Grok Imagine Video 1.5 ～参照画像と音声で人物を固定できる動画生成～

xAI は動画生成モデル「Grok Imagine Video 1.5」に新機能を追加しました。文章だけで動画を作れる「テキストからの動画生成」、最大 1080p の高画質出力、そして人物の顔や声を固定できる参照機能が加わりました。写真や声のサンプルを渡すだけで、同じキャラクターでも一貫した姿と声で動画に登場させられます。

これまでの Grok Imagine Video 1.5 は、元になる画像を用意してから動画に変換する方式が中心でした。今回のアップデートでは、文章だけで動画を作る「テキストからの動画生成」が使えるようになります。作りたい場面を言葉で説明すると、内部でまず画像が生成され、その画像を元に動画へと展開される仕組みです。 あわせて、テキストからの動画生成と画像からの動画生成の両方で、フル HD にあたる 1080p での出力に対応しました。これまでよりもきめ細かい映像を書き出せるようになっています。 これらの機能は、まず grok.com/imagine と iOS アプリ、Android アプリで利用できます。

新しく加わった参照機能では、キャラクターの写真と声のサンプルを 1つずつ渡すことで、複数の場面にまたがっても同じ顔と同じ声を保った動画を作れます。これまでの動画生成では、場面が変わるたびに人物の見た目や声が微妙にずれてしまうことがありましたが、この仕組みによって同一人物として認識しやすい映像に仕上がります。 米国では SuperGrok Heavy と SuperGrok Plus のユーザー向けに提供が始まっており、他のプランにも数日かけて広げていく予定とのことです。

「マルチリファレンス」という機能では、参照画像を最大 7枚まで組み合わせて動画を作れます。それぞれの画像は、人物・製品・場所といった要素を 1つずつ固定する役割を持ちます。たとえば、同じ人物のまま背景だけを変えたり、同じ場所のまま登場人物を入れ替えたり、人物と場所はそのままで動きだけを変えたりといった使い方ができます。 紹介されている例では、司会者の写真とポッドキャストスタジオの写真を組み合わせることで、その人物がスタジオで話している様子の動画が作られています。

画像参照とテキストからの動画生成、1080p 出力は、xAI の API でも「grok-imagine-video-1.5」というモデル名ですでに利用できます。声の参照機能については、現時点では個別に問い合わせる形での提供となっています。開発者は、参照画像の URL や動画の長さ、画面比率、解像度などをパラメータとして指定し、動画生成を呼び出せます。

今回のアップデートは、動画生成 AI が「一貫した人物」を扱いやすくなったという点で分かりやすい進歩です。今までは同じ人が出てくる動画をいくつも作ろうとすると、場面ごとに顔や声が変わってしまうことが悩みの種でしたが、写真と声のサンプルを 1つ用意しておけば、そのキャラクターらしさを保ったまま複数の動画を作れるようになります。 パソコンやスマートフォンの操作に慣れていない方でも、写真を 1枚選んで文章を入力するだけで動画が作れる点は、今後さらに使いやすさが広がっていく分野だと感じます。ご興味のある方は、まずは grok.com/imagine から実際の画面を覗いてみるのもおすすめです。