新年剛剛開工，AI又來搶人類飯碗了。

2月16日，OpenAI在其官網發布了文生視頻模型Sora。Sora作為OpenAI首推的文本轉視頻模型，能夠嚴格根據用戶輸入的提示詞、文本指令或靜態圖像，生成長達1分鐘的視頻，并且保持較高的視覺質量，其中包含精細復雜的場景、生動的角色表情以及復雜的鏡頭運動。同時也接受現有視頻擴展或填補缺失的幀。

橫空出世的Sora，實現了三大突破：

一是Sora可生成60秒一鏡到底視頻。60秒的視頻長度，遠高于Pika Labs的3秒、Meta Emu Video的4秒和Runway公司Gen-2的18秒的視頻時長，并且能保持視頻主體與背景的高度流暢性與穩定性。

二是單視頻多角度鏡頭，Sora在一個視頻內實現了多角度鏡頭，分鏡切換符合邏輯且十分流暢。

三是理解真實世界的能力，OpenAI利用大語言模型優勢，讓Sora實現了對現實世界的理解和對世界的模擬兩層能力。Sora產生的視頻里，它能像人一樣理解坦克是有巨大沖擊力的，坦克能撞毀汽車，而不會出現汽車撞毀坦克這樣的情況。同時Sora對于光影反射、運動方式、鏡頭移動等細節也處理得十分優秀，極大地提升了真實感。

目前其官網已更新了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。無論從視頻流暢度還是細節表現能力上，Sora的效果都相當驚艷。

AI想象中的龍年春節，紅旗招展人山人海。有緊跟舞龍隊伍抬頭好奇觀望的兒童，還有不少人掏出手機跟拍，海量人物角色各有各的行為。

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。

對于存在的不足，OpenAI也沒有刻意回避，目前Sora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。在OpenAI發布的技術報告中有一段Sora模型生成的錯誤視頻，展示了桌上的水杯會先從底部流出果汁，然后沿著錯誤的方向和角度倒在桌上。

OpenAI一直在教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。這次發布Sora只是小試牛刀，未來可能帶來更具顛覆性的成果。

作為視頻生成工具，Sora可以降低視頻制作的門檻和成本，使得更多人能夠輕松創建高質量的視頻內容。這將對影視、廣告、游戲、新聞、教育、VR\AR等諸多行業產生深遠的影響。同時也將對視頻剪輯師、后期制作等崗位產生沖擊。后期制作包括剪輯、特效、音效等環節，這些工作都可以通過AI技術進行自動化或半自動化處理。

目前Sora模型還處于測試階段，預計再經過一段時間的安全測試和用戶反饋后才會正式提供服務。