Grok Imagine Video API: Text zu Video mit Python

Die Grok Imagine Video API arbeitet asynchron: Du schickst einen Prompt, legst damit einen Job an, fragst die Job-ID ab, bis er fertig ist, und lädst dann die MP4-Datei herunter. Das aktuelle Modell ist grok-imagine-video-1.5. Am 24. Oktober 2026 war unser 6-Sekunden-Clip in 720p 46 Sekunden nach der Anfrage fertig, und er hatte eine Tonspur.

Unten findest du das Skript, das direkt läuft, die Parameter, auf die es ankommt, was ein Clip kostet und wie lange er dauert, und die Fehler, auf die du stößt.

Kurze Antwort

• Modell: grok-imagine-video-1.5. Laut xAI hat 1.5 die Vorschau verlassen und ist seit dem 16. Juni 2026 allgemein verfügbar (xAI).
• Einstellungen: duration von 4 bis 15 Sekunden, resolution "720p" und ein ratio wie "16:9".
• Kosten: 0,14 USD pro Sekunde in 720p zur xAI-Liste, also 0,84 USD für einen 6-Sekunden-Clip (xAI-Modellseite, geprüft am 24. Oktober 2026).
• Zeit: Unser Job mit 6 Sekunden in 720p brauchte 46 Sekunden. Frag dieselbe Task-ID ab und lade die Datei innerhalb einer Stunde herunter.

Wie funktioniert die Grok Imagine Video API?

Der Job hat drei Schritte: anlegen, abfragen, herunterladen (xAIs Anleitung zur Videogenerierung, geprüft am 24. Oktober 2026).

In xAIs eigener API schickst du eine POST-Anfrage an https://api.x.ai/v1/videos/generations mit Modell-ID und Prompt und bekommst eine request_id zurück. Dann fragst du https://api.x.ai/v1/videos/{request_id} per GET ab, bis der Job done ist, und liest video.url (dieselbe Anleitung).

xAI empfiehlt grok-imagine-video-1.5-lite für einfache Videos und grok-imagine-video-1.5, wenn du Referenzen, Stimmen, festgelegte Einzelbilder oder natives 1080p brauchst (Video-Überblick, geprüft am 24. Oktober 2026). Für Standbilder behandelt die Anleitung zur Grok-Imagine-Bild-API die drei Bildmodelle von xAI; wenn du Grok mit anderen Video-APIs vergleichen willst, lies unsere Übersicht der Videomodelle.

OmniaKey verkauft API-Zugang zu Grok Imagine Video 1.5, deshalb lief das Beispiel darüber. Die Aufrufe sind POST https://api.omniakey.com/v1/media/tasks mit einem Idempotency-Key-Header, der mit 202 und einer id antwortet, und GET /v1/media/tasks/{id} für den Status (OmniaKey-Medienübersicht, geprüft am 24. Oktober 2026). Derselbe Ablauf aus Anlegen, Abfragen und Herunterladen gilt für die anderen Videomodelle in der Doku zur Video-API: Kling 3.0, Seedance, Wan 3.0, MiniMax H3 und HappyHorse. Alle Preise unten sind xAIs eigene.

Die Feldnamen von xAI stammen aus der Videos-API-Referenz, die von OmniaKey aus der Doku zur Video-API, beide geprüft am 24. Oktober 2026.

Welche Parameter kannst du setzen?

Der Prompt und drei Einstellungen entscheiden, was du bekommst.

• duration ist bei OmniaKey Pflicht und entscheidet den Preis (OmniaKey-Videodoku). Das Minimum von OmniaKey liegt für dieses Modell bei 4 Sekunden, das Maximum von xAI bei 15 (Anleitung zur Videogenerierung), bleib also zwischen 4 und 15.
• resolution: Schick "720p" klein geschrieben. OmniaKey liefert Grok-Video bis 720p (OmniaKey-Medienübersicht). xAIs eigene API ergänzt 480p als Standard und natives 1080p (Anleitung zur Generierung).
• ratio nimmt neun Werte: 1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, 21:9 und 5:2, Standard ist 16:9 (Anleitung zur Videogenerierung). Wir haben 16:9 genutzt.
• n muss 1 sein (OmniaKey-Videodoku).
• Der Prompt: Beschreib die Einstellung, das Licht und die Kamerafahrt, dann häng eine Zeile Sound: an. Alles, was du dort nennst, kann im Bild auftauchen: Unsere Tonzeile erwähnte einen Löffel, und im Bild erschienen ein Löffel und eine Hand.

Wie machst du aus einem Text-Prompt ein Video in Python?

Installiere requests, leg den Schlüssel in OMNIAKEY_API_KEY ab und starte das Skript.

pip install requests
export OMNIAKEY_API_KEY="your-key"

Hier ist das Skript, das wir ausgeführt haben, unverändert:

import os
import time
import uuid

import requests

API = "https://api.omniakey.com/v1/media/tasks"
HEADERS = {"Authorization": f"Bearer {os.environ['OMNIAKEY_API_KEY']}"}

PROMPT = (
    "Close-up of a white ceramic coffee cup on a wooden café table by a window, "
    "morning sunlight, steam curling up from the coffee, the camera slowly pushes in, "
    "shallow depth of field. Sound: quiet café chatter and a spoon clinking on a saucer."
)

# 1. Job anlegen. Dieselbe Idempotency-Key nur wiederverwenden, wenn du genau diese Anfrage wiederholst.
job = requests.post(
    API,
    headers={**HEADERS, "Idempotency-Key": str(uuid.uuid4())},
    json={
        "model": "grok-imagine-video-1.5",
        "type": "video",
        "operation": "text_to_video",
        "input": {"prompt": PROMPT},
        "parameters": {"duration": 6, "resolution": "720p", "ratio": "16:9"},
    },
    timeout=30,
)
job.raise_for_status()
task = job.json()
print("task:", task["id"], task["status"])

# 2. Job abfragen, bis er fertig ist. Ein langsamer Job ist nicht gescheitert: frag weiter dieselbe id.
while True:
    task = requests.get(f"{API}/{task['id']}", headers=HEADERS, timeout=30).json()
    if task["status"] not in ("queued", "processing"):
        break
    time.sleep(5)

if task["status"] != "succeeded":
    raise SystemExit(f"job ended {task['status']}: {task.get('error')}")

# 3. Jetzt herunterladen: die signierte URL läuft in etwa einer Stunde ab.
asset = task["assets"][0]
with open("coffee.mp4", "wb") as f:
    f.write(requests.get(asset["url"], timeout=120).content)
print("saved coffee.mp4", asset["mime_type"], asset["byte_size"], "bytes")

Die letzte Ausgabezeile am 24. Oktober 2026:

saved coffee.mp4 video/mp4 2659230 bytes

Die erste Zeile des Skripts gibt Task-ID und Status aus. Behalt diese ID: Über sie findest du den Job wieder, wenn das Skript abbricht.

Ein Job mit 6 Sekunden in 720p kam so zurück:

Der Clip folgt dem Prompt: eine weiße Keramiktasse mit schwarzem Kaffee auf einer weißen Untertasse, auf einem Holztisch am Fenster, mit aufsteigendem Dampf und unscharfem Café dahinter. Die Kamera fährt gleichmäßig näher, und die Tasse wächst von etwa einem Drittel der Bildbreite auf etwa die Hälfte. Nach 4,5 Sekunden kommt ein Löffel von rechts ins Bild. Das Audio ist eine ruhige Spur mit einer scharfen Spitze bei 4,8 Sekunden, genau in dem Moment, in dem der Löffel die Untertasse berührt.

Was kostet ein Clip und wie lange dauert er?

xAI rechnet Video pro Sekunde ab, und der Satz hängt vom Modell und der Auflösung ab. Die Modellseite (geprüft am 24. Oktober 2026) schlüsselt den Preis nach Auflösung auf, und die pauschalen 0,080 USD pro Sekunde auf der Preisseite sind der 480p-Satz.

Zu diesen Listenpreisen:

• 6 Sekunden mit 1.5 in 720p: 6 × 0,14 = 0,84 USD.
• 8 Sekunden, die Standardlänge, mit 1.5 in 480p: 8 × 0,08 = 0,64 USD.
• 15 Sekunden mit 1.5 in 1080p: 15 × 0,25 = 3,75 USD.
• 6 Sekunden mit 1.5 Lite in 720p: 6 × 0,03 = 0,18 USD.

xAI veröffentlicht nur Sekundenpreise für Video (Preisseite, geprüft am 24. Oktober 2026).

Bei OmniaKey kostet dich die angefragte Dauer mal den Sekundensatz, abgebucht vom Guthaben beim Anlegen des Jobs und automatisch erstattet, wenn der Job scheitert (OmniaKey-Videodoku, geprüft am 24. Oktober 2026). Unsere Anfrage über 6 Sekunden lieferte eine Datei mit 6,04 Sekunden und wurde mit 6 Sekunden berechnet. Die aktuellen Sätze stehen auf der Seite zu Grok Imagine Video 1.5.

Unser Job brauchte 46 Sekunden von der Anfrage bis succeeded. xAI sagt, die Generierung dauere „in der Regel bis zu mehrere Minuten“, und das eigene SDK wartet bis zu 10 Minuten (Anleitung zur Generierung). Frag alle paar Sekunden ab. Wenn du dem Loop eine Frist gibst, setz sie großzügig, und wenn sie abläuft, such den Job über seine ID erneut, statt eine neue Anfrage zu schicken.

Der signierte Link gilt etwa eine Stunde, und unserer lief genau eine Stunde nach dem Ende des Jobs ab. Der Task-Datensatz bleibt 24 Stunden erhalten, du kannst also erneut abfragen und bekommst einen frischen Link (OmniaKey-Medienübersicht, geprüft am 24. Oktober 2026).

Auf welche Fehler stößt du?

Die meisten Fehler kommen sofort zurück, bevor ein Job entsteht, und kosten nichts. Ein Job, der später scheitert, endet als failed und wird erstattet. Die Mediendoku von OmniaKey (geprüft am 24. Oktober 2026) nennt unter anderem diese:

Die ersten beiden haben wir am 24. Oktober 2026 absichtlich ausgelöst. Ohne den Header kam HTTP 400 zurück:

{"error":{"code":"missing_idempotency_key","message":"Idempotency-Key is required and must be at most 255 characters"}}

Mit dem Schlüssel des Jobs und einem geänderten Prompt kam HTTP 409 zurück:

{"error":{"code":"idempotency_key_reused","message":"Idempotency-Key was already used with a different request"}}

• Behandle einen langsamen Job als weiterhin laufend. Frag dieselbe Task-ID weiter ab; die Anfrage mit einer neuen Idempotency-Key erneut zu schicken, startet einen zweiten Job und berechnet ihn.
• Eine wiederholte Anfrage antwortet mit 200 und dem ursprünglichen Task, aber ohne assets-Liste. Deshalb holt das Skript erst den Task und liest dann assets.

Häufige Fragen

Ist die Grok Imagine Video API kostenlos?

Nein. xAI veröffentlicht nur Sekundenpreise, und der günstigste ist 1.5 Lite mit 0,02 USD pro Sekunde in 480p (Modellseite, geprüft am 24. Oktober 2026).

Wie lang kann ein Grok-Imagine-Video sein?

1 bis 15 Sekunden in xAIs API, standardmäßig 8 Sekunden (Anleitung zur Videogenerierung). Über OmniaKey nutzt du 4 bis 15 Sekunden: Das Minimum von OmniaKey liegt für dieses Modell bei 4 (OmniaKey-Videodoku, geprüft am 24. Oktober 2026), das Maximum von xAI bei 15.

Erzeugt Grok Imagine Video Ton?

Ja, standardmäßig eine Tonspur, mit Geräuschen, Atmosphäre und Dialogen, die zusammen mit dem Bild entstehen (Anleitung zur Videogenerierung; xAIs Ankündigung). Unsere hatte eine Stereo-AAC-Spur. xAIs API nimmt generate_audio: false für einen stummen Clip; um die Spur aus einer heruntergeladenen Datei zu entfernen, führe aus:

ffmpeg -i coffee.mp4 -an -c:v copy coffee-silent.mp4

Kann Grok Imagine ein Bild in ein Video verwandeln?

Ja, in xAIs API: Übergib das Bild als image (eine öffentliche URL, ein base64-Data-URI oder eine file_id der Files API; JPEG, PNG oder WebP), es wird das erste Einzelbild, der Prompt ist optional, und der Clip behält das Seitenverhältnis des Bildes (Anleitung zu Bild zu Video; Videos-API-Referenz). Ein Beispiel für Bild zu Video über OmniaKey ergänzen wir hier, sobald wir es von Anfang bis Ende geprüft haben.

Worin unterscheiden sich Grok Imagine Video 1.5 und 1.5 Lite?

Lite ist pro Sekunde am günstigsten, macht Text zu Video und Bild zu Video mit lippensynchroner Sprache, erreicht 1080p durch Hochskalieren von 720p und hat keine Referenzbilder, Stimmreferenzen oder Keyframes (Video-Überblick; Lite-Modellseite). Die Beispiele hier nutzen 1.5, das du bei OmniaKey als Grok Imagine Video 1.5 aufrufst.

Ist grok-imagine-video-1.5-preview noch eine gültige Modell-ID?

xAI listet es weiterhin als Alias, aber 1.5 hat die Vorschau verlassen und ist seit dem 16. Juni 2026 allgemein verfügbar (Modellseite; xAIs Ankündigung). Nutze grok-imagine-video-1.5.