Grok 4.3は短尺動画を「見て」説明できる？公式に確認できるのは動画生成まで

公式ドキュメントで確認できること

xAI公式ドキュメントから読み取れるのは、次の点です。

• 確認できること：xAI Docsに動画生成APIの例がある。
• 確認できること：例で使われているモデル名は grok-imagine-video で、用途は動画生成です。
• 確認できないこと：ユーザーが動画ファイルをアップロードする、動画URLを渡す、video inputとして処理する、短尺動画を逐次的に分析する、といった仕様はこのページからは確認できません。

つまり、公式情報として言えるのは「テキストから動画を作る」までであり、「渡した動画を見て理解する」までではありません。

第三者情報はあるが、公式仕様とは別に見るべき

一方で、より踏み込んだ説明をしている外部情報はあります。たとえば、Grokが動画を生成できるだけでなく、動画を分析・視聴できるとする記事や、Grok 4.3 Betaにvideo、slides、speech APIsが加わったとする第三者ニュース、Grok 4.3 Betaにnative video understandingやvideo inputがあるとするSubstack記事、さらにX検索結果上の「Analyze videos」といった記述です。

ただし、これらはxAIの公式APIドキュメントや正式な製品仕様そのものではありません。動画入力のような実務上重要な機能では、対応モデル、入力形式、ファイル形式、長さや容量の制限、料金、提供範囲が公式に示されているかが重要です。現時点で確認できる公式文書は、動画生成の仕様を示すものにとどまります。

「動画生成」と「動画理解」は何が違うのか

動画生成は、ユーザーのプロンプトをもとに新しい動画を作る機能です。xAI Docsの videos/generations と grok-imagine-video の例は、このタイプの機能に当たります。

動画理解は、既にある動画をAIに入力し、画面の内容、時間の流れ、人物、物体、動作、出来事を読み取らせたうえで、質問に答えさせる機能です。これを確認するには、通常、公式ドキュメント上で video input、動画アップロード、動画URL、マルチモーダル入力の形式、対応モデル、制限、課金条件などが説明されている必要があります。少なくとも、今回確認できるxAIの動画生成ページだけではそこまで確認できません。

要するに、「video対応」と書かれていても、それが 出力として動画を作る という意味なのか、入力として動画を理解する という意味なのかを見分ける必要があります。

証拠の整理

実務で使うなら、ここを確認したい

動画レビュー、SNS向け短尺動画の内容説明、撮影素材へのフィードバックなどに使いたい場合は、次のような項目がxAI公式から示されるまで慎重に見たほうがよいでしょう。

1. video input、video understanding、動画分析などの明記。
2. grok-imagine-video のような生成用モデルではなく、動画入力に対応するモデル名の明示。
3. 動画ファイルのアップロード、動画URL、マルチモーダル入力形式などのAPI例。
4. 対応ファイル形式、動画の長さ、容量制限、サンプリング方法、料金、レート制限。
5. xAI公式ドキュメント、製品ページ、リリースノートによるGrok 4.3の提供範囲の説明。

最終判断

「Grok 4.3は今、短尺動画を見て、何が起きているか説明できるのか」という問いへの答えは、現時点では信頼できる形で確認できない です。

確認できるのは、xAI公式ドキュメントに /v1/videos/generations と grok-imagine-video を使った動画生成APIがあることです。 Grok 4.3の動画理解、短尺動画の分析、場面ごとの説明については、主な根拠が第三者記事、Substack、ソーシャル検索結果の要約にとどまり、公式確認としては不十分です。