Grok Imagineが参照画像7枚で顔と声を固定。1080p生成も一般提供に

Grok Imagine リファレンスは、xAIが動画モデルImagine Video 1.5に画像・音声リファレンスを追加しました。参照画像1枚が顔・製品・場所のいずれか1要素を固定し、1回の生成で最大7枚まで指定できます。

📖 この記事で分かること

• 参照画像1枚で顔・製品・場所を1つ固定できる
• 1回の生成で指定できる参照は最大7枚
• 顔と声を同時に固定し全シーンで維持できる
• 使える国・プラン・OSが機能ごとに異なる

💡 知っておきたい用語

• リファレンス(参照): 生成AIに「これを守って」と手渡す見本のこと。人物写真を渡すと、その顔立ちを保ったまま動く映像が作られます。

最終更新日: 2026年8月2日

▶ 公式ページ

• Grok Imagine を試す(grok.com)
• Imagine Video 1.5 with References(発表ページ)(x.ai)

Grok Imagine が画像と音声の参照指定に対応

この記事のポイント

• xAI は2026年7月31日、動画モデル Imagine Video 1.5(2026年8月時点)に画像・音声リファレンスを追加しました。
• 参照画像は1枚が1要素を固定し、1回の生成で最大7枚まで指定できます。
• 画像・音声リファレンスは米国の SuperGrok Heavy / SuperGrok Plus から先行提供され、数日かけて全ティアへ展開予定です。

xAI は2026年7月31日、動画生成モデル Imagine Video 1.5 に3つの機能を追加したと発表しました。追加されたのは、画像リファレンスと音声リファレンス、プロンプトだけから動画を作る text-to-video、そしてネイティブ1080p生成です。

同モデルは6月に投入されたもので、xAI は当時の改善点を「動き・物理・音声の向上」と説明していました。今回の更新はその延長にある画質の底上げというより、生成結果をどこまで指定どおりに固定できるかという制御性に寄っています。

参照画像1枚が1要素を固定する。上限は7枚

今回の中心は Multi-Reference です。参照画像は「1枚につき1つの要素」を固定する形で働きます。

xAI の説明では、1枚の参照画像が顔を、別の1枚が製品を、さらに別の1枚が場所を、それぞれ押さえます。この設計により、次のような組み合わせが可能になります。

• キャラクターを保持したまま、場面だけを差し替える
• 場面を保持したまま、キャラクターだけを差し替える
• 両方を保持し、動作だけを変える

1回の生成で指定できる参照は最大7枚です。要素ごとに別々の見本を割り当てられるため、どこを固定してどこを動かすかを生成のたびに選べます。

音声側も同様の考え方です。キャラクター画像と音声リファレンスを同時に渡すと、全シーンで同じ顔と同じ声が保たれる、と xAI は説明しています。カットをまたぐと人物の顔つきや声質がずれる点は動画生成で扱いにくい部分でしたが、今回はそこに参照という形で手当てが入りました。

機能ごとに使える条件が違う

今回の発表で注意が要るのは、追加された3機能の提供範囲がそろっていない点です。自分が使えるかどうかは、機能単位で確認する必要があります。

• 画像・音声リファレンス: 発表時点では米国が対象で、プランは SuperGrok Heavy と SuperGrok Plus(2026年8月時点)。提供面は grok.com/imagine と iOS です。xAI は数日かけて全ティアへ展開するとしています。
• text-to-video とネイティブ1080p: grok.com/imagine、iOS、Android で一般提供です。
• API【エーピーアイ】: 画像リファレンス、text-to-video、ネイティブ1080p はモデルID grok-imagine-video-1.5(2026年8月時点)で利用できます。音声リファレンスのみ申請ベースです。

公式のサンプルコードでは、duration=6、aspect_ratio="16:9"、resolution="720p" といったパラメータが示されています。料金については発表ページに記載がありません。

つまり、text-to-video と1080pは3つのプラットフォームで誰でも触れる状態にある一方、今回の目玉である参照機能は地域とプランで絞られた状態から始まっています。

編集部の見方

編集部は、今回の更新で実務に効くのは1080p対応よりも Multi-Reference だと見ます。

• 根拠1: 参照が「1枚1要素で最大7枚」という設計は、顔・製品・場所を別々に押さえられることを意味します。商用の映像制作で崩れやすいのは解像度よりも、カット間で人物や商品が同一に見えるかどうかです。
• 根拠2: 音声リファレンスにより顔と声が同時に保たれるため、複数カットをつなぐ用途で作り直しの回数を減らせます。
• 根拠3: 画像リファレンスは申請不要で API から使えます。手作業での生成だけでなく、制作パイプラインへ組み込む道が最初から開いています。

この見方が変わる条件: 全ティアへの展開が完了し、音声リファレンスも申請なしで API から使えるようになった時点で、評価の軸は再び生成品質と料金に戻ります。現時点では、参照機能を業務の前提に置けるのは米国の上位プラン利用者に限られます。

よくある質問

Q: 参照画像は何枚まで使えますか?

A: 1回の生成につき最大7枚です。1枚が1つの要素(顔・製品・場所など)を固定する形で働きます。

Q: 日本から画像リファレンスを使えますか?

A: 発表時点では米国での先行提供です。xAI は数日かけて全ティアへ展開するとしていますが、国別の提供時期は発表ページに記載がありません。

Q: API から音声リファレンスを使えますか?

A: 画像リファレンス、text-to-video、ネイティブ1080p はモデルID grok-imagine-video-1.5 で利用できます。音声リファレンスのみ、申請ベースでの提供です。

まとめ

xAI は2026年7月31日、Imagine Video 1.5 に画像・音声リファレンス、text-to-video、ネイティブ1080p生成を追加しました。参照画像は1枚が1要素を固定し、1回の生成で最大7枚まで使えます。text-to-video と1080pは grok.com/imagine・iOS・Android で一般提供される一方、参照機能は米国の SuperGrok Heavy と SuperGrok Plus から段階的に展開されます。

【用語解説】

• Multi-Reference: 複数の参照画像を同時に渡し、それぞれに別の役割(顔・製品・場所など)を持たせる指定方法。
• text-to-video: 開始画像を用意せず、文章の指示だけから動画を生成する方式。
• ネイティブ1080p: 生成後に拡大するのではなく、はじめから1080pの解像度で出力すること。

引用元:

• [1] Imagine Video 1.5 with References(x.ai)
• [2] Grok Imagine Video 1.5(x.ai)
• [3] Grok Imagine(grok.com)

この記事について: AI 支援で執筆、編集部が事実確認・編集しています。誤りや追加情報があれば Contact よりお知らせください。