Erzeugt Grok AI Videos? Was es 2026 kann und was nicht

Was Grok Imagine tatsächlich leistet

Grok Imagine läuft auf der Aurora-Engine von xAI und deckt laut der eigenen Dokumentation von xAI mehr als nur eine einzelne Funktion ab. Du erhältst Text-zu-Video (du beschreibst eine Szene und bekommst einen Clip), Bild-zu-Video (du animierst ein Standbild), Videobearbeitung (du änderst Objekte, Wetter oder Stil mit einem Prompt), Referenz-zu-Video (du steuerst eine Generierung mit Referenzbildern) und Videoerweiterung (du setzt einen Clip ab seinem letzten Frame fort). Audio wird im selben Durchlauf erzeugt – Umgebungsgeräusche, Musik, Soundeffekte und kurze lippensynchronisierte Dialoge – statt nachträglich hinzugefügt zu werden.

Ein Detail sorgt häufig für Verwirrung, deshalb sage ich es ganz deutlich: Die Funktionen verteilen sich auf verschiedene Modell-IDs. Das vollständige Modell grok-imagine-video unterstützt Text-zu-Video und Referenz-zu-Video. Die neuere Vorschau grok-imagine-video-1.5 ist auf Bild-zu-Video ausgerichtet und unterstützt laut der Dokumentation von xAI kein Text-zu-Video oder Referenz-zu-Video. Wenn du einen Leitfaden liest, in dem steht „Grok unterstützt Text-zu-Video“, und deinen Code dann auf die 1.5-Vorschau richtest, in der Erwartung, dass sie einen reinen Text-Prompt akzeptiert, erhältst du eine Fehlermeldung und verlierst einen halben Nachmittag. Prüfe die Modell-ID anhand des Modus, den du tatsächlich benötigst.

Wie lang kann ein Grok-Video sein?

Kurz. Die API akzeptiert eine duration von bis zu 15 Sekunden, aber der praktische Sweet Spot liegt bei 6–10 Sekunden – lang genug für einen Hook, einen Produktteaser oder einen Bewegungstest, nicht jedoch für eine Szene mit einem erzählerischen Spannungsbogen. Die Auflösung ist derzeit auf 720p begrenzt; die 1080p-„Pro“-Stufe, die Elon Musk für April 2026 angekündigt hatte, hat ihr Zeitfenster verpasst und besitzt zum Zeitpunkt dieses Schreibens noch keinen neuen öffentlichen Termin. Die Ausgabe erfolgt mit 24 fps.

Diese Obergrenze ist der ehrliche Kompromiss. Grok ist pro Clip schnell und günstig, dafür sind Länge und Auflösung begrenzt. Wenn dein Projekt aus kurzen Social-Media-Inhalten besteht, werden dich Groks Limits nicht stark einschränken. Wenn du eine 4K-Heldenaufnahme oder eine zusammenhängende 15-Sekunden-Aufnahme benötigst, schaust du dich bereits nach einem anderen Modell um – und genau darum geht es in den nächsten beiden Abschnitten.

Können Entwickler über eine API auf Grok-Video zugreifen?

Ja, direkt über xAI. Der Endpunkt lautet POST https://api.x.ai/v1/videos/generations mit Authorization: Bearer $XAI_API_KEY; du übermittelst einen Prompt, erhältst eine Anfrage-ID zurück und fragst anschließend nach dem fertigen Clip. Die Abrechnung erfolgt pro Sekunde erzeugten Videos, wobei sowohl Dauer als auch Auflösung die Kosten beeinflussen – der Preis von xAI für 720p liegt pro Sekunde ungefähr bei 0,08 $, außerdem wird jedes Bild oder Video berechnet, das du als Eingabe übergibst. Es gibt auch einen mit OpenAI kompatiblen Zugang (base_url="https://api.x.ai/v1"), falls du lieber kein neues SDK lernen möchtest.

Hier ist der Punkt, den man klar aussprechen sollte, denn genau deshalb gibt es diesen Artikel: Grok-Video ist ein direkt von xAI (oder ausgewählten Partnern) angebotenes Produkt und nicht auf GPT Proto verfügbar. Was GPT Proto aus der Grok-Familie hostet, ist das Bildmodell – grok-imagine-image – für 0,012 $ pro Bild gegenüber einem Marktvergleichswert von 0,02 $. Wenn du Groks Bildgenerierung suchst, ist das eine Integration mit nur einem Aufruf und einem Schlüssel, den du möglicherweise bereits besitzt:

import requests
 
resp = requests.post(
    "https://gptproto.com/v1/images/generations",
    headers={
        "Authorization": "GPTPROTO_API_KEY",   # your key, format sk-xxxxx
        "Content-Type": "application/json",
    },
    json={
        "model": "grok-imagine-image",
        "prompt": "A neon-lit Tokyo alley at night, rain reflections on the pavement, cyberpunk mood",
        "n": 1,
        "aspect_ratio": "16:9",
    },
)
 
print(resp.json()["data"][0]["url"])

Dieser Aufruf ist synchron – die Bild-URL wird direkt in der Antwort zurückgegeben, ohne Abfragen. Für Videos benötigst du ein Modell, das GPT Proto tatsächlich anbietet; darum geht es im nächsten Abschnitt.

Wie gut ist Grok-Video wirklich?

Gut, aber nicht mehr das beste – und die Lücke zwischen diesen beiden Aussagen ist die ganze Geschichte.

Die Tatsache: Als xAI Ende Januar 2026 die Grok Imagine API startete, belegte sie sowohl bei Text-zu-Video als auch bei Bild-zu-Video den ersten Platz in der Video Arena von Artificial Analysis, einer Rangliste auf Grundlage von Blindbewertungen durch Menschen. Das war real.

Ebenfalls eine Tatsache: Diese Platzierung wurde inzwischen überholt. In der aktuellen Video-Arena-Rangliste führt ByteDances Dreamina Seedance 2.0 bei Bild-zu-Video mit Audio (Elo 1194), während Groks 1.5-Vorschau den zweiten Platz belegt (1111); bei Text-zu-Video liegen Alibabas HappyHorse-1.0 und Seedance 2.0 vorn, Kling 3.0 folgt auf Platz drei und grok-imagine-video liegt ungefähr auf Platz fünf (1232). Die „Platz 1“-Aussage von xAI zum Start ist in der aktuellen Rangliste also nicht mehr korrekt – Grok gehört zu den fünf besten Modellen, ist aber nicht mehr führend.

Meine Einschätzung – und ich kennzeichne das als Urteil, nicht als Messung – lautet, dass Groks Stärke in der Geschwindigkeit und den Kosten für kurze, auf Social Media ausgerichtete Clips liegt, nicht in der Qualität des finalen Renderings. Wenn du die am höchsten bewertete Ausgabe möchtest, sind die Modelle, die es in der neutralen Rangliste übertreffen, zufällig genau jene, die du heute über GPT Proto aufrufen kannst.

Du möchtest jetzt per API Videos erzeugen? Nutze diese Modelle auf GPT Proto

Da Grok-Video nicht auf der Plattform verfügbar ist, findest du hier die Alternativen, die GPT Proto hostet – darunter bemerkenswerterweise mehrere der Modelle, die Grok in der Video Arena übertreffen:

• Dreamina Seedance 2.0 – der aktuelle Spitzenreiter der Arena für Videos mit synchronisiertem Audio, 4–15-Sekunden-Clips mit nativem Audio, 0,2957 $ pro Ausführung.
• Kling v3.0 Std – starkes Text-zu-Video mit kinematischer Bewegung, 0,2016 $ pro Ausführung.
• Vidu Q3 Pro – 16-Sekunden-Clips in 720p mit nativer Audio-Video-Synchronisierung und die günstige Wahl für 0,04 $ pro Ausführung.
• Hailuo 2.3 Standard – Bild-zu-Video, 768p, bis zu 10 Sekunden, 0,252 $ pro Ausführung.
  Der entscheidende Kompromiss: Diese Modelle laufen nach dem asynchronen Muster von GPT Proto (übermitteln und anschließend das Ergebnis abfragen), was einige zusätzliche Zeilen gegenüber einem synchronen Bildaufruf bedeutet. Hier ist Seedance 2.0 von Anfang bis Ende:

import requests
import time
 
# 1. Submit the generation
submit = requests.post(
    "https://gptproto.com/api/v3/bytedance/dreamina-seedance-2-0-260128/text-to-video",
    headers={
        "Authorization": "GPTPROTO_API_KEY",   # your key, format sk-xxxxx
        "Content-Type": "application/json",
    },
    json={
        "prompt": "A red fox trotting across a snowy field at dawn, breath visible in the cold air, soft ambient wind",
        "duration": 5,
        "aspect_ratio": "16:9",
        "resolution": "720p",
        "generate_audio": True,
        "seed": -1,
    },
).json()
 
prediction_id = submit["data"]["id"]
 
# 2. Poll until the clip is ready
while True:
    result = requests.get(
        f"https://gptproto.com/api/v3/predictions/{prediction_id}/result",
        headers={"Authorization": "GPTPROTO_API_KEY", "Content-Type": "application/json"},
    ).json()
 
    status = result["data"]["status"]
    if status == "succeeded":
        print(result["data"]["outputs"])
        break
    if status in ("failed", "expired"):
        raise RuntimeError(f"Generation {status}")
    time.sleep(5)

Derselbe Schlüssel, dasselbe Abrechnungsguthaben, dasselbe Dashboard – du tauschst einfach den Modell-Slug in der URL aus, um zwischen Seedance, Kling, Vidu oder Hailuo zu wechseln, ohne die Integration neu schreiben zu müssen.

Inhaltsrichtlinie und kommerzielle Nutzung

Wenn du etwas für Kunden veröffentlichst, sind die Rahmenbedingungen genauso wichtig wie die technischen Daten.

Grok Imagine verfügt über einen „Spicy“-Modus, der anzüglichere Inhalte erlaubt als die meisten Mainstream-Generatoren, und steht deshalb stark in der Kritik: Im Januar 2026 leitete der kalifornische Generalstaatsanwalt eine aktive Untersuchung ein; hinzu kommen separate regulatorische Maßnahmen der EU (DSA) und des Vereinigten Königreichs. Die Acceptable Use Policy von xAI gilt für alle Oberflächen, einschließlich der Imagine API, und zieht klare Grenzen, die unverändert gelten: kein Material über sexuellen Kindesmissbrauch, keine pornografischen Darstellungen realer Personen, keine nicht einvernehmlichen intimen Bilder und keine Deepfakes realer Personen. xAI beschreibt den zulässigen Rahmen ungefähr als Äquivalent zu einem „R-rated movie“, und der Spicy-Modus selbst ist durch Altersverifizierung und einen kostenpflichtigen Tarif beschränkt und nur in der mobilen App verfügbar – er lässt sich nicht per API aktivieren.

Für die Produktion sind zwei praktische Hinweise wichtig. Es gibt keine unterstützte Möglichkeit, die Moderation auf Modellebene zu deaktivieren, sodass eine Generierung unabhängig von deinen Einstellungen eine verschwommene oder abgelehnte Ausgabe zurückgeben kann (eine 503-Antwort aufgrund der Inhaltsrichtlinie). Und nach dem EU-KI-Gesetz wird erwartet, dass du öffentlich veröffentlichtes, KI-generiertes Video als synthetisch kennzeichnest – integriere diese Kennzeichnung in deine Pipeline, statt sie später nachzurüsten.

Du möchtest Bild- oder Videogenerierung zu deinem Stack hinzufügen? Entdecke GPT Protos Grok-Bildgenerator und vergleiche die Videomodelle – ein Schlüssel, ein Guthaben, mehr als 200 Modelle.