Imagine Video 1.5 de xAI ahora acepta referencias de imagen y de voz

xAI publicó el 31 de julio de 2026 una actualización de Imagine Video 1.5, su modelo de generación de video. La empresa lo resume en una línea: «nuestro mejor modelo de video, ahora con referencias de texto, imagen y voz, generando hasta 1080p».

El modelo se había lanzado el mes anterior con mejoras en movimiento, física y audio. Esta entrega suma tres cosas concretas: referencias de imagen y de voz, video a partir de un prompt de texto sin imagen inicial, y 1080p nativo.

¿Qué resuelven las referencias de imagen y de voz?

El problema clásico de los modelos de video generativo es la consistencia entre escenas: el mismo personaje cambia de cara, la voz cambia de timbre, el producto se deforma. xAI ataca eso de forma directa. Al pasar una imagen de personaje junto con una referencia de voz, el rostro y la voz se mantienen iguales en todas las escenas.

El sistema de multi-referencia extiende la idea: cada imagen de referencia fija un elemento, sea una cara, un producto o una locación. Se puede mantener el personaje y cambiar la escena, mantener la escena y cambiar el personaje, o fijar ambos y cambiar solo la acción. El límite es de hasta siete referencias por generación.

¿Qué significa el 1080p nativo y el texto a video?

Con texto a video ya no se necesita una imagen de partida: basta describir la toma. xAI explica que la función combina su generación de imágenes con la conversión de imagen a video. El 1080p nativo quedó soportado tanto para texto a video como para imagen a video.

Ambas funciones están en disponibilidad general en grok.com/imagine, iOS y Android. Las referencias de imagen y de voz, en cambio, parten en Estados Unidos para suscriptores SuperGrok Heavy y SuperGrok Plus, con despliegue progresivo al resto de los niveles.

¿Cómo se accede desde la API?

Las referencias de imagen, el texto a video y el 1080p nativo están activos en la API de xAI bajo el modelo grok-imagine-video-1.5. La generación admite parámetros de duración, relación de aspecto y resolución, y recibe las imágenes de referencia como una lista de URLs. El soporte de referencia de voz en la API se entrega a pedido a través del equipo comercial de xAI.

¿Por qué le importa esto a un equipo comercial en Chile y Latinoamérica?

La consistencia de personaje y voz es exactamente lo que separa una demo llamativa de un activo de marketing usable. Un video donde el vocero cambia de cara entre escenas no sirve para una campaña. Uno donde el mismo rostro, la misma voz y el mismo producto se sostienen a lo largo de varias tomas sí entra en el terreno de la producción de contenido comercial: piezas de producto, testimoniales guionados, contenido para redes y anuncios en video.

Para equipos en Chile y Latinoamérica, donde el presupuesto de producción audiovisual suele ser el primero en recortarse, esa diferencia tiene efecto directo en cuántas variantes creativas puede probar un equipo por trimestre.

Análisis de Revenue Hub

La lectura de negocio de esta actualización no es «xAI mejoró su modelo de video». Es que el costo marginal de producir una variante creativa adicional en video sigue bajando, y con referencias de personaje y voz ya no baja a costa de la coherencia de marca. Eso cambia la economía del testing creativo: donde antes un equipo probaba dos o tres piezas por campaña, la restricción pasa a ser la capacidad de medir, no la de producir.

El riesgo, y conviene decirlo sin suavizar, es el mismo que trae toda caída de costo de producción: volumen sin criterio. Más piezas no mejoran resultados si no hay una hipótesis por variante y una lectura limpia de qué mueve conversión. El patrón que ya se ve en varios equipos es acumular decenas de assets generados sin trazabilidad de cuál produjo qué, y terminar sin poder responder qué funcionó.

La decisión práctica para un líder de marketing o comercial es sencilla de enunciar y difícil de sostener: antes de escalar producción, dejar amarrada la instrumentación. Un naming consistente de creatividades, una convención de UTM por variante y atribución conectada al CRM. Con eso, este tipo de herramientas multiplica aprendizaje. Sin eso, multiplica archivos. Cubrimos estos movimientos en nuestra sección de IA en ventas y en el blog de Revenue Hub.