Grok Imagine Video API：Pythonでテキストから動画を作る

Grok Imagine Video APIは非同期のAPIです。プロンプトを送ってジョブを作り、ジョブIDを完了までポーリングし、最後にMP4をダウンロードします。現在のモデルはgrok-imagine-video-1.5です。2026年10月24日、6秒・720pのクリップはリクエストから46秒でできあがり、音声トラックも入っていました。

以下では、そのまま動くスクリプト、指定すべきパラメータ、1本の料金と所要時間、実際に出るエラーを書きます。

先に結論

• モデル： grok-imagine-video-1.5。xAIは1.5がプレビューを終え、2026年6月16日に一般提供になったとしています（xAI）。
• 設定： durationは4〜15秒、resolutionは"720p"、ratioは"16:9"などです。
• 料金： xAIの定価で720pは1秒0.14ドル、6秒なら0.84ドルです（xAIのモデルページ、2026年10月24日確認）。
• 時間： 6秒・720pのジョブは46秒でした。1時間以内に同じタスクIDをポーリングしてファイルを取得してください。

Grok Imagine Video APIの仕組みは？

ジョブは3ステップです。作成、ポーリング、ダウンロード（xAIの動画生成ガイド、2026年10月24日確認）。

xAIのAPIではhttps://api.x.ai/v1/videos/generationsにモデルIDとプロンプトをPOSTし、request_idを受け取ります。次にhttps://api.x.ai/v1/videos/{request_id}をGETでポーリングし、ジョブがdoneになったらvideo.urlを読みます（同じガイド）。

xAIは簡単な動画にはgrok-imagine-video-1.5-liteを、参照画像・音声・固定フレーム・ネイティブ1080pが必要なときはgrok-imagine-video-1.5を勧めています（動画の概要、2026年10月24日確認）。静止画はGrok Imagine画像APIガイドでxAIの3つの画像モデルを扱っています。Grokと他の動画APIを比べるなら動画モデルのまとめをどうぞ。

OmniaKeyはGrok Imagine Video 1.5のAPIアクセスを販売しているので、例はOmniaKey経由で実行しました。呼び出しはPOST https://api.omniakey.com/v1/media/tasksにIdempotency-Keyヘッダーを付けて行い、202とidが返ります。状態はGET /v1/media/tasks/{id}で確認します（OmniaKeyメディアの概要、2026年10月24日確認）。作成・ポーリング・ダウンロードの流れは、動画APIのドキュメントにあるKling 3.0、Seedance、Wan 3.0、MiniMax H3、HappyHorseでも同じです。以下の料金はすべてxAI自身のものです。

xAIのフィールド名はVideos APIリファレンス、OmniaKeyのフィールド名は動画APIのドキュメントによるもので、どちらも2026年10月24日確認です。

どのパラメータを指定できる？

プロンプトと3つの設定で結果が決まります。

• durationはOmniaKeyでは必須で、料金も決まります（OmniaKeyの動画ドキュメント）。OmniaKeyのこのモデルの最小は4秒、xAIの最大は15秒なので（動画生成ガイド）、4〜15秒に収めてください。
• resolutionは小文字の"720p"を送ります。OmniaKeyのGrok動画は最大720pです（OmniaKeyメディアの概要）。xAI自身のAPIには480p（既定）とネイティブ1080pもあります（生成ガイド）。
• ratioは1:1、16:9、9:16、4:3、3:4、3:2、2:3、21:9、5:2の9種類で、既定は16:9です（動画生成ガイド）。私たちは16:9で実行しました。
• nは1のみです（OmniaKeyの動画ドキュメント）。
• プロンプトは、ショット、光、カメラの動きを書いてからSound:の行を足します。そこに書いたものは画面にも現れます。私たちの音声行にはスプーンと書いただけで、画面にスプーンと手が現れました。

Pythonでテキストから動画にするには？

requestsを入れ、キーをOMNIAKEY_API_KEYに入れて、スクリプトを実行します。

pip install requests
export OMNIAKEY_API_KEY="your-key"

これが実行したスクリプトそのままです：

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. ジョブを作る。このリクエストをそのまま再試行するときだけ、同じ Idempotency-Key を使う。
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. ジョブが終わるまでポーリングする。遅いジョブは失敗ではない。同じ id を問い続ける。
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. すぐにダウンロードする。署名付き URL は約 1 時間で失効する。
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")

2026年10月24日の実行で、最後に出た行はこれです：

saved coffee.mp4 video/mp4 2659230 bytes

スクリプトの最初の行はタスクIDと状態を表示します。このIDを控えてください。スクリプトが止まったとき、ジョブを探す手がかりになります。

6秒・720pのジョブはこう返ってきました：

クリップはプロンプトどおりです。白い陶器のカップに黒いコーヒー、白いソーサー、窓辺の木のテーブル、立ちのぼる湯気、奥のカフェはぼけています。カメラは一定の速さで寄り、カップは画面幅の約3分の1から約2分の1に大きくなります。4.5秒で右からスプーンが入ってきます。音声は静かなトラックで、4.8秒に鋭いピークが1つあり、スプーンがソーサーに触れた瞬間と一致します。

1本の料金と所要時間は？

xAIは動画を秒単位で課金し、料金はモデルと解像度で変わります。モデルページ（2026年10月24日確認）は解像度ごとの価格を載せており、料金ページの一律1秒0.080ドルは480pの料金です。

この定価だとこうなります：

• 1.5の720pで6秒：6 × 0.14 = 0.84ドル。
• 1.5の480pで8秒（既定の長さ）：8 × 0.08 = 0.64ドル。
• 1.5の1080pで15秒：15 × 0.25 = 3.75ドル。
• 1.5 Liteの720pで6秒：6 × 0.03 = 0.18ドル。

xAIが公開しているのは秒単位の動画料金だけです（料金ページ、2026年10月24日確認）。

OmniaKeyでは、リクエストした秒数に1秒あたりの料金を掛けた額がジョブ作成時に残高から引かれ、失敗したジョブは自動で返金されます（OmniaKeyの動画ドキュメント、2026年10月24日確認）。6秒をリクエストして6.04秒のファイルが返り、請求は6秒でした。現在の料金はGrok Imagine Video 1.5のページにあります。

このジョブはリクエストからsucceededまで46秒でした。xAIは生成に「通常は数分かかる」とし、同社のSDKは最大10分待ちます（生成ガイド）。数秒おきにポーリングしてください。ループに期限を付けるなら余裕を持たせ、過ぎたら新しいリクエストを送らず、タスクIDでジョブを引き直します。

署名付きリンクの有効期限は約1時間で、私たちのリンクはジョブ完了のちょうど1時間後に切れました。タスクの記録は24時間残るので、もう一度ポーリングすれば新しいリンクを取得できます（OmniaKeyメディアの概要、2026年10月24日確認）。

どんなエラーが出る？

多くのエラーはジョブができる前に返るので、料金はかかりません。ジョブ作成後に失敗した場合はfailedで終わり、返金されます。OmniaKeyのメディアのドキュメント（2026年10月24日確認）には次のようなものがあります：

2026年10月24日、最初の2つをわざと起こしました。ヘッダーを省くとHTTP 400が返ります：

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

ジョブのキーのままプロンプトを変えて送るとHTTP 409が返ります：

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

• 遅いジョブはまだ実行中と考えてください。同じタスクIDをポーリングし続けます。新しいIdempotency-Keyで送り直すと、2つ目のジョブが始まり、2回ぶん請求されます。
• 再送されたリクエストは元のタスクと200を返しますが、assetsリストはありません。スクリプトが先にタスクを取得してからassetsを読むのはそのためです。

よくある質問

Grok Imagine Video APIは無料ですか？

いいえ。xAIは秒単位の料金しか公開しておらず、最も安いのは1.5 Liteの480pで1秒0.02ドルです（モデルページ、2026年10月24日確認）。

Grok Imagineの動画は何秒まで作れますか？

xAIのAPIでは1〜15秒で、既定は8秒です（動画生成ガイド）。OmniaKey経由なら4〜15秒です。OmniaKeyのこのモデルの最小が4秒（OmniaKeyの動画ドキュメント、2026年10月24日確認）で、xAIの最大が15秒です。

Grok Imagine Videoは音が出ますか？

はい。既定で音声トラックが付き、効果音、環境音、セリフが映像と一緒に生成されます（動画生成ガイド；xAIの発表）。私たちのクリップはステレオAACのトラックでした。xAIのAPIではgenerate_audio: falseで無音にできます。ダウンロードしたファイルから音声を消すには、次を実行します：

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

Grok Imagineは画像から動画を作れますか？

作れます。xAIのAPIではimageとして渡します（公開URL、base64のdata URI、Files APIのfile_idのいずれか。JPEG、PNG、WebP）。その画像が最初のフレームになり、プロンプトは省略でき、クリップは画像のアスペクト比を保ちます（画像から動画のガイド；Videos APIリファレンス）。OmniaKey経由で画像から動画を作る例は、最後まで動作を確認できたらここに追加します。

Grok Imagine Video 1.5と1.5 Liteの違いは？

Liteは1秒あたりの料金が最も安いモデルです。テキストから動画と画像から動画に対応し、リップシンクした音声が付き、1080pは720pをアップスケールして作ります。参照画像、声の参照、キーフレームは使えません（動画の概要；Liteモデルページ）。ここでの例は1.5で、OmniaKeyではGrok Imagine Video 1.5として呼び出せます。

grok-imagine-video-1.5-previewはまだ使えますか？

xAIはまだ別名として載せていますが、1.5はプレビューを終え、2026年6月16日に一般提供になりました（モデルページ；xAIの発表）。grok-imagine-video-1.5を使ってください。