Grok Imagine 1.5 vs Gemini: zrobiłem tę samą reklamę w obu i porównałem

Porównania modeli wideo zwykle opierają się na pojedynczych, efektownych klipach. Mnie interesowało coś innego: czy da się zrobić z tego normalną reklamę dla firmy. Wziąłem więc prawdziwe zadanie – 40-sekundową reklamę mojego produktu NoBooking – i zrobiłem ją dwa razy: raz w Grok Imagine 1.5 od xAI, raz w aplikacji Gemini od Google.

Zasady testu

Żeby porównanie było uczciwe, zmieniałem tylko generator obrazu. Wszystko inne było wspólne:

• To samo zdjęcie bazowe – portret bohaterki, która ma „grać” w każdej scenie.
• Ten sam scenariusz – zakup apartamentu w Hiszpanii, frustracja prowizjami pośredników, odkrycie NoBooking, rezerwacja w telefonie, zadowoleni goście, finał na plaży.
• Ten sam lektor – głos wygenerowany w ElevenLabs.
• Te same napisy i plansze – nakładane w montażu, nie generowane przez AI.
• Ten sam format – pion 9:16, 720p, około 40 sekund.

Obie wersje możesz obejrzeć poniżej.

Najpierw porządek w nazwach

Grok Imagine 1.5 to model wideo xAI, dostępny w grok.com, aplikacjach mobilnych i przez API od czerwca 2026. Generuje obraz razem z dźwiękiem, a pojedynczy klip może mieć do 15 sekund. Jest też lżejsza odmiana Lite – nią zrobiłem animację logo na końcu reklamy.

W Gemini jest trochę zamieszania. Gemini 3.1 Pro to model, z którym rozmawiasz w czacie. Za samo wideo odpowiada w aplikacji Gemini osobny model – Google zastępuje w niej Veo 3.1 nowym modelem Gemini Omni, który tworzy 10-sekundowe klipy z dźwiękiem i potrafi przedłużać sceny. W praktyce piszesz polecenie w tym samym oknie Gemini, a wideo robi model „pod spodem”.

Spójność postaci: wyraźna wygrana Grok

To była dla mnie najważniejsza rzecz. W reklamie z jedną bohaterką widz musi od razu wiedzieć, że to wciąż ta sama osoba.

Grok trzymał twarz ze zdjęcia bazowego niemal bez zmian przez wszystkie sześć scen: te same włosy, rysy, a nawet ta sama lniana koszula. Bohaterka przy laptopie w kawiarni i ta idąca plażą o zachodzie słońca to ewidentnie jedna osoba.

Gemini częściej „dryfował”. W scenach otwierających i w kawiarni bohaterka ma inną twarz i fryzurę niż na zdjęciu bazowym i w finale. Pojedynczo każde ujęcie wygląda dobrze, ale zestawione obok siebie wyglądają jak dwie różne aktorki.

Realizm i „klimat”: tu lepszy był Gemini

Odwrotnie wypadł ogólny wygląd obrazu.

Gemini daje bardziej naturalne, „dokumentalne” kadry: miękkie światło, zwykła skóra, swobodne gesty, ładnie zagrana reakcja zaskoczenia na widok telefonu. Wygląda to mniej jak reklama, a bardziej jak nagranie z prawdziwego życia.

Grok robi obraz w stylu katalogu: idealna cera, wystylizowane pozy, bardzo „reklamowe” światło. Na finałowej scenie na plaży pojawiła się nienaturalna poświata wokół postaci. Do rolek na Instagramie to działa, ale oko od razu rozpoznaje AI.

Ekrany telefonów i tekst: obu trzeba pilnować

Scena „Dashboard & płatności” pokazuje telefon z panelem rezerwacji. To dobry test, bo modele wideo wciąż słabo radzą sobie z drobnym tekstem.

• Gemini narysował bogaty, wiarygodnie wyglądający panel – ale po zatrzymaniu kadru drobny tekst okazuje się bełkotem z pseudosłów, a na ekranie widnieje data z 2023 roku.
• Grok zrobił ekran prostszy: duży, czytelny napis „Twoja strona zero prowizji” i niewiele więcej. Mniej szczegółów oznacza mniej błędów.

Wniosek praktyczny: wszystko, co ma być przeczytane – nazwa marki, hasło, cena – dodaję w montażu jako napis, a nie w poleceniu dla AI.

Długość ujęć i praca w montażu

• Grok: złożyłem reklamę z sześciu klipów po 5 sekund. Krótkie ujęcia to więcej cięć, ale też pełna kontrola nad każdą sceną. Jeśli scena nie wyszła, generuję ponownie tylko ją.
• Gemini: wystarczyły trzy dłuższe nagrania (30, 10 i 20 sekund) dzięki przedłużaniu scen. Mniej cięć i płynniejsza akcja, ale przy dłuższych ujęciach rośnie ryzyko, że w połowie coś się „rozjedzie” – właśnie tak traci się spójność postaci.

Porównanie w skrócie

Które wybrać?

• Reklama z postacią marki, rolki z tą samą twarzą w serii → Grok Imagine 1.5. Spójność postaci jest tu ważniejsza niż odrobinę lepszy realizm.
• Klimatyczne ujęcia bez jednej głównej postaci – nieruchomość, okolica, styl życia → Gemini. Naturalniejszy obraz i dłuższe, płynne ujęcia.
• W obu przypadkach: lektor z osobnego narzędzia (u mnie ElevenLabs), napisy i logo w montażu, a ekrany telefonów najlepiej podmieniać na prawdziwe zrzuty.

Najważniejsza obserwacja z całego testu: o jakości reklamy AI w dużej mierze decyduje dziś nie sam model, tylko proces – dobre zdjęcie bazowe, scenariusz rozpisany na sceny i montaż. Generator to jedno z narzędzi, a nie cała produkcja.

Jeśli chcesz podobną reklamę dla swojej firmy albo apartamentu, napisz do mnie przez kalkulator wyceny.