Grokが新たにリリースした画像生成モデル「Imagine 0.9」が、ローンチ直後から話題をさらっている。
動画生成を見据えたアーキテクチャでありながら、静止画出力の段階でも驚異的な完成度を見せている。
プロンプトを投げると9つのサンプルが提示され、それぞれに再生ボタンがついており、クリックするとその場で動画生成が始まる仕組みだった。
ただ、初日からユーザーが殺到しており、現時点では「待ち時間クルクル」状態。
生成スピードと一貫性が突出
筆者が試した限りでは、静止画の応答はほぼリアルタイム。
生成待ち時間はほんの数秒、プロンプトの理解度と構図の一貫性が際立っていた。以下は、実際にImagine 0.9で生成されたサンプル群のスクリーンショットである。
テストには以下のプロンプトを使用。反射の整合性（鏡像の人物が同じ姿勢か）、新聞の文字方向、光源位置などの物理ロジックを意識している。
プロンプト：
A mirror in a rainy café reflects a woman reading a newspaper about herself in the same scene — photorealistic, cinematic light, shallow depth of field, perfect reflection consistency.
いずれも「カフェで新聞を読む女性」という同一のテーマながら、光の質感・反射の整合性・焦点深度の再現がほぼ完璧。
手や新聞の形状破綻がなく、窓面やテーブルの鏡面反射まで破綻せず描かれている。
“動画的精度”の正体
この整合性は、すでにImagine 0.9が「時間軸」を意識して学習されていることの証拠だ。
動き出す前から、カメラ位置や光源の安定性を保つ──まるで“動画の1フレーム”を生成しているような印象を受ける。
また、全体の構図バリエーションが豊富でありながら、被写体の顔立ちや雰囲気は一致している。これは、連続生成や動画展開を想定した「一貫性モデル」がすでに内部で稼働していることを示唆している。
DALL·EやNano Bananaとの差異
従来のDALL·E系が「静止画の完成度」に特化してきたのに対し、Imagineは明らかに「動き」を意識した出力を見せる。
Nano Bananaのように高速応答型の生成でも、ここまで光学的整合性を維持したモデルは前例がない。
一方で、音声や歌唱への対応も徐々に始まりつつあり、Sora 2同様に「映像に合わせて音を出すAI」としての片鱗も確認できた。
まとめ
現時点でのImagine 0.9は、まだ試験的な段階にあるものの、生成スピードと空気感の再現度はすでに次世代級。
“動画の時代”を待たずして、静止画の精度で未来を予告している。
本稿の画像は、筆者がGrok Imagine 0.9を使用して生成したスクリーンショットであり、公式デモ環境に基づくものです。
