近日，美國人工智能研究公司OpenAI推出了一款文生視頻模型“Sora”。通過簡短或詳細(xì)的提示詞描述，或一張靜態(tài)圖片，“Sora”就能生成類似電影的逼真場景，涵蓋多個角色、不同類型動作和背景細(xì)節(jié)等，最高能生成1分鐘左右的1080P高清視頻。

　　OpenAI的官網(wǎng)介紹稱，如果給定一段簡短或詳細(xì)的描述或一張靜態(tài)圖片，“Sora”就能生成類似電影的1080P場景，包含多個角色、不同類型的動作和背景細(xì)節(jié)。使用這款模型可以用文本生成長達(dá)一分鐘的視頻。開發(fā)這一模型旨在教會人工智能理解和模擬運動中的物理世界，并訓(xùn)練其幫助人們解決需要現(xiàn)實世界互動的問題?！癝ora是能夠理解和模擬現(xiàn)實世界的模型的基礎(chǔ)，我們相信這一功能將成為實現(xiàn)通用人工智能（AGI）的重要里程碑?！?/p>

　　OpenAI表示，當(dāng)前的模型存在弱點，可能難以準(zhǔn)確地模擬復(fù)雜場景的物理表現(xiàn)，可能混淆提示的空間細(xì)節(jié)，可能難以精確描述隨著時間推移發(fā)生的事件，如遵循特定的相機(jī)軌跡等。也可能無法理解因果關(guān)系的具體實例，并舉例稱，視頻很可能會出現(xiàn)“一個人咬了一口餅干，但餅干上沒有咬痕?！?/p>

　　“Sora”不僅能模擬真實世界，而且能學(xué)習(xí)攝影師和導(dǎo)演的表達(dá)手法，并在AI視頻中展現(xiàn)出來?！拔覀兲剿饕曨l數(shù)據(jù)生成模型的大規(guī)模訓(xùn)練。具體來說，我們在可變持續(xù)時間、分辨率和寬高比的視頻和圖像上聯(lián)合訓(xùn)練文本條件擴(kuò)散模型。我們利用對視頻和圖像潛在代碼的時空補丁進(jìn)行操作的Transformer架構(gòu)。我們最大的模型Sora能夠生成一分鐘的高保真視頻。我們的結(jié)果表明，擴(kuò)展視頻生成模型是構(gòu)建物理世界通用模擬器的一條有前途的途徑。”O(jiān)penAI表示。整體來看，“Sora”生成的視頻噪音比較少，原始的訓(xùn)練數(shù)據(jù)比較“干凈”，而且基于ChatGPT、DALL·E文生圖技術(shù)能力，“Sora”視頻生成技術(shù)更加高超。

　　“Sora”已經(jīng)成為了目前最強的AI視頻生成類模型。