2月16日凌晨，OpenAI再次扔出一枚深水炸彈，發布了首個文生視頻模型Sora。據介紹，Sora可以直接輸出長達60秒的視頻，并且包含高度細致的背景、復雜的多角度鏡頭，以及富有情感的多個角色。

目前官網上已經更新了48個視頻demo，在這些demo中，Sora不僅能準確呈現細節，還能理解物體在物理世界中的存在，并生成具有豐富情感的角色。該模型還可以根據提示、靜止圖像甚至填補現有視頻中的缺失幀來生成視頻。

例如一個Prompt（大語言模型中的提示詞）的描述是：在東京街頭，一位時髦的女士穿梭在充滿溫暖霓虹燈光和動感城市標志的街道上。

在Sora生成的視頻里，女士身著黑色皮衣、紅色裙子在霓虹街頭行走，不僅主體連貫穩定，還有多鏡頭，包括從大街景慢慢切入到對女士的臉部表情的特寫，以及潮濕的街道地面反射霓虹燈的光影效果。

另一個Prompt則是，一只貓試圖叫醒熟睡的主人，要求吃早餐，主人試圖忽略這只貓，但貓嘗試了新招，最終主人從枕頭下拿出藏起來的零食，讓貓自己再多待一會兒。在這個AI生成視頻里，貓甚至都學會了踩奶，對主人鼻頭的觸碰甚至都是輕輕的，接近物理世界里貓的真實反應。

Sora生成的視頻截圖，圖片來源：OpenAI官網

OpenAI表示，他們正在教AI理解和模擬運動中的物理世界，目標是訓練模型來幫助人們解決需要現實世界交互的問題。

隨后OpenAI解釋了Sora的工作原理，Sora是一個擴散模型，它從類似于靜態噪聲的視頻開始，通過多個步驟逐漸去除噪聲，視頻也從最初的隨機像素轉化為清晰的圖像場景。Sora使用了Transformer架構，有極強的擴展性。

視頻和圖像是被稱為“補丁”的較小數據單位集合，每個“補丁”都類似于GPT中的一個標記（Token），通過統一的數據表達方式，可以在更廣泛的視覺數據上訓練和擴散變化，包括不同的時間、分辨率和縱橫比。

Sora是基于過去對DALL·E和GPT的研究基礎構建，利用DALL·E 3的重述提示詞技術，為視覺模型訓練數據生成高描述性的標注，因此模型能更好的遵循文本指令。

一位YouTube博主Paddy Galloway發表了對Sora的感想，他表示內容創作行業已經永遠的改變了，并且毫不夸張?！拔疫M入YouTube世界已經15年時間，但OpenAI剛剛的展示讓我無言…動畫師/3D藝術家們有麻煩了，素材網站將變得無關緊要，任何人都可以無壁壘獲得難以置信的產品，內容背后的‘想法’和故事將變得更加重要?！?/p>

但Sora模型當前也存在弱點。OpenAI稱它可能難以準確模擬復雜場景的物理原理，并且可能無法理解因果關系。例如，一個人可能咬了一口餅干后，餅干會沒有咬痕，玻璃破碎的物理過程可能也無法被準確呈現。

來源：界面新聞 記者：程璐