xAI vydala Grok Imagine Video 1.5 Lite, destilovanou variantu svého video modelu zaměřenou na rychlejší generování. Uživatelé mohou vytvářet krátké klipy z textového zadání nebo obrázku, včetně nativního zvuku. Novinka rozšiřuje nabídku vedle plného Grok Imagine Video 1.5, proti němuž však v hodnocení Artificial Analysis ztrácí ve většině sledovaných schopností.
Klipy do 15 sekund a sedm poměrů stran
Lite podporuje dva způsoby zadání: generování videa z textu a generování z obrázku. Délku výsledného klipu lze nastavit od 1 do 15 sekund a součástí podporovaných možností je nativní zvuk.
Výstupní nastavení zahrnují rozlišení 480p, 720p a 1080p. Na výběr je sedm poměrů stran, mezi nimi širokoúhlý formát 16:9 a vertikální 9:16.
Podle zveřejněného popisu modelu vzniká výstup označený jako 1080p nejprve renderováním v 720p a následným zvětšením. Výsledné snímky odpovídají rozlišení 1080p, ale jejich nativní obrazový detail pochází z renderu v 720p.
V žebříčku před Veo 3.1, ve schopnostech za plnou verzí
Artificial Analysis v době publikace řadila Lite na 17. místo v žebříčcích AA-Video-T2V v2.0 i AA-Video-T2V-Silent v2.0. V uvedeném srovnání tak model stál o dvě příčky před Google Veo 3.1.
Při generování desetisekundového klipu v 1080p naměřila Artificial Analysis medián doby zpracování 60,5 sekundy. Ve svém rychlostním srovnání zahrnujícím 12 modelů zařadila Lite na Pareto hranici, tedy mezi modely, které žádný jiný ze srovnávaných modelů nepřekonává současně v kvalitě i rychlosti.
Srovnání s plným Grok Imagine Video 1.5 ukazuje kompromis odlehčené varianty. Podle Artificial Analysis dosahuje Lite stejného skóre v kategorii Physics, zatímco ve zbývajících devíti skupinách schopností zaostává. Nejmenší rozdíl mezi oběma verzemi je v Multi-Scene & Narrative.
Lépe vycházejí návaznost scén a osvětlení, hůře dialogy
Benchmark AA-Video-T2V v2.0 hodnotí deset schopností a deset typů použití. Ve výsledcích Artificial Analysis se Lite nejvíce přibližuje hranici kvality v kategoriích Multi-Scene & Narrative, Lighting & Materials a Text Rendering. Ty sledují mimo jiné návaznost záběrů, osvětlení a zobrazování textu.
Největší nedostatky naopak hodnotitel zaznamenal v Dialogue & Lip Sync a Human Anatomy, tedy v kategoriích zaměřených na dialogy, synchronizaci rtů a lidskou anatomii.
Z hlediska typů použití vyznívají výsledky Artificial Analysis nejlépe pro Architecture & Real Estate, Consumer content a Productivity & Knowledge Work. Do těchto skupin patří prohlídky interiérů či virtuální vybavení nemovitostí, ale také osobní videa a doplňkové záběry. Hodnocení zahrnuje rovněž vysvětlující klipy a animované vizualizace dat.
Přístup přes xAI API, fal a Vercel AI Gateway
Model je dostupný prostřednictvím xAI API, fal a Vercel AI Gateway. Vercel jej zpřístupňuje přes experimentální nástroj pro video v AI SDK.
xAI stanovila sazby za sekundu výstupu na 0,14 USD při 1080p, 0,03 USD při 720p a 0,02 USD při 480p; v rozlišení 1080p je Lite o 44 % levnější než plný Grok Imagine Video 1.5 a o 65 % levnější než Veo 3.1 se zvukem.
Dostupná nastavení se liší podle poskytovatele. xAI, fal a Vercel mohou podporovat odlišná pole požadavků a některé katalogy třetích stran nabízejí u modelu Lite pouze rozlišení 480p a 720p.
