Grok Imagine 1.5 vs Veo 3.1

上の各行は、Grok Imagine 1.5とVeo 3.1のページと同じ表から読み込んでいます。下の表では、2026年11月1日に確認したxAIとGoogleによる各モデルのドキュメントの内容と、DreamBenchでの扱いを並べています。

DreamBenchの動画では、すべてのシーンに1つのモデルを使うので、自分のアイデアで比べるには、それぞれのモデルで1回ずつ、計2回作ってください。

xAIはGrok Imagine 1.5を、画像から動画を作るモデルとして紹介しています。開始画像を渡し、動きを描写するという使い方です。DreamBenchの「動画」ページでは、言葉だけから作ります。Film Studioでは、DreamBenchが、動画1本につき最大8枚の参照画像、またはDreamBenchがデザインしたキャラクターや場所から、各クリップの開始フレームを描き、Grok Imagine 1.5がそのフレームをサウンド付きで動かします。参照画像そのものがモデルに届くことはありません。

Film Studioでは、Veo 3.1は2つの方法で動きます。フルモデルは、DreamBenchが参照画像から作る設定シートを各シーンに最大3枚受け取ります。Googleはこれを素材（ingredients）と呼んでいます。Googleがこれを受け付けるのは8秒のクリップだけなので、そのシーンは8秒になります。Veo 3.1 FastとVeo 3.1 Liteは設定シートを受け取りません。Grok Imagine 1.5と同じように、DreamBenchがそこから開始フレームを作り、モデルがそれを動かします。

どちらの開発元のツールも、クリップの終わりを固定できます。xAIのドキュメントでは、最後のフレーム、最初と最後のフレーム、クリップ内の最大4つのキーフレームが説明されており、Googleは3つのVeo 3.1のグレードすべてで最初と最後のフレームを説明しています。DreamBenchの作成画面には、どちらのモデルでも最後のフレームのスロットがありません。シーンの終わり方は、そのプロンプトに書きます。

「動画」ページでは、Grok Imagine 1.5のクリップは4〜15秒、Veo 3.1のクリップは4、6、8秒です。Film Studioでは、新しい映像は3〜12秒のクリップに分けられるので、Grok Imagine 1.5のシーンは最大12秒、Veo 3.1のシーンはすべて4、6、8秒です。どちらにしても、長い動画はシーンを増やしてつなげます。Starterで最大30秒、Plusで2分、UltraとStudioで5分です。

Grok Imagine 1.5は、同じモデルで720pと1080pをレンダリングします。Veo 3.1は、Veo 3.1 Fastで720p、フルモデルで1080pか4Kをレンダリングし、FastとLiteはそれ自体でも720pと1080pを作ります。xAIのAPIには480pや、21:9のようなより縦長・横長の比率もありますが、DreamBenchでは、Grok Imagine 1.5は1:1、16:9、9:16、4:3、Veo 3.1は16:9と9:16のフレームに対応します。

Grok Imagine 1.5だけ

• 「動画」ページで、1クリップ最大15秒。
• 1:1と4:3のフレーム。
• Film Studioで最大12秒のシーン。Veo 3.1のシーンはすべて4、6、8秒です。

Veo 3.1だけ

• フルモデルで4Kをレンダリングします。
• フルモデルで、各シーンに参照用の設定シートを受け取ります。
• 3つのグレードがあります：完成作品向けのVeo 3.1、広告やすばやいテスト向けのFast、試作や大量制作向けのLite。
• SynthIDが付きます。動画がAIで生成されたことを示す、Googleの目に見えない透かしです。

各モデルの機能の一部は、DreamBenchではなく開発元のものです。xAIのAPIでは、無音のGrok Imagine 1.5のクリップを作ったり、最大3人の話者にプリセットの声を割り当てたりでき、xAIのVideo 1.5 Fastはgrok.com/imagineと同社のアプリで動きます。Googleのツールでは、Veo 3.1のクリップを延長したり、1つのプロンプトから複数のテイクを返したりできます。DreamBenchでは、どちらのモデルも常にサウンドを生成し、クリップは1ショットで、新しい指示を与えてシーンを変えます。

Googleによると、特に短いセリフでのVeo 3.1の一貫した話し声は、まだ開発が進行中の分野です。xAIによると、Grok Imagine 1.5の話し声は前のモデルより明瞭で同期も良くなっていますが、話せる言語の一覧は公開していません。

Grok Imagine 1.5には、動きを軸にした短いショットの指示を書きます：カメラワーク、被写体とその動作、クリップのどの時点で起きるか、舞台と光、そしてサウンド。Film StudioではクリップはDreamBenchが描いたフレームから始まるので、フレームに何があるかではなく、そこから何が動くかを描写します。話すセリフは短く、引用符で囲みます。

Veo 3.1には、Google Cloudの順番に従って書きます：撮影技法、被写体、動作、状況、そしてスタイルと雰囲気。ショットは映画のショットのように名前で呼び、レンズとカメラワークを添えます。そのあと、サウンドを独立した文で書きます：話すセリフは名前のある話者とともに引用符で、効果音は「SFX:」、場所の音は「Ambient noise:」です。Google Cloudは、Veo 3.1のプロンプト言語として英語を挙げています。

• 長さ：Veo 3.1のセリフは1秒に約2語として、8秒で12〜14語以内にします。15秒のGrok Imagine 1.5のクリップなら、もっと多く入ります。
• 言葉の選び方：どちらのモデルでも、ほしいものを描写します。「人がいない」ではなく、誰もいない通り。
• 音楽：DreamBenchのVeo 3.1のプロンプト案は、セリフ、効果音、環境音にとどめています。Grok Imagine 1.5では、ほしい音楽があれば名前を挙げて書きます。

「動画」ページでは、どちらにもプロンプトが書いたとおりに届きます。Film Studioでは、DreamBenchがあなたの指示文から各シーンのプロンプトを書きます。Veo 3.1プロンプトガイドには、コピーして使える例があります。

2026年11月1日に確認：Gemini Enterprise Agent Platform上のGoogle CloudのVeo 3.1のページには、Veo 3.1とVeo 3.1 Fastの提供終了日として「2026年11月17日以降」と記載され、同プラットフォームでプレビュー版のVeo 3.1 Liteには記載がありません。DreamBenchがVeo 3.1を動かしているサービスであるfalのVeo 3.1のページには、このエンドポイントは「2026年11月17日に非推奨になります」とあります。同じ日に確認したxAIのページには、Grok Imagine Video 1.5の終了日は示されていません。