马斯克旗下人工智能公司xAI近日宣布，其研发的Grok Imagine Video 1.5视频生成模型正式结束预览阶段，现已通过xAI API向全球开发者开放。这款以"静态图转动态视频"为核心功能的新模型，在音画同步、物理模拟和生成效率三大维度实现突破性升级。
在音频与画面协同技术方面，该模型突破传统分步生成模式，实现单次运算同时输出环境音效、背景音乐和人物对话。通过自主研发的声画对齐算法，能够精准匹配音频波形与肢体动作时间轴，使人物口型开合与语音节奏完全同步。测试数据显示，在包含复杂对话的短视频场景中，语音清晰度较前代提升37%，口型误差率降低至2.1%以内。
物理引擎的革新是本次升级的核心亮点。研发团队重构了运动模拟算法，通过引入三维空间动力学模型，有效解决了前代产品中常见的肢体扭曲和物体悬浮问题。新模型可精准计算物体质量、摩擦力和空气阻力等参数，在测试案例中，人物行走时衣摆摆动频率与步频匹配度达92%，抛掷物体的抛物线轨迹误差控制在4%以内，动态效果更接近真实物理世界。
针对创作效率痛点，团队开发了双模式生成架构。标准模式下可保持画质精度，Fast模式则通过动态分辨率调整技术，将6秒720p视频的生成时间从40秒压缩至25秒。实测表明，在保持画面细节的前提下，整体处理速度提升38%，特别适合需要快速迭代的短视频创作场景。
开发者可通过API接口调用该模型，仅需上传起始图片、设定运动参数并选择输出规格，即可自动生成带同步音频的完整视频。目前支持720p至4K分辨率输出，时长范围覆盖3-15秒。xAI工程师透露，后续版本将增加多镜头切换和场景过渡功能，进一步拓展创作维度。
