xAI legt bei seinem Videomodell nach: Am 31. Juli 2026 hat das Unternehmen ein umfangreiches Update für Grok Imagine Video ausgerollt, das die Fähigkeiten deutlich über den bisherigen Stand hinaushebt. Neu sind vor allem echte Text-zu-Video-Generierung ohne Startbild, eine Stimm- und Charakter-Referenz („Voice Cloning“) sowie eine Szenensteuerung mit bis zu sieben gleichzeitigen Referenzankern. Wir hatten den 1.5-Launch mit Multi-Referenzen und nativem 1080p bereits in einem eigenen Artikel besprochen – dieses Update erweitert genau diese Basis um mehrere praxisrelevante Funktionen und eine neue Preisstruktur.
Was neu ist
Der Kern des Updates liegt in drei Bereichen, die zusammen den Sprung von einem reinen Image-to-Video-Werkzeug zu einer flexibleren Produktions-Pipeline markieren:
- Text-zu-Video ohne Startbild: Clips lassen sich jetzt direkt aus einem Textprompt erzeugen – das bisher zwingende Ausgangsbild entfällt. Laut xAI ist die Funktion ohne Aufpreis in den bestehenden Tarifen enthalten.
- Voice- und Charakter-Referenz: Das Modell hält Gesicht und Stimme einer Figur über mehrere Szenen hinweg konsistent. Der Zugang ist zunächst auf die Stufen SuperGrok Heavy und Plus beschränkt; API-Zugriff läuft aktuell über direkte Vertriebsanfrage.
- Sieben-Referenzen-Szenensteuerung: Bis zu sieben visuelle Anker gleichzeitig geben mehr Kontrolle über Figuren, Objekte und Bildaufbau in einer Szene – hilfreich für wiederkehrende Charaktere und Set-Konsistenz.
Die native 1080p-Ausgabe, die bereits mit 1.5 eingeführt wurde, bleibt Standard. Technisch begründet xAI die Höhe der 1080p-Preise mit der sequenziellen Frame-Architektur („Aurora“): Die Ausgabe in 1080p erhöhe die Zahl der Pixel-Tokens pro Frame um rund das 2,25-Fache gegenüber 720p.
Die neuen API-Preise im Detail
Mit dem Update hat xAI die Preisstruktur nach Auflösung gestaffelt. Über die API kostet die Generierung laut den vorliegenden Angaben:
- 1080p: rund 0,25 US-Dollar pro Sekunde
- 720p: rund 0,14 US-Dollar pro Sekunde
- 480p: rund 0,08 US-Dollar pro Sekunde
Als Rechenbeispiel nennt xAI etwa 900 US-Dollar pro Monat für 60 Minuten 1080p-Material. Die Text-zu-Video-Funktion ist ohne Aufpreis enthalten, die Voice-Referenz erfordert je nach Zugang ein Upgrade oder eine Vertriebsanfrage.
Einordnung im Wettbewerb
Zum Start des Updates führte Grok die Image-to-Video-Arena mit einem Elo-Wert von rund 1.473 an. Preislich positioniert sich das 1080p-Angebot zwischen Google Veo 3.1 Fast (etwa 0,15 US-Dollar pro Sekunde) und Veo 3.1 Quality (etwa 0,40 US-Dollar pro Sekunde) und unterbietet die frühere Rate von Sora 2 Pro (0,50 US-Dollar pro Sekunde) deutlich. Für Teams, die viel Material in mittlerer bis hoher Auflösung benötigen, verschiebt das die Kostenrechnung spürbar.
Text-zu-Video, konsistente Charaktere und ein aggressiver Preis in 1080p: Das Update macht Grok Imagine vom Nischen-Tool zu einer ernsthaften Option für Serienproduktion.
Was das für eure Projekte bedeutet
Für die Praxis in der KI-Videoproduktion sind vor allem zwei Dinge relevant. Erstens senkt die native Text-zu-Video-Generierung die Einstiegshürde: Ideen lassen sich ohne vorgeschaltete Bildproduktion direkt als Clip testen, was Moodboards und schnelle Previz beschleunigt. Zweitens ist die Voice- und Charakter-Referenz der eigentliche Hebel für längere Formate – wer wiederkehrende Figuren über mehrere Szenen konsistent halten muss, spart damit aufwändige Nachbearbeitung. Die gestaffelten API-Preise erlauben zudem, bewusst zwischen Entwurfsqualität in 480p/720p und Auslieferung in 1080p zu wechseln und so Budget zu steuern.
Wichtig bleibt die Einschränkung beim Zugang: Die Voice-Referenz ist vorerst an höhere Abostufen bzw. eine direkte Vertriebsanfrage gebunden. Wer produktiv damit planen will, sollte den API-Zugang früh klären. Insgesamt lohnt es sich, Grok Imagine jetzt in die eigene Tool-Evaluierung aufzunehmen – besonders für charaktergetriebene Kurzformate, bei denen Konsistenz und Sekundenpreis entscheiden.