Como usar o Grok Imagine: criar imagens e vídeos com a IA do

Resposta rápida

O Grok Imagine é o gerador de imagem e vídeo da xAI, integrado ao Grok e disponível em grok.com, no app do Grok ou direto pelo X. Ele funciona a partir de texto (texto-pra-imagem e texto-pra-vídeo) ou de uma imagem existente (imagem-pra-vídeo, dando movimento a uma foto ou ilustração). A diferença técnica que poucos artigos explicam: o Grok Imagine roda sobre o motor Aurora, um modelo autorregressivo que prediz a imagem token por token — diferente do Midjourney, Stable Diffusion e da maioria dos concorrentes, que usam difusão. Na prática isso se traduz em geração muito rápida (imagens em segundos, vídeos curtos em menos de 30 segundos de espera) e sincronização nativa entre imagem e movimento. Desde março de 2026 o recurso é exclusivo de assinantes pagos (SuperGrok Lite a partir de US$ 10/mês) — não existe mais geração gratuita. Video gerado tem até ~15 segundos, resolução de até 720p e sete proporções de tela diferentes.

Neste artigo:

Como acessar e o que mudou no acesso pago
Texto pra imagem: passo a passo e estrutura de prompt
Imagem pra vídeo e texto pra vídeo
Modos de geração (Normal, Fun, Spicy)
Dicas reais pra prompts melhores
Grok Imagine x Midjourney x Runway: quando usar cada um

O que diferencia o Grok Imagine dos outros geradores?

A maioria dos geradores de imagem populares — Midjourney, Stable Diffusion, DALL-E — usa difusão: o modelo parte de ruído aleatório e vai “limpando” a imagem em várias etapas até chegar no resultado. O Grok Imagine usa uma arquitetura diferente, chamada Aurora, que é autorregressiva: ela prediz a imagem em sequência, token por token, de forma parecida com como um modelo de texto prediz a próxima palavra.

Na prática, pra quem usa a ferramenta, essa diferença técnica aparece em dois lugares: velocidade (o Grok Imagine costuma entregar imagem em segundos) e a integração nativa entre imagem e vídeo — como o motor já “entende” a imagem token por token, ele consegue estender essa mesma imagem em movimento sem precisar de um modelo separado de tradução imagem-vídeo, o que ajuda na coerência visual entre o quadro estático e o clipe gerado.

Como acessar o Grok Imagine

Você chega no Grok Imagine por três caminhos: dentro do X (menu do Grok), no app dedicado do Grok (iOS/Android) ou pelo site grok.com. Escolha entre gerar imagem, vídeo a partir de texto, ou vídeo a partir de uma imagem que você já tem.

Importante: desde 19 de março de 2026 não existe mais geração gratuita de imagem ou vídeo no Grok — a xAI restringiu o recurso a assinantes pagos depois de uma onda de uso indevido da ferramenta pra criar conteúdo deepfake. Hoje o acesso mínimo é o SuperGrok Lite (US$ 10/mês). Detalhei todos os planos e o que cada um inclui no guia completo do Grok.

Texto pra imagem: como estruturar um bom prompt

A tentação é escrever o prompt como quem digita palavra-chave numa busca — errado. O prompt que funciona bem no Grok Imagine (e na maioria dos geradores modernos) lê como um briefing pra um fotógrafo, não uma lista de compras. Uma estrutura que funciona:

Sujeito + Cena + Estilo + Iluminação + Humor + Proporção

Exemplo fraco: mulher escritório moderno profissional

Exemplo forte: Mulher de 30 anos em terno azul-marinho, sentada numa mesa de vidro num escritório com vista pra cidade ao fundo desfocada, estilo fotografia comercial, luz natural suave vinda da janela lateral, expressão confiante e serena, proporção 4:5

A diferença: o segundo dá contexto suficiente pra o modelo tomar decisões de composição coerentes, em vez de “adivinhar” o resto.

Imagem pra vídeo: como dar movimento a uma foto

Esse é o recurso que mais diferencia o Grok Imagine no dia a dia: você sobe uma imagem (uma foto, uma ilustração, uma imagem gerada por texto no passo anterior) e descreve o movimento que quer ver — a câmera se aproximando devagar, um personagem piscando, uma xícara de café soltando vapor.

Dicas que fazem diferença real na qualidade do resultado:

Descreva o movimento da câmera explicitamente. Termos como “push-in lento”, “pan suave da esquerda pra direita” ou “câmera na mão, leve tremor” produzem resultados muito mais “cinematográficos” que prompts genéricos tipo “faz isso se mexer”.
Um movimento por vez. Pedir três ações diferentes acontecendo ao mesmo tempo tende a confundir o resultado — prefira um movimento principal bem descrito.
Mantenha o estilo consistente entre imagem de origem e prompt de vídeo. Se a imagem é fotorrealista, não peça movimento “estilo anime” — a mistura de estilo confunde o modelo.

Texto pra vídeo: quando usar em vez de imagem pra vídeo

Se você não tem uma imagem de partida, dá pra descrever a cena inteira em texto e o Grok Imagine gera o vídeo do zero. Funciona melhor pra clipes curtos e conceituais — teaser de produto, gancho pra rede social, teste de conceito visual — do que pra narrativa longa. Os vídeos ficam limitados a cerca de 15 segundos, então pense em uma ideia só por geração, não uma cena com começo-meio-fim complexo.

Modos de geração: Normal, Fun e Spicy

O Grok Imagine tem três modos pra vídeo (e dois pra imagem-pra-vídeo):

Normal — visual limpo, profissional, é o modo certo pra qualquer uso de trabalho ou conteúdo de marca.
Fun — resultados mais criativos e exagerados, bom pra conteúdo de entretenimento.
Spicy — modo com bem menos restrição de conteúdo. Não é recomendado pra uso profissional ou corporativo — se o seu contexto é negócio, marca ou comunidade, fique no Normal.

Proporções e especificações técnicas

Especificação	Detalhe
Duração de vídeo	Até ~15 segundos por geração
Resolução	Até 720p
Proporções suportadas	1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3
Tempo de geração	Imagem: segundos. Vídeo: geralmente sob 30 segundos

Escolher a proporção certa ANTES de gerar economiza retrabalho: 9:16 pra Reels/Stories, 16:9 pra YouTube/apresentação, 1:1 pra feed do Instagram.

Grok Imagine x Midjourney x Runway: qual usar?

Nenhum dos três é “o melhor” isolado — cada um resolve um problema diferente:

Grok Imagine ganha em velocidade e integração nativa imagem→vídeo. Vale pra quem precisa de volume rápido, testes de conceito e conteúdo curto de rede social. Já tenho um guia focado em como usar o Grok pra quem quer entender o assistente completo, não só a geração de mídia.
Midjourney ainda lidera em qualidade estética de imagem parada e controle fino de composição — vale mais pra arte final, capa, peça publicitária que vai pro ar.
Runway é mais forte em edição e controle avançado de vídeo (camera control, motion brush, edição em cima do clipe gerado) — vale pra quem precisa de vídeo mais longo ou com mais controle de pós-produção.

Na prática, muita gente que trabalha com conteúdo usa mais de uma: Grok Imagine pra rascunho e velocidade, Midjourney ou Runway pra peça final que realmente vai ao ar.

Perguntas frequentes

O Grok Imagine é gratuito?

Não mais. Desde março de 2026 o acesso é exclusivo de assinantes — o plano mínimo é o SuperGrok Lite (US$ 10/mês), que inclui geração de imagem e vídeo em qualidade básica.

Quanto tempo de vídeo o Grok Imagine gera?

Até aproximadamente 15 segundos por geração. Pra narrativa mais longa, o caminho é gerar vários clipes curtos e editar juntos em outra ferramenta.

Dá pra usar uma foto minha como base?

Sim — esse é o recurso de imagem-pra-vídeo. Você sobe a imagem e descreve o movimento que quer ver aplicado a ela.

Grok Imagine substitui o Midjourney ou o Runway?

Não necessariamente. Ele é mais rápido e mais integrado (tudo dentro do ecossistema Grok/X), mas Midjourney ainda tem mais controle de qualidade estética pra imagem final, e Runway tem mais ferramentas de edição e controle de câmera pra vídeo. Muita gente usa os três de forma complementar, dependendo da etapa do trabalho.

Se você quer aprender a aplicar geração de imagem e vídeo com IA no seu trabalho ou negócio de forma estruturada, a CPDF (Comunidade Profissionais do Futuro - por Danilo Gato) tem conteúdo e comunidade voltados exatamente pra isso.