Grok Imagine 1.5 vs Veo 3.1

上面每一行都与 Grok Imagine 1.5 和 Veo 3.1 页面读取自同一组表格。下表在旁边列出 xAI 和 Google 为每个模型记录的内容（查阅于 2026 年 11 月 1 日），以及 DreamBench 对它的用法。

一个 DreamBench 视频的所有场景都使用同一个模型，所以想用你的创意比较两者，就做两遍，每个模型各做一遍。

xAI 把 Grok Imagine 1.5 定位为图生视频模型：给它一张起始图片，再描述运动。在 DreamBench 的“视频”页面上，它只根据你的文字生成。在 Film Studio 中，DreamBench 会根据你的参考图（每个视频最多 8 张），或它设计的角色和地点，为每个片段绘制一张首帧，再由 Grok Imagine 1.5 让这一帧带着声音动起来。参考图本身从不会发送给模型。

Veo 3.1 在 Film Studio 中有两种工作方式。完整模型接收 DreamBench 依据你的参考图制作的设定图，每个场景最多 3 张，Google 称之为 ingredients（素材）；Google 只在 8 秒片段上接受它们，所以这些场景为 8 秒。Veo 3.1 Fast 和 Veo 3.1 Lite 不接收设定图：DreamBench 会像为 Grok Imagine 1.5 做的那样，依据设定图制作一张首帧，再由模型让它动起来。

两家开发方自己的工具还能固定片段的结尾。xAI 的文档介绍了尾帧、首尾帧，以及片段内最多 4 个关键帧；Google 介绍了 Veo 3.1 全部三个版本上的首尾帧。DreamBench 的创作面板在两个模型上都没有尾帧槽位：场景在哪里结束，写在它的提示词里。

在“视频”页面上，Grok Imagine 1.5 的片段为 4 到 15 秒，Veo 3.1 的片段为 4、6 或 8 秒。在 Film Studio 中，一部新影片会被切分为 3 到 12 秒的片段，所以 Grok Imagine 1.5 的场景最长 12 秒，而每个 Veo 3.1 场景为 4、6 或 8 秒。无论哪种，更长的视频都是把更多场景拼接起来：Starter 最长 30 秒，Plus 最长 2 分钟，Ultra 和 Studio 最长 5 分钟。

Grok Imagine 1.5 在同一个模型上渲染 720p 和 1080p。Veo 3.1 用 Veo 3.1 Fast 渲染 720p，用完整模型渲染 1080p 或 4K，Fast 和 Lite 本身也能生成 720p 和 1080p。xAI 的 API 还列出了 480p，以及更高或更宽的画面比例，比如 21:9；在 DreamBench 上，Grok Imagine 1.5 支持 1:1、16:9、9:16 和 4:3 画幅，Veo 3.1 支持 16:9 和 9:16。

只有 Grok Imagine 1.5

• 在“视频”页面上，一个片段最长 15 秒。
• 支持 1:1 和 4:3 画幅。
• 在 Film Studio 中，场景最长 12 秒，而每个 Veo 3.1 场景为 4、6 或 8 秒。

只有 Veo 3.1

• 完整模型能渲染 4K。
• 完整模型在每个场景中接收你的参考设定图。
• 提供三个版本：Veo 3.1 用于成品，Fast 用于广告和快速测试，Lite 用于草稿和批量制作。
• 带有 SynthID，这是 Google 的隐形标记，用来标识视频由 AI 生成。

两个模型的部分功能属于开发方，而不属于 DreamBench。xAI 的 API 可以生成无声的 Grok Imagine 1.5 片段，并为最多 3 个说话人提供预设嗓音；xAI 的 Video 1.5 Fast 在 grok.com/imagine 和它的应用中运行。Google 的工具能延长 Veo 3.1 片段，并为同一提示词返回多个结果。在 DreamBench 上，两个模型始终生成声音，一个片段就是一个镜头，想修改场景就给它新的指示。

Google 表示，Veo 3.1 语音的一致性，尤其是短台词，仍在积极改进中。xAI 说 Grok Imagine 1.5 的语音比上一代模型更清晰、同步更好，但没有公布它能说的语言列表。

给 Grok Imagine 1.5 写一份围绕运动的简短镜头简报：运镜、主体及其动作、在片段中何时发生、场景和光线，然后是声音。在 Film Studio 中，片段从 DreamBench 已经绘制好的一帧开始，所以要描述从那一帧开始什么在动，而不是画面里有什么。台词要短，并放在引号里。

给 Veo 3.1 写提示词，按 Google Cloud 的顺序：摄影手法、主体、动作、背景，然后是风格和氛围，镜头要像电影镜头那样命名，并写明镜头焦段和运镜。然后用单独的句子写声音：台词放在引号里并写明说话人，音效用“SFX:”，环境声用“Ambient noise:”。Google Cloud 列出的 Veo 3.1 提示词语言是英语。

• 长度：Veo 3.1 的台词按每秒约 2 个词来规划，8 秒内不超过 12 到 14 个词；15 秒的 Grok Imagine 1.5 片段能容纳更多。
• 措辞：在两个模型上都描述你想要的内容，比如写一条空荡的街道，而不是“没有人”。
• 音乐：DreamBench 的 Veo 3.1 提示词思路只写对白、音效和环境声；在 Grok Imagine 1.5 上，想要什么音乐就点名写出。

在“视频”页面上，两者收到的都是原样的提示词；在 Film Studio 中，DreamBench 会根据你的简报写出每个场景的提示词。Veo 3.1 提示词指南有可直接复制的示例。

查阅于 2026 年 11 月 1 日：Gemini Enterprise Agent Platform 上的 Google Cloud Veo 3.1 页面为 Veo 3.1 和 Veo 3.1 Fast 列出的停用日期是“2026 年 11 月 17 日或之后”，没有为在该平台仍处于 Preview 阶段的 Veo 3.1 Lite 列出停用日期。DreamBench 运行 Veo 3.1 所用的服务 fal，在 fal 的 Veo 3.1 页面上说，该端点“将于 2026 年 11 月 17 日弃用”。同一天查阅的 xAI 页面没有显示 Grok Imagine Video 1.5 的停用日期。