xAIは2026年7月31日、動画生成モデル「Imagine Video 1.5」に画像と音声の参照機能を追加した。最大7枚の参照画像でキャラクターや背景を固定しつつ、別の要素だけを変更できる点が特徴で、従来の「生成のたびに全要素が変わる」という課題に対処する。このアップデートは、映像制作ワークフローにおける生成AIの役割が、単発のプロトタイピングから反復的で管理可能な工程へ移行しつつあることを示唆する。
固定と変更の分離がもたらす映像制作の連続性
Imagine Video 1.5の中核的な変更点は、参照画像と音声によって特定の要素を「ロック」できる点にある。キャラクターの顔と声を固定したまま場面だけを変更したり、背景を保持したまま登場人物だけを入れ替えることが可能になった。最大7枚の参照画像に対応し、テキストのみからの動画生成では実現しえなかった要素間の一貫性を提供する。これは広告の絵コンテ制作やプリビジュアライゼーションにおいて、同一キャラクターによる複数シーンの試作を効率化する機能であり、動画生成の用途を芸術的な試行から実務の反復工程へと近づけるものだ。
API提供と解像度が示すビジネス導入の現実水準
画像参照、テキストからの動画生成、ネイティブ1080p出力はxAI APIで即日利用可能となっている。音声参照機能はリクエストベースでの提供であり、現時点では一般公開されていない。xAIはAPIのコード例を公開しており、パラメータとしてプロンプト、参照画像URL、出力時間、アスペクト比、解像度を指定可能な設計が確認できる。720pから1080pへの対応は、生成結果をそのまま納品物や試写に使いたい現場にとっては実用的な閾値であり、API経由でのシステム組み込みを前提とした設計は、サードパーティの制作ツールやポストプロダクションのパイプラインへの統合を想定しているとみられる。
日本における動画制作現場と生成AIの接続点
画像と音声の参照による要素固定機能は、日本のアニメやCM制作におけるキャラクターの一貫性維持という課題に直接関わる。絵コンテ段階でのキャラクター検討、複数カットの試作、声優の仮音声をあてたプレビズ制作など、参照型動画生成が既存のパイプラインに挿入される可能性がある。ただし、音声参照機能のAPI提供が限定的である点や、参照画像の権利処理についてはxAIの発表からは明らかになっておらず、商用ワークフローへの導入にはライセンス面での検討が必要になる。
モデルからAPI、そして導入レイヤーへの構造変化
このアップデートは、単なるモデル性能の向上ではなく、動画生成AIの提供形態の変化として読む必要がある。xAIはGrokプラットフォームでの一般消費者向け提供と、APIによる開発者向け提供を並行して進めており、SuperGrok HeavyおよびPlusの上位課金層に新機能を先行配布する手法をとっている。これは、GPUを中心とした推論コストの高い動画生成を収益化するために、段階的な展開と課金体系の階層化が必須になっている構造を反映している。クラウド事業者や制作ツールベンダーにとっては、API経由での機能呼び出しを前提としたツールチェーンの再設計が今後の差別化要因となる。
