Оживить фото в Grok Video: чем отличаются 1.5, Pro и базовая версия

Оживить фото в Grok Video можно без VPN: в Most AI доступны три версии модели, и для задачи «загрузил снимок — получил движение» основной выбор — Grok Video 1.5. Она берёт изображение как первый кадр и достраивает ролик со звуком длиной от 1 до 15 секунд. Grok Video Pro нужна, когда в кадре говорят по-русски и важна стабильность лица. Базовая Grok Video — бюджетный вариант для длинных, до 30 секунд, и не слишком требовательных сцен. Ниже разбираю, как отличить одну от другой на практике и когда разумнее уйти на Kling или готовый инструмент «Оживление фото».

Почему у Grok три видеомодели, а не одна

Названия путают: кажется, что Pro — просто «лучше», 1.5 — «новее», а без цифры — «старая». На деле это три разных компромисса между длиной ролика, стабильностью и стоимостью секунды. Сравнивать их по принципу «какая круче» бессмысленно, сравнивать нужно под конкретное фото и конкретную цель.

Вот что известно по каталогу Most AI на конец сентября:

Из таблицы уже видно главное. Если нужна короткая «живая фотография» на пару секунд — Pro избыточна: у неё минимальная длина 6 секунд, а платите вы за генерацию целиком. Если нужен длинный план, 1.5 и Pro упираются в 15 секунд, и тут выручает базовая версия. Конкретные цены за секунду меняются, поэтому считать бюджет лучше по прайсингу, а не по памяти.

Grok Video 1.5: основной инструмент для оживления снимка

Эта версия описана в каталоге ровно под нашу задачу: изображение на входе, видео со звуком на выходе. Ваше фото становится первым кадром, модель решает, как сцена будет двигаться дальше, и добавляет звуковую дорожку — шум улицы, ветер, шаги, фоновую атмосферу.

Где она уместна:

• Пейзаж или городская сцена. Облака плывут, вода рябит, по улице проезжает машина. Короткое движение без крупных лиц — самый предсказуемый сценарий для любой модели, которая превращает фото в видео.
• Портрет с лёгким движением. Человек моргает, поворачивает голову, улыбается. Здесь важно не просить слишком много: одно действие на ролик.
• Питомец. Кот поводит ушами, собака виляет хвостом. Шерсть и мелкая моторика у видеомоделей обычно выходят убедительно.
• Старая семейная карточка. Лёгкое оживление архивного снимка — популярный сценарий. Тут есть оговорка, о ней ниже.

Гибкая длина от 1 секунды — практичное преимущество. Для «живой картинки» в сторис или обложки поста хватает 3–5 секунд, и нет смысла генерировать 15. Короткий ролик ещё и проще проверить: если движение пошло не туда, вы теряете меньше.

Условный пример промта для портрета:

Женщина на фото медленно поворачивает голову к камере и мягко улыбается.
Лёгкий ветер шевелит волосы. Камера неподвижна.
Фон остаётся как на фото. Тихий звук парка на заднем плане.
Длительность 5 секунд.

Обратите внимание на «камера неподвижна» и «фон остаётся как на фото». Без этих строк модель часто сама решает сделать наезд или облёт, и лицо на краю кадра начинает плыть. Страница модели — Grok Video 1.5, там же видно актуальные параметры.

Grok Video Pro: когда в кадре говорят

Pro в каталоге отмечена как более стабильная и с русской озвучкой, длина от 6 до 15 секунд. «Стабильнее» на практике означает то, что вас больше всего раздражает в оживлённых фото: лицо не должно меняться от кадра к кадру, пальцы не должны множиться, одежда — перекрашиваться.

Pro имеет смысл брать, если:

• человек в кадре должен произнести фразу — поздравление, приветствие, короткую реплику;
• фото — крупный портрет, где любое искажение черт сразу заметно;
• ролик пойдёт на публику, и переделывать его пять раз дороже, чем один раз взять модель подороже.

Условный пример для поздравления:

Мужчина на фото смотрит в камеру, улыбается и говорит по-русски спокойным тёплым голосом:
«С днём рождения, мама! Скоро приеду».
Мимика естественная, губы двигаются в такт словам.
Камера статична, фон без изменений. Длительность 8 секунд.

Реплика короткая специально. Чем длиннее фраза, тем выше шанс, что модель ускорит речь, проглотит окончания или рассинхронизирует губы. Для текста длиннее двух предложений честнее разделить ролик на два или выбрать другой путь — об этом в разделе про альтернативы.

Отдельно про этику: заставлять говорить стоит только себя или человека, который на это согласился. Ролик, где знакомый или известный человек произносит то, чего никогда не говорил, легко принять за настоящий, и последствия такой шутки бывают неприятными.

Базовая Grok Video: длина за разумные деньги

Базовая версия — бюджетная, с русской озвучкой и длиной до 30 секунд. Это вдвое больше потолка 1.5 и Pro, и для некоторых задач это решающий аргумент.

Где длина важнее идеальной стабильности:

• Атмосферный фон. Пейзаж, интерьер кафе, вид из окна — ролик, который будет крутиться за текстом или под музыку.
• Панорамное движение. Медленный проезд камеры по широкому снимку, где нет крупных лиц.
• Черновик. Проверить идею движения, прежде чем тратиться на Pro.

Слабое место предсказуемо: на длинном отрезке у любой модели накапливается дрейф. Если в кадре крупное лицо, к 20-й секунде оно может заметно отличаться от первого кадра. Поэтому для портретов я бы не брал базовую версию на полную длину — либо короче, либо другая модель. Прежде чем загружать снимок, откройте карточку модели в кабинете и проверьте, какие входы она принимает сейчас: параметры у провайдеров периодически обновляются.

Как сравнить три версии на своём фото

Самый честный способ выбрать — прогнать одно и то же фото через все три версии с одинаковым промтом. Если держать ролики короткими, тест обходится недорого и сразу показывает разницу на вашем материале, а не на чужих демо.

Порядок такой:

1. Выберите одно фото. Хорошо освещённое, лицо или главный объект занимает заметную часть кадра, без сильного размытия.
2. Составьте один промт с одним действием, статичной камерой и указанием звука.
3. Поставьте одинаковую длину, общую для всех трёх, — например, 8 секунд: она укладывается во все диапазоны.
4. Сгенерируйте по одному разу в каждой версии.
5. Сравните по трём пунктам: похоже ли лицо на исходник в последнем кадре, естественно ли движение, подходит ли звук.

Шаблон промта для такого теста:

[Кто или что на фото] делает одно движение: [действие].
Камера неподвижна, фон как на исходном фото.
Звук: [фон или реплика на русском].
Длительность 8 секунд.

Одна попытка на версию — это выборка из одного, и случайность тут велика. Если результаты близки, сделайте ещё по попытке у двух лидеров. Если какая-то версия провалилась явно (лицо поменялось, руки поплыли) — это уже сигнал, и повторять её на этом типе снимков нет смысла. Про типичные сбои и как их чинить есть отдельный разбор: почему видеогенерация ломается.

Когда лучше не Grok

Grok Video — не единственный путь оживить фото, и в ряде задач другие модели из каталога логичнее.

Kling 3.0 или Kling 2.6. Обе со звуком, 2.6 — в 1080p. Если вам важна детализация и плавная пластика движения, стоит сравнить результат Grok с Kling на том же фото. Подробно про Kling, Veo и Seedance в задаче «фото в видео» — в статье как сделать видео из фотографии.

Kling Motion Control. Если хочется, чтобы человек с фото повторил трендовый танец или конкретное движение, это отдельный инструмент именно под такую задачу, и промтом в Grok добиться того же сложнее.

Липсинк Kling Avatar. Когда реплика длинная — полминуты поздравления или мини-рассказ — надёжнее собрать звук отдельно (например, в ElevenLabs V3), а потом наложить его на фото через липсинк. Так текст полностью под вашим контролем, а не на совести видеомодели.

Veo 3.1 Fast. Русская озвучка и разрешение до 4K. Вариант, когда ролик должен выглядеть максимально чисто на большом экране.

Готовое «Оживление фото». Инструмент без промта: загрузил снимок, получил движение. Если вы не хотите разбираться в формулировках и нужна просто «живая фотография» из семейного архива, начните с него. Если результат не устроит — тогда уже Grok Video 1.5 с промтом.

И последнее: если исходник маленький или ролик нужен в высоком разрешении, в каталоге есть «Увеличить размер видео» — апскейл до 4K с сохранением длительности. Его разумно применять к уже удачному ролику, а не генерировать сразу дорогую версию.

Частые вопросы