Grok Imagine：Xの新AI動画生成機能がトップライバルに挑戦

XのAIチャットボットであるGrokは、最近、米国、英国、シンガポールなどの主要市場でアプリストアのチャートを席巻し、人気が急上昇しました。その高度な大規模言語モデル機能にもかかわらず、統合されたビデオ生成機能が notable に欠けていました。これに対応するため、イーロン・マスクとそのチームは、Grokチャットボット内にAIを活用したビデオ作成機能「Imagine」を立ち上げました。この新機能により、GrokはGoogleのVeo 3やOpenAIのSoraといった確立されたビデオ生成モデルと直接競合することになります。本レポートでは、Grok Imagineの機能、アクセシビリティ、パフォーマンスについて詳しく掘り下げていきます。

Grok Imagineとは？

Grok Imagineは、Xの最新のAI機能であり、Grokチャットボットに統合されています。これにより、ユーザーはシンプルなテキストプロンプトから画像と動画の両方を生成できます。イーロン・マスクによると、Imagineは競合他社よりも著しく高速であり、「Grok Imagineは、主要な競合他社が1枚の画像を生成するのにかかる時間の1/2から1/4で動画を生成しています！」と述べています。これはその速度とユーザーフレンドリーさを強調しており、基本的なプロンプトスキルを持つユーザーでも利用可能です。Imagineによって生成される動画の長さは現在6秒で、GoogleのVeo 3よりも短いですが、OpenAIのSoraよりは長いです。

主要機能

Imagineは、クリエイティブな出力とユーザーエクスペリエンスを向上させるために設計されたいくつかの主要な機能を誇ります。

• テキストからメディア生成： ユーザーは詳細なテキスト記述を提供することで、画像と動画の両方を生成できます。

• 画像から動画への変換： このモデルは、静止画から動的な動画クリップを作成するのをサポートしています。

• 自動オーディオ統合： 動画には、視覚コンテンツと自動的に同期し、ムードやテーマに合わせたAI生成サウンドトラックが含まれます。

• 「スパイシーモード」による創造的自由： オプションの「スパイシーモード」では、ユーザーが特定の厳格なフィルターを回避し、より型破りな、または検閲の少ない出力を探索できます。ただし、機密コンテンツに対するガードレールは維持されます。

• 高速作成： Imagineは速度を重視して設計されており、他のAI動画ツールよりも著しく短い時間で結果を提供すると報告されており、クリエイティブな品質を損なうことはありません。

• 音声コマンドサポート： ユーザーは自然な音声コマンドを使用してコンテンツを生成でき、クリエイティブなプロセスを効率化します。

アクセスと利用可能性

Grok Imagineは現在ベータ段階にあり、有料サブスクライバーのみが利用できます。「Super Grok」および「Super Grok Heavy」ユーザーには早期アクセスが許可されています。「X Premium+」および「Premium」サブスクライバーはすぐに利用できるわけではありませんが、待機リストに参加でき、アクティブユーザーにはアクセスが期待されています。使用制限が適用され、「Premium」ユーザーは50動画、「Premium+」は100動画、「Super Grok Heavy」は500動画に上限が設定されています。

Imagineにアクセスするには、ユーザーはGrokまたはSuper Grokモバイルアプリケーションをダウンロードする必要があります。この機能は現在モバイル専用です。有料アカウントでログインした後、インターフェースの上部にある「Imagine」オプションにアクセスでき、ユーザーはプロンプトを入力してコンテンツの生成を開始できます。

パフォーマンス評価：実践テスト

Grok Imagineの機能を評価するために、異なるコンテンツタイプで一連のテストが実施されました。各テストでは、Imagineはまずプロンプトに基づいて複数の画像オプションを生成し、そこからユーザーが1つを選択して動画生成に進みます。選択された画像が最終的な動画の基礎となります。

1. 製品動画生成
プロンプト：「モデルが、90年代のレトロなレストランに置かれた金属製のペンの形をした口紅を手に取り、唇に塗って微笑む。焦点は唇に合わせ、背景は少しぼかしたレトロなレストランにする。口紅の名前 – Popperのヌードブラウンが最後に画面に表示される。」

*分析：*生成された動画はほぼ瞬時に作成され、指定された口紅に正確に焦点を当てた高品質を示しました。AI生成のアーティファクト、特に口紅のリアルな塗布に関しては存在しましたが、全体的なHD品質は注目に値しました。製品名を含むプロンプトのすべての単語が動画に正確に表示され、正確なテキスト統合が示されました。

2. ミーム動画作成
プロンプト：「サルがノートパソコンで猛烈にタイピングしている間、別のサルが外に出るように頼むが、最初のサルは拒否し、『AIエージェントが私の仕事を奪いに来る』と言う。」

*分析：*Imagineは複数の画像オプションを生成しましたが、一部には明らかなスペルミスが含まれており、テキストの正確性に一貫性がないことを示していました。プロンプトの意図に最も合致する画像を選択した後、生成された動画はユーモラスなミームを効果的に伝えました。付随するAI生成オーディオは、2匹のサルが口論しているかのように聞こえ、シーンを補完し、全体的なコメディ効果を高めました。

3. シネマティックショット生成
プロンプト：「少女が暗い路地を走り抜け、カメラが上から彼女を追いかける。雨が降り始め、彼女は滑って恐怖で振り返る。最後のショットは彼女の顔に焦点を合わせたまま、シネマティックショット。」

*分析：*このツールは様々な画像選択肢を提供しましたが、生成された動画はプロンプトの複雑な要件を完全に満たしませんでした。初期のセグメントは要求された雰囲気とカメラアングルを捉えていましたが、シーンが進むにつれて動画品質が目に見えて低下し、AI生成のアーティファクトが明らかになりました。これは、モデルが多面的で複雑なプロンプトに苦戦する可能性があることを示唆しています。しかし、付随するオーディオエフェクトは非常に正確で、シーンに適していました。

全体的なパフォーマンスと今後の展望

Grok Imagineは画像生成において強力な能力を示しており、動画生成は今後の改善に期待が持てます。現在、OpenAIのSora、GoogleのVeo 3、そしてAI動画合成の最先端を行く中国のモデルであるHulileoやWanといった主要モデルに比べて遅れをとっています。

パフォーマンス分析によると、Imagineの出力品質は、より詳細で文脈に沿ったプロンプトによって大幅に向上します。ユーザーは、望む結果を達成するために、できるだけ多くの具体的な情報を提供することが推奨されます。現在の制限事項は、AI生成オーディオの汎用性であり、動画の特定の視覚コンテンツと完全に統合されたり、それを強化したりすることが少ない点です。

結論

Grok Imagineは、XのAI製品にとって重要な一歩であり、画像および動画生成における大きな可能性を示しています。このモデルは、より確立された高度な動画生成プラットフォームと比較すると、大幅な改善の余地があるものの、その初期性能は称賛に値します。Grokがこの分野に初めて参入したことで、今後のイテレーションで現在の制限が解決され、その機能が強化されることが期待されます。

トップティアモデルの洗練度にはまだ及ばないものの、Imagineは素早く短い動画スニペットを生成したり、アイデアを迅速に視覚化したりするのに非常に適しています。現在の使用制限も、ユーザーが実験し、意味のあるコンテンツを作成するための合理的な範囲を提供します。