Grok Imagine Video 1.5とHappyHorse 1.1、native audio短尺か一枚起点APIか？
native audioを含む短尺をxAIで作るか、代表画像一枚のHappyHorse I2Vへ分けるかを判断します。
2026年10月19日にxAI full 1.5の能力表・発表・pricingと、Alibaba Cloud Model StudioのHappyHorse I2V・pricingを確認しました。Grok LiteやHappyHorse r2vは対象に含めません。
公式仕様の比較。生成結果の実測と、公式に記載された機能は分けて紹介します。根拠・検証範囲を見る
この記事の目次
native audioを一つのtaskへ含めるか画像起点へ分けるか
keyframeとnative audioを含む1–15秒のカットを直APIで記録するならGrok full 1.5、音声を別工程にしてfirst_frame一枚の3–15秒I2Vを再実行するならHappyHorseが候補です。音声の良し悪しは未測定です。
native audioを含むGrok taskか、音声を分けたHappyHorse I2Vかを先に決めます。
正式ID・入力・出力・料金単位
| 確認軸 | 左側 | 右側 | 判断メモ |
|---|---|---|---|
| 正式ID・経路 | grok-imagine-video-1.5 / xAI API | happyhorse-1.1-i2v / Alibaba Cloud Model Studio API | Grok Lite、Runway ID、HappyHorse r2vを混ぜない。 |
| 入力・参照 | 画像14・音声3、first/last/mid keyframe | first_frame画像1枚、JPEG/JPG/PNG/WEBP、最大20MB | 音声参照と画像1枚起点は別の入力設計。 |
| 出力・音声 | 1–15秒、480/720/1080p、native audio | 3–15秒、480P/720P/1080P。I2Vの比較では生成音声を前提にしない | native audioの有無とI2Vの尺を別欄で確認。 |
| 料金単位 | 入力画像 $0.01/枚＋出力480/720/1080p $0.08/$0.14/$0.25 per sec | Singapore International $0.07/$0.14/$0.18 per sec | 解像度・地域・入力条件を揃えず順位を出さない。 |
入力資産と経路を分ける
Grokでは画像・音声参照の数、keyframe位置、native audio、解像度を記録します。入力画像は$0.01/枚として出力秒課金と分けます。HappyHorseではfirst_frame一枚の画像形式・サイズ・比率、3–15秒、リージョンを記録し、音声は別編集工程へ置きます。Grokの音声参照をHappyHorseの入力仕様へ移せると推測しません。
Grokの音声カット
- first/last/midの位置を保存。
- 画像14・音声3の数を確認。
- native audioを出力条件へ記録。
HappyHorseの画像カット
- 代表画像をfirst_frameへ決定。
- 3–15秒・解像度を指定。
- 音声合成/編集を別工程で管理。
ペア固有の仮想工程
仮の編集条件（実際の生成結果ではありません）
コーヒー器具の使用手順を、商品画像5枚、手元画像3枚、ナレーション参照1本から作る想定です。
- Grokでは画像8枚と音声1本を使い、first/lastを指定した10秒native audioタスクにする。
- HappyHorseでは商品正面の1枚をfirst_frameにして、手元の動きを8秒I2Vへ作り、ナレーションを別編集する。
- 手順の順序、音声同期、ロゴ、ファイル形式を受入票で確認する。
native audioを含めるか、画像起点の映像と音声を分離するかがこのペアの具体的な選択です。
同条件の費用を記録する
Grokを720pで10秒出力だけなら$1.40です。入力画像6枚なら$0.01 × 6 = $0.06を加えた仮の合計は$1.46です。HappyHorse I2Vを720Pで10秒なら$1.40です。ただし同じ算術でも、Grokはnative audio付き出力、HappyHorseはI2V出力の単価であり、入力・編集費を含む意味は異なります。
同額を品質や速度の証拠にせず、Grokの音声参照とHappyHorseの画像形式・リージョンを別々に台帳化します。
実測と未確認範囲
Grok full 1.5のkeyframe・native audio・価格と、HappyHorse I2Vのfirst_frame・尺・価格を公式資料で確認しました。音声自然度、同期、人物・商品保持、処理速度、成功率は未測定です。HappyHorse 1.1のT2V/R2V仕様をI2Vへ広げません。
出典・確認範囲
確認日は2026-10-19です。
- xAI API｜Video capabilities overview：grok-imagine-video-1.5は1–15秒、480/720/1080p、最大14画像・3音声参照、first/last/mid keyframe、native audioを案内する。
- xAI｜Grok Imagine Video 1.5：Grok Imagine Video 1.5をxAI APIのgrok-imagine-video-1.5として案内し、画像起点・プロンプト・native soundを発表する。
- xAI API｜Pricing：grok-imagine-video-1.5の直接API価格は入力画像 $0.01/枚と、出力480p $0.08/秒、720p $0.14/秒、1080p $0.25/秒を掲載する。
- Alibaba Cloud Model Studio｜HappyHorse image-to-video API reference：HappyHorse 1.1 image-to-videoの正式ID happyhorse-1.1-i2v、Singaporeを含む非同期Video Synthesis API、first_frame画像1枚、JPEG/JPG/PNG/WEBP、480P/720P/1080P、3–15秒を案内する。
- Alibaba Cloud Model Studio｜HappyHorse 1.1 reference-to-video：正式ID happyhorse-1.1-r2vと最大9枚の参照画像を案内し、HappyHorse 1.1の複数参照経路をI2Vと区別する。
- Alibaba Cloud Model Studio｜Model pricing：Singapore Internationalのhappyhorse-1.1-i2vは480P $0.07/秒、720P $0.14/秒、1080P $0.18/秒。標準動画生成は成功した出力durationで課金し、入力を課金しない一般式を案内する。
この条件で制作を相談する
用途・素材・尺・予算・希望時期が決まっている範囲で、株式会社志庵へ相談できます。掲載会社への一斉送信や契約は行いません。