2月16日凌晨

OpenAI再次扔出一枚“深水炸弹”

发布了首个文生视频模型Sora

Sora可以直接输出长达60秒的视频

并且包含高度细致的背景

复杂的多角度镜头

以及富有情感的多个角色

目前官网上已经更新了48个视频展示，在这些视频中，Sora不仅能准确呈现细节，还能理解物体在物理世界中的存在，并生成具有丰富情感的角色。该模型还可以根据提示、静止图像甚至填补现有视频中的缺失帧来生成视频。

让我们看看Sora的效果

👇👇👇

例如一个Prompt（大语言模型中的提示词）的描述是：在东京街头，一位时髦的女士穿梭在充满温暖霓虹灯光和动感城市标志的街道上。

在Sora生成的视频里，女士身着黑色皮衣、红色裙子在霓虹街头行走，不仅主体连贯稳定，还有多镜头，包括从大街景慢慢切入到对女士的脸部表情的特写，以及潮湿的街道地面反射霓虹灯的光影效果。

AI想象中的龙年春节，红旗招展人山人海。有紧跟舞龙队伍抬头好奇观望的儿童，还有不少人掏出手机边跟边拍，海量人物角色各有各的行为。

行驶中的列车窗外偶遇遮挡，车内人物倒影短暂出现非常惊艳。

竖屏超近景视角下，一只蜥蜴细节拉满。

在一杯咖啡中，两艘海盗船展开了激烈的战斗，近景视频非常写实。

OpenAI表示，他们正在教AI理解和模拟运动中的物理世界，目标是训练模型来帮助人们解决需要现实世界交互的问题。

随后OpenAI解释了Sora的工作原理，Sora是一个扩散模型，它从类似于静态噪声的视频开始，通过多个步骤逐渐去除噪声，视频也从最初的随机像素转化为清晰的图像场景。Sora使用了Transformer架构，有极强的扩展性。

视频和图像是被称为“补丁”的较小数据单位集合，每个“补丁”都类似于GPT中的一个标记（Token），通过统一的数据表达方式，可以在更广泛的视觉数据上训练和扩散变化，包括不同的时间、分辨率和纵横比。

Sora是基于过去对DALL·E和GPT的研究基础构建，利用DALL·E 3的重述提示词技术，为视觉模型训练数据生成高描述性的标注，因此模型能更好地遵循文本指令。

一位YouTube博主发表了对Sora的感想，他表示内容创作行业已经永远地改变了，并且毫不夸张。“我进入YouTube世界已经15年时间，但OpenAI刚刚的展示让我无言……动画师/3D艺术家们有麻烦了，素材网站将变得无关紧要，任何人都可以无壁垒获得难以置信的产品，内容背后的‘想法’和故事将变得更加重要。”

但Sora模型当前也存在弱点

👇👇👇

OpenAI称它可能难以准确模拟复杂场景的物理原理，并且可能无法理解因果关系。例如，一个人咬了一口饼干后，饼干可能会没有咬痕，玻璃破碎的物理过程可能也无法被准确呈现。

例如“五只灰狼幼崽在一条偏僻的碎石路上互相嬉戏、追逐”的视频，狼的数量会变化，一些狼凭空出现或消失。

网友评论：

这效果也太真了吧

👇👇👇

也有网友直呼：

工作要丢了

👇👇👇

对此，你怎么看？

【来源】综合界面新闻、每日经济新闻