Grok Imagine Video 1.5 vs Veo 3.1 (Quality)

Co przyjmuje każdy z nich

Stawki i koszt klipu

Kwoty brutto z 23% VAT, pobierane z salda w zł. Nieudana generacja to 0 zł.

Gdy mam zdjęcie i chcę, żeby postać się odezwała, wybieram Grok Imagine Video 1.5: robi z niego klip 6-15 s z dźwiękiem, a za osiem sekund w 720p zapłacisz w nim ok. 1,8 raza mniej, niż Veo bierze za swój klip. Veo 3.1 (Quality) zawsze oddaje 8 sekund, za to umie zacząć od samego tekstu i dać 1080p albo 4K. Bez zdjęcia albo przy wysokiej rozdzielczości wybór jest więc prosty.

Kiedy Grok Imagine Video 1.5

• Chcesz gadający portret albo ożywioną okładkę z gotowego zdjęcia.
• Postać ma wypowiedzieć kwestię, także po polsku, a ścieżka audio przychodzi razem z obrazem.
• Ujęcie ze zdjęcia ma trwać dłużej niż 8 s, aż do 15 s.
• Publikujesz w kwadracie 1:1 na feed.

Kiedy Veo 3.1

• Nie masz zdjęcia i budujesz ujęcie od zera z opisu.
• Reklama albo zwiastun wymaga 1080p lub 4K.
• Masz dwa albo trzy kadry i chcesz, żeby model połączył je ruchem.
• Montujesz sekwencję z równych, ośmiosekundowych kawałków.

Różnice, które zobaczysz

• Rozliczenie. Grok Imagine Video 1.5 liczy za sekundę (od 0,508 zł za sekundę w 480p, 720p dwa razy tyle), Veo 3.1 (Quality) za cały klip 8 s (od 14,61 zł za film w 720p i 1080p, w 4K 1,5 raza więcej). Gdy porównasz osiem sekund, Veo kosztuje ok. 1,8 raza tyle co Grok w 720p i ok. 3,6 raza tyle co Grok w 480p.
• Krótkie i długie klipy. 5 sekund nie zrobisz w żadnym: Grok startuje od 6 s, Veo ma sztywne 8 s (duration się nie zmienia). Sześciosekundowy Grok to mniej więcej jedna piąta ceny Veo przy 480p i nieco ponad dwie piąte przy 720p. Dziesięć sekund Groka w 720p zamyka się w ok. 70% kwoty za Veo, a drożej robi się dopiero przy pełnych 15 s - i to o włos.
• Wejście. Grok potrzebuje dokładnie jednego obrazu w image_url. Veo poradzi sobie bez obrazu, ale przyjmie też od jednego do trzech kadrów w image_urls.
• Dźwięk. Grok dokłada mowę zgraną z ruchem ust; ustawienie generate_audio: false niczego nie odejmuje z rachunku. Veo w Kadrarisie nie ma żadnej opcji audio w formularzu i nie dolicza za nie złotówki. Google zapewnia, że Veo 3.1 tworzy dźwięk w tym samym przebiegu co obraz - mimo to wygeneruj i przesłuchaj jeden klip przed większą serią.
• Obraz i prompt. Grok: 480p i 720p, proporcje 16:9, 9:16 i 1:1, prompt do 10 000 znaków. Veo: 720p, 1080p i 4K, tylko 16:9 i 9:16, prompt do 4000 znaków.

Jak zdecydować

Testowałem je 28 września. Grok skończył z wynikiem 8,5/10 - za scenę z kawą 8,0, za polską kwestię 9,0. Veo uzbierał 8,0, po 8,0 w obu próbach. Wtedy korzystałem z API innych firm, a u nas Veo nie ma ustawienia audio, dlatego ocenę mowy traktuj orientacyjnie. Masz zdjęcie - Grok. Nie masz albo potrzebujesz 1080p/4K - Veo. Dowolną długość przeliczysz w kalkulatorze kosztów, rozpisane przykłady znajdziesz w poradnikach o cenach Groka i Veo, a ranking całej stawki w najlepszym generatorze wideo AI.

Pytania

Jak wypadła polska mowa w obu?

Lepiej u Groka. Trudne zdanie o Szczebrzeszynie oba systemy rozpoznawania mowy odczytały z jego klipu bez błędu. Pamiętaj tylko, że Grok potrzebuje zdjęcia postaci.

Jak zrobić 10 sekund w Veo?

Nie da się jednym klipem - Veo ma tylko 8 s, więc 10 sekund to dwa klipy. W Groku ustawiasz po prostu 10 s i płacisz dziesięć razy stawkę za sekundę. Dokładną kwotę pokaże Studio i pole estimated_cost.

Co, jeśli Grok nie wygeneruje klipu z mojego zdjęcia?

Nieudana generacja kosztuje 0 zł - blokada wraca na saldo w całości. Z samego tekstu możesz wtedy spróbować w Veo 3.1 albo w Grok Imagine 1.0 Video.

Próbki od twórców modeli

Te klipy i obrazy pochodzą od producentów, nie z moich generacji.