在AI视频生成领域，一场激烈的竞争正悄然上演。近日，xAI推出的Grok图像转视频模型（grok-image-video-720p）凭借卓越表现，成功登顶全球知名评测平台「Image-to-Video Arena」排行榜，以1404分的ELO评分力压谷歌Veo 3.1 Fast等一众强敌，成为行业焦点。这一突破不仅标志着AI视频技术进入新阶段，更因其低成本优势引发广泛关注。
作为xAI的「王牌」产品，Grok Imagine被团队称为「视频+音频」生成领域的「多面手」。该模型支持通过文本描述或上传静态图片生成10秒的720p高清视频，在运动流畅度、音频质量（如情感表达）和指令遵循能力上实现显著提升。用户只需输入简单指令，即可让静态图片「活」过来，甚至直接生成包含复杂镜头语言的电影级片段。X平台上，网友已用Grok制作出涵盖动画、特效、日常场景的多样化视频，形成刷屏效应。
技术层面，Grok Imagine的突破体现在三大核心能力：其一，强大的指令遵循能力使其能精准理解复杂描述，无论是场景细节、动作节奏还是光影效果，均可通过文本或图像输入实现；其二，零门槛视频编辑功能允许用户直接修改现有视频内容，如更换背景、添加物体或调整镜头运动，无需专业软件；其三，通过极限优化延迟与成本，模型在保持高质量的同时，将生成速度提升至行业领先水平，API定价约4.2美元/分钟，显著低于谷歌等竞品。
尽管Grok Imagine在创意短片生成和快速原型设计领域表现亮眼，但评测机构也指出其存在视频质量偶发抖动、长片段一致性不足等问题。不过，其低成本和易用性仍使其成为短视频社交内容创作的理想工具。目前，用户可通过xAI官网（grok.com/imagine）、APP或API集成免费体验这一技术成果。随着Grok的强势入局，AI视频领域的竞争格局或将迎来新一轮洗牌。
