30秒サマリー
- xAIが動画生成モデルにテキストからの動画生成とネイティブ1080p出力を追加
- キャラクター画像と音声を参照することで顔・声を複数シーンにわたって一貫保持
- 最大7枚の参照画像を指定できるマルチリファレンス機能もAPIで利用可能に
何が起きたか
xAIは2026年7月31日、動画生成モデル「Imagine Video 1.5」のアップデートを発表した。主な追加機能は、(1)テキストプロンプトのみで動画を生成するテキスト・トゥ・ビデオ、(2)テキスト・トゥ・ビデオおよびイメージ・トゥ・ビデオ双方でのネイティブ1080p出力、(3)キャラクター画像と音声サンプルを参照することで顔と声を一貫させる「ボイスコンシステンシー」機能、(4)1回の生成に最大7枚の参照画像を指定できる「マルチリファレンス」機能の4点。
画像参照および音声参照は、米国のSuperGrok HeavyおよびSuperGrok Plusプランのユーザー向けに先行提供が開始されており、その後数日以内に全プランへ展開される予定だとしている。開始日付について原文では「今日（Today）」と記載されているのみで、具体的な日付の明示はない。テキスト・トゥ・ビデオとネイティブ1080pはgrok.com/imagine、iOS、Androidで一般提供済みとなっている。
API向けには、画像参照・テキスト・トゥ・ビデオ・ネイティブ1080pがモデル「grok-imagine-video-1.5」として既に利用可能。音声参照のAPIアクセスは申請制となっている。
原典ハイライト
公式ブログによれば、マルチリファレンス機能では参照画像1枚が「顔」「商品」「場所」といった要素を1つずつ固定する。原文には「Keep a character and swap the scene, keep the scene and swap the character, or hold both and change only the action」とあり、キャラクターとシーンを独立して切り替えられると説明している。最大7枚の参照画像を1回の生成で指定可能と明記されている。
出典: xAI News（公式ブログ）
So What?（なぜ重要か）
動画生成AIにおいて長年の課題だった「同一人物・同一音声の複数シーン間での一貫性」が、参照機能によって実用レベルで実現されつつある。広告やプロモーション動画制作において、出演者やブランド要素を固定したまま大量バリエーションを低コストで生成できる可能性を示しており、映像制作ワークフローの根本的な見直しを迫る変化点となりうる。
日本企業への示唆
広告代理店・マーケティング部門は、タレントやブランド素材の画像・音声をリファレンスとして登録し、異なるシナリオのバリエーション動画を短期間で量産するワークフローの検討を始めるべき局面に入った。一方で、本人画像・音声の無断利用リスクや肖像権・著作権上の取り扱いルールを社内で事前整備することが不可欠。APIが開放されていることから、自社サービスへの組み込みを検討するDX推進部門は技術検証を前倒しで実施することが望ましい。
背景・経緯
xAIは今回の発表の前月に「Imagine Video 1.5」を初公開しており、より自然なモーション・物理演算・オーディオを特徴として打ち出していた。今回のアップデートはその延長線上にあり、参照機能の追加によってクリエイティブ制作での実用性をさらに高める位置付けと原文は説明している。
