xAI hat Grok Imagine Video 1.5 Lite veröffentlicht, eine destillierte Variante seines Videomodells, die auf schnellere Generierung ausgelegt ist. Nutzer können kurze Clips aus Texteingaben oder Bildern erstellen, auch mit nativem Ton. Das neue Modell ergänzt Grok Imagine Video 1.5, liegt in der Bewertung von Artificial Analysis allerdings bei den meisten untersuchten Fähigkeiten hinter der Vollversion.
Clips bis 15 Sekunden und sieben Seitenverhältnisse
Lite unterstützt zwei Eingabearten: Videos lassen sich aus Text oder aus einem Bild generieren. Die Länge des fertigen Clips kann zwischen 1 und 15 Sekunden liegen; zu den unterstützten Funktionen gehört nativer Ton.
Als Ausgabeauflösungen stehen 480p, 720p und 1080p zur Verfügung. Hinzu kommen sieben Seitenverhältnisse, darunter das Breitbildformat 16:9 und das Hochformat 9:16.
Laut der veröffentlichten Modellbeschreibung wird die als 1080p bezeichnete Ausgabe zunächst in 720p gerendert und anschließend hochskaliert. Die fertigen Einzelbilder haben damit 1080p-Abmessungen, ihre nativen Bilddetails stammen jedoch aus dem 720p-Rendering.
Im Ranking vor Veo 3.1, bei den Fähigkeiten hinter der Vollversion
Artificial Analysis führte Lite zum Zeitpunkt der Veröffentlichung auf Platz 17 der Ranglisten AA-Video-T2V v2.0 und AA-Video-T2V-Silent v2.0. Im genannten Vergleich lag das Modell damit zwei Plätze vor Google Veo 3.1.
Für die Generierung eines zehnsekündigen Clips in 1080p maß Artificial Analysis eine mediane Verarbeitungszeit von 60,5 Sekunden. In seinem Geschwindigkeitsvergleich mit 12 Modellen ordnete der Evaluator Lite auf der Pareto-Grenze ein: Keines der verglichenen Modelle übertraf es gleichzeitig bei Qualität und Geschwindigkeit.
Der Vergleich mit dem vollständigen Grok Imagine Video 1.5 zeigt den Kompromiss der schlankeren Variante. Laut Artificial Analysis erreicht Lite in der Kategorie Physics denselben Wert, bleibt aber in den übrigen neun Fähigkeitsgruppen zurück. Der kleinste Abstand zwischen den beiden Versionen liegt bei Multi-Scene & Narrative.
Stärker bei Szenenübergängen und Beleuchtung, schwächer bei Dialogen
Der Benchmark AA-Video-T2V v2.0 bewertet zehn Fähigkeiten und zehn Anwendungsbereiche. In den Ergebnissen von Artificial Analysis kommt Lite der Qualitätsgrenze in den Kategorien Multi-Scene & Narrative, Lighting & Materials und Text Rendering am nächsten. Diese untersuchen unter anderem die Kontinuität zwischen Einstellungen, die Beleuchtung und die Darstellung von Text.
Die größten Defizite stellte der Evaluator dagegen bei Dialogue & Lip Sync und Human Anatomy fest.
Bei den Anwendungsbereichen fallen die Ergebnisse von Artificial Analysis für Architecture & Real Estate, Consumer content und Productivity & Knowledge Work am besten aus. Dazu zählen Innenraum-Rundgänge und die virtuelle Einrichtung von Immobilien ebenso wie persönliche Videos und ergänzendes Filmmaterial. Die Bewertung umfasst außerdem Erklärclips und animierte Datenvisualisierungen.
Zugang über xAI API, fal und Vercel AI Gateway
Das Modell ist über die xAI API, fal und Vercel AI Gateway verfügbar. Vercel stellt es über eine experimentelle Videofunktion im AI SDK bereit.
xAI berechnet pro Sekunde Ausgabe 0,14 USD bei 1080p, 0,03 USD bei 720p und 0,02 USD bei 480p; in 1080p ist Lite damit 44 % günstiger als das vollständige Grok Imagine Video 1.5 und 65 % günstiger als Veo 3.1 mit Ton.
Die verfügbaren Einstellungen unterscheiden sich je nach Anbieter. xAI, fal und Vercel können unterschiedliche Anfragefelder unterstützen, und einige Kataloge von Drittanbietern bieten für Lite nur die Auflösungen 480p und 720p an.
