislang war genau das der Knackpunkt. Wer Kampagnen mit wiederkehrenden Figuren plant, kann mit bis zu sieben Referenzen jetzt gezielter arbeiten, statt sich auf Zufallstreffer zu verlassen. Das native 1080p macht Ergebnisse fuer groessere Ausspielwege brauchbarer, auch wenn es fuer hochwertige Broadcast-Produktionen weiterhin ein Upscaling oder Nachbearbeitung braucht. Und die guenstige Preisstruktur macht Grok Imagine attraktiv fuer schnelle Iterationen und Testreihen, in denen viele Varianten entstehen. Unser Rat: die Referenz-Steuerung fruehzeitig in den eigenen Workflow einbauen und mit einem festen Set an Charakter- und Produktreferenzen arbeiten – so laesst sich die neue Konsistenz von Grok Imagine am besten ausschoepfen. Wie belastbar die Stimmkonsistenz bei laengeren Dialogen ist, sollte man vor dem Einsatz in Kundenprojekten allerdings selbst testen.