OpenAI 在 2024 年 2 月 15 日展示 Sora 视频生成模型,能根据文字提示生成长达 60 秒的视频,物理模拟能力接近真实,引发行业震动。该模型当时未公开发布,仅向红队和部分创作者开放测试。
事件详情
Sora 是 OpenAI 的文生视频模型。一段 prompt 进去,出来最长 60 秒的视频,画面里的人物走动、物体遮挡、光影变化基本符合物理规律。发布会放出的几个 demo——东京街头漫步的女性、纸船在浪花里起伏、几只长毛象在雪地行走——质量明显高于同期 Runway Gen-2 和 Pika。
技术上 Sora 用了 Diffusion Transformer 架构。把视频拆成时空 patch(类似语言模型的 token),在 patch 上做扩散生成,统一处理图像和视频。这种方式让模型能处理不同时长、分辨率、宽高比的素材,生成时也能保持长视频的时间连贯性。OpenAI 没公开训练数据,但外界普遍推测用了大量合成数据和带版权的影视素材,这也埋下了后来的版权官司。
模型发布后没有立即开放。OpenAI 采取红队测试策略,先让安全研究人员和少数创作者试用,逐步公开。普通用户等到 2024 年 12 月才正式用上 Sora,且仅限 Plus 和 Pro 用户。这个过程里 Google Veo、快手可灵、Runway Gen-3 都相继发布,逼着 OpenAI 加快进度。
关键信息
| 项目 | 参数 |
|---|---|
| 模型名 | Sora |
| 首次展示日期 | 2024 年 2 月 15 日 |
| 最大生成时长 | 60 秒 |
| 架构 | Diffusion Transformer(时空 patch) |
| 公开发布 | 2024 年 12 月(Plus/Pro 用户) |
| 定价 | Plus 用户有限量,Pro 200 美元/月 |
| 同期竞品 | Runway Gen-3、Pika、可灵、Google Veo |
我们的观察
我们当时看了所有 demo,第一反应是"这下视频行业的版图要变"。但用上一段时间后判断更冷静了:60 秒是个噱头,真正能用的片段大多在 10 秒以内,长视频里仍会出现人物变形、物体凭空消失这类问题。物理模拟"接近真实"是营销话术,复杂场景(多人物互动、精细手部动作)还是会露馅。
定价和算力是更大的门槛。生成一段视频的成本远高于生成图片,Plus 用户的配额很少,真正做商业化内容得用 Pro。这个成本结构让 Sora 短期内很难替代商业拍摄,更多是用在概念验证和素材草图阶段。
国内可灵、即梦跟得很紧,可灵在人物动作一致性上已经不输 Sora,而且有国内合规优势。视频生成这个赛道,技术差距在缩小,真正的分水岭是版权和算力成本谁先解决。