Grok Imagine 1.5は日本語をしゃべれる？｜セリフ・効果音込みのショート動画を編集ソフトなしで作る手順

公開日: 2026年7月11日

この記事はSNSショート動画を編集ソフトなしで作りたい個人クリエイター向け（Kling・Veoの名前を知っていれば読めます）。

Grok Imagine 1.5の何が新しいの？音入れが消えた、が答え

従来のAI動画づくりはこうでした。

Klingで映像を出す。

別ツールで音声を作る。

編集ソフトで2つを貼り合わせる。

口パクと声がズレてたらやり直し。

これが地味にしんどい。

Grok Imagine 1.5は、この音入れ工程を生成の内側に畳み込みました。

xAI公式の技術説明では、セリフ・口パク・効果音・BGMを「映像トークンと一緒に1回の推論パスの中で生成する」と書かれています。

dialogue, lip-sync, sound effects, and ambient music — jointly with video tokens in a single inference pass

（セリフ・口パク・効果音・環境音を、映像トークンと同じ1回の生成の中で一緒に作る）

出典: basenor「7 Things Developers Need to Know」

ここが効きます。

音を後付けするKlingやVeoは、映像を作ってから別途音声を貼る方式。

だから口パクと声がズレやすい。

Grokは映像を作る瞬間に音も決めているので、原理的にズレにくい。

私が一番注目しているのはこの一点です。

解像度は720p・24fps、最大15秒（1.0の10秒から50%増）。

縦9:16にも対応しているので、生成物がほぼそのままTikTokやリールに投げられる完成素材になります。

これは運用者にとってでかい。

なぜ今1.5に注目するの？工程数で見ると差がはっきりする

機能スペックの羅列は他のサイトに任せます。

私が見せたいのは作業の流れがどう変わるかです。

従来のショート動画づくりと、Grok Imagine 1.5を並べてみました。

従来は道具が3〜4種類。これが1本で済みます。

編集ソフトを開かずに音付き動画が出てくる。

非エンジニアの個人クリエイターにとって、これは触りたくなかった編集作業が消えるという意味です。

私はここが今1.5に注目すべき理由だと思っています。

生成も速い。Seedance 2.0比で2〜3倍の速さです。

性能面の裏付けも一応。

Artificial Analysis社のImage-to-Video Arenaで、Grok Imagine 1.5は2026年6月時点で1位（Eloスコア1404±6、1.0比+52ポイント）。

ByteDance Seedance 2.0やGoogle Veoを抜いた、と記録されています（出典: Image-to-Video Arena）。

順位は時点で動くので、参考程度に。

日本語のセリフをちゃんとしゃべらせるプロンプトレシピは？

ここがこの記事の本題です。

AI動画ツールの日本語セリフは、放っておくと発音もアクセントも崩れる。

だから多くのガイドは「英語＋字幕が無難」で逃げます。

でもX上の実需クリエイターは、もう日本語をしゃべらせることに成功しています。

注意点を先に1つ。

これから紹介するレシピは主にGrok Imagine 1.0系（2026年1〜4月）で実証されたものです。

1.5はネイティブ音声生成に仕組みが変わっているので、そのまま全部効くとは限らない。

ただ「日本語を崩さないための考え方」はそのまま土台になります。

実需クリエイターが共有した日本語レシピ（引用ベース）

X上で日本語チャレンジに取り組んだ実需クリエイターが共有した最終版レシピは、4つの柱でした。

1. プロンプトに「Speech Language: Japanese」を入れる
2. 人物を「日本人」と明記する
3. セリフはローマ字で書き、分かち書きをうまく使う
4. 数回ガチャは覚悟する

出典: 実需クリエイターのX投稿（romptn Magazineが整理）／romptn「動画に音をつけるコツ」

ここで罠が1つあります。

同じ投稿者の補足で、「プロンプトに『日本語で言う』と書くのは逆効果。

単に『言う』でいい」と訂正が入っています（同クリエイターの補足投稿より。

出典: romptn）。

言語指定はラベル欄でやって、セリフ文には「日本語で」と書かない。

これ、けっこう間違えやすいポイント。

別の実需クリエイターは「流暢な日本語で」と指示し、セリフをローマ字で gomen yurushitene（ごめん、許してね）と書いて「VEO3レベルになった」と評価しています（このクリエイターのX投稿より。

出典: romptn）。

指示文とセリフ文の役割を分けるのがコツのようです。

セリフの中身をどう設計するか

セリフの「中身」の作り方を整理した実需クリエイターのnoteも参考になります。

15秒という尺の制約を逆手に取る発想です。

短いセリフ（1文10〜18文字）／2発構成（驚き→結論、またはツッコミ→締め）／感情語（え、マジ、なるほど）を混ぜる

出典: あかうさ氏のnote記事（セリフ構造レシピ）

映像を作るから、セリフを演じさせるへ。

この作者は「地味に革命だと思う」と書いています。

私もこの捉え方は的を射ていると思う。

短くて感情のあるセリフほど、AIの発音は崩れにくい。

理にかなっています。

BGM・効果音・環境音はラベルで分けて指定する

音を自然文で混ぜると、映像描写に吸収されて無音になることがあるそうです。

romptn Magazineが整理した4ラベル方式が分かりやすい。

出典はromptn「Grok Imagineの動画に音をつけるコツ」。

声質に「delicate」のような曖昧な形容語を使うと声質が反転することがある、という注意も同記事にあります。

曖昧語は避ける。

覚えておくと事故が減ります。

日本語セリフ付きショート動画を実際に作る手順

上のレシピを、読者がそのまま再現できる手順に組み直しました。

出典はimagine.art公式ガイドと、上記X実需レシピの再構成です。

1. grok.com/imagineを開いてImagineタブを選ぶ。動画生成にはX Premium（$8/月）以上のプランが必要です（後述）。
2. 元になる画像を用意するか、テキストだけで指定する。人物を出すなら「日本人男性／女性」と明記。JPG・PNG・WEBPなどが入力できます。
3. プロンプトに言語ラベルを置く。「Speech Language: Japanese」を入れ、セリフ文には「日本語で」と書かない。ここが最大の落とし穴です。
4. セリフをローマ字＋分かち書きで書く。例: gomen yurushitene。1文10〜18文字に収め、感情語を混ぜる。
5. 音をラベルで足す。BGMは sound:、効果音は SE:、環境音は ambient: で分けて書く。
6. 生成して、数回ガチャを回す。1発で完璧は期待しない。長いセリフほど崩れるので、短く割るのが安定への近道です。

前提として、いきなり長文をしゃべらせると発音精度が落ちます。

最初は5〜6秒の短いクリップで1文だけ試す。

これが一番つまずきにくい入り方です。

Grok Imagine 1.5の料金は？無料で使えるのか整理する

ここは混乱しやすいので、はっきり書きます。

「無料5クレジット/日」という案内を見かけますが、それはimagine.art側のガイドの記載です。

xAI本体（grok.com）では、2026年3月19日以降、無料での画像・動画生成は実質止まっています。

背景には、2025年末〜2026年初頭の実在人物の無断生成問題があります。

CNNの報道（2026年1月9日）でも、Grokが画像生成を有料会員限定に絞ったと伝えられました（出典: CNN）。

つまり今、動画を作るには有料プランが必要です。

まず試すなら月8ドル、約980円から。これは安い。

個人クリエイターがショート動画を量産するなら、私はSuperGrok（$30、年払いなら月換算$25）が現実的なラインだと思います。

720pでショート向けには十分。

X Premium（$8）でも1日50本作れるので、まず試すならここから。

出典はfelloai 料金比較とromptn 無料枠の現状です。

APIで使うなら秒単位課金で、480pが$0.08/秒、720pが$0.14/秒（5秒クリップで$0.70、音声込み）。

音声生成は追加課金なしで込み、というのは地味に良心的です（出典: xAI APIドキュメント）。

KlingやVeoとどっちがいい？音声込みなら立ち位置が違う

数字で並べると、Grokの強みと弱みがはっきりします。表にしました。

Grokは「音声込みで最安の縦型ショート動画ループ」という立ち位置です（出典: WaveSpeed 比較）。

SNSのショート動画なら720pでプロ品質として十分。

スマホで観る前提なら画質は問題になりません。

ただ、弱点も正直に。

1080p対応ではないので、大画面やクライアント納品、出所証明が要る案件には向きません。

対話重視の精密な口パクは、Seedance 1.5 Proが上回るという評価もあります。

私の見方では、Grokは「TikTok・リール・ショート用の最速ツール」と割り切るのが正解です。

もう1つ釘を刺しておきます。

実在の人物の顔写真をしゃべらせる使い方は、ディープフェイクとして日本を含む複数国の規制調査対象になっています。

手元で用意した架空キャラや、権利のある素材で使う。

ここは守ってください。

よくある質問（FAQ）

Grok Imagine 1.5は無料で動画を作れますか？

2026年6月時点では実質できません。

2026年3月19日以降、xAI本体（grok.com）では無料での画像・動画生成が止まっています。

動画を作るにはX Premium（$8/月）以上のプランが必要です。

「無料5クレジット/日」という案内はimagine.art側のもので、grok.com本体とは状況が異なります。

日本語のセリフは自然にしゃべりますか？

工夫すればかなり自然になります。

X実需クリエイターのレシピでは「Speech Language: Japanese」を入れ、人物を日本人と明記し、セリフをローマ字＋分かち書きで書く方法で「VEO3レベル」と評価されています。

ただし「日本語で言う」とセリフ文に書くのは逆効果。

短いセリフほど崩れにくく、数回ガチャを回す前提です。

編集ソフトなしでもショート動画が作れますか？

作れます。

Grok Imagine 1.5はセリフ・口パク・効果音・BGMを映像と同時に1回で生成するので、音を後から貼り合わせる編集工程が不要です。

縦9:16・最大15秒に対応しているため、生成物をそのままTikTokやリールに投稿できます。

KlingやVeoから乗り換える価値はありますか？

音声込みのショート動画を量産したいなら価値があります。

KlingやVeoは映像と音声が別工程ですが、Grokは1プロンプトで完結します。

ただし最大720p止まりなので、1080pが必要な大画面用途やクライアント納品には不向き。

用途で使い分けるのが現実的です。

料金はいくらから始められますか？

X Premium（$8/月、約980円）で1日50本の動画生成ができます。

本格的に量産するならSuperGrok（$30/月、年払いで月換算$25）が720p対応で現実的なラインです。

APIなら720pが秒$0.14で、音声生成は追加課金なしで含まれます。

参考リンク

• Grok Imagine（利用画面）
• xAI 公式APIドキュメント
• basenor「7 Things Developers Need to Know」
• Image-to-Video Arena リーダーボード
• imagine.art「Grok Imagine Video 1.5 Guide」
• romptn「動画に音をつけるコツ」
• romptn「無料枠の現状」
• felloai Grok料金比較2026
• WaveSpeed 競合比較
• CNN（deepfake規制報道）

この記事を書いた人

aisola

Aisola Lab 運営者

AIツールを使ったコンテンツ制作・リサーチ・WordPress運用を日常的にやっています。自分で動かせるものは実際に触って書き、触っていないものは公式ドキュメントと一次情報をもとに書き分けています。

運営者情報X（@ai_sola27）note

※この記事の内容は執筆時点のものです。AIは進化が速い分野のため、最新の仕様は公式サイトでご確認ください。