Sora的6大優(yōu)勢
（1）準(zhǔn)確性和多樣性：Sora可將簡短的文本描述轉(zhuǎn)化成長達(dá)1分鐘的高清視頻。它可以準(zhǔn)確地解釋用戶提供的文本輸入，并生成具有各種場景和人物的高質(zhì)量視頻剪輯。它涵蓋了廣泛的主題，從人物和動物到郁郁蔥蔥的風(fēng)景、城市場景、花園，甚至是水下的紐約市，可根據(jù)用戶的要求提供多樣化的內(nèi)容。另據(jù)Medium，Sora能夠準(zhǔn)確解釋長達(dá)135個單詞的長提示。
（2）強(qiáng)大的語言理解：OpenAI利用Dall·E模型的recaptioning（重述要點(diǎn)）技術(shù)，生成視覺訓(xùn)練數(shù)據(jù)的描述性字幕，不僅能提高文本的準(zhǔn)確性，還能提升視頻的整體質(zhì)量。此外，與DALL·E 3類似，OpenAI還利用GPT技術(shù)將簡短的用戶提示轉(zhuǎn)換為更長的詳細(xì)轉(zhuǎn)譯，并將其發(fā)送到視頻模型。這使Sora能夠精確地按照用戶提示生成高質(zhì)量的視頻。
（3）以圖/視頻生成視頻：Sora除了可以將文本轉(zhuǎn)化為視頻，還能接受其他類型的輸入提示，如已經(jīng)存在的圖像或視頻。這使Sora能夠執(zhí)行廣泛的圖像和視頻編輯任務(wù)，如創(chuàng)建完美的循環(huán)視頻、將靜態(tài)圖像轉(zhuǎn)化為動畫、向前或向后擴(kuò)展視頻等。OpenAI在報告中展示了基于DALL·E 2和DALL·E 3的圖像生成的demo視頻。這不僅證明了Sora的強(qiáng)大功能，還展示了它在圖像和視頻編輯領(lǐng)域的無限潛力。
（4）視頻擴(kuò)展功能：由于可接受多樣化的輸入提示，用戶可以根據(jù)圖像創(chuàng)建視頻或補(bǔ)充現(xiàn)有視頻。作為基于Transformer的擴(kuò)散模型，Sora還能沿時間線向前或向后擴(kuò)展視頻。
（5）優(yōu)異的設(shè)備適配性：Sora具備出色的采樣能力，從寬屏的 1920x1080p 到 豎 屏 的1080x1920，兩者之間的任何視頻尺寸都能輕松應(yīng)對。這意味著Sora能夠?yàn)楦鞣N設(shè)備生成與其原始縱橫比完美匹配的內(nèi)容。而在生成高分辨率內(nèi)容之前，Sora還能以小尺寸迅速創(chuàng)建內(nèi)容原型。
（6）場景和物體的一致性和連續(xù)性：Sora可以生成帶有動態(tài)視角變化的視頻，人物和場景元素在三維空間中的移動會顯得更加自然。Sora 能夠很好地處理遮擋問題。現(xiàn)有模型的一個問題是，當(dāng)物體離開視野時，它們可能無法對其進(jìn)行追蹤。而通過一次性提供多幀預(yù)測，Sora可確保畫面主體即使暫時離開視野也能保持不變。
Sora這一名稱源于日文“空”，即天空之意，以示其無限的創(chuàng)造潛力。其背后的技術(shù)是在OpenAI的文本到圖像生成模型DALL-E基礎(chǔ)上開發(fā)而成的。Sora可以根據(jù)用戶的文本提示創(chuàng)建最長60秒的逼真視頻，該模型了解這些物體在物理世界中的存在方式，可以深度模擬真實(shí)物理世界，能生成具有多個角色、包含特定運(yùn)動的復(fù)雜場景。繼承了DALL-E 3的畫質(zhì)和遵循指令能力，能理解用戶在提示中提出的要求。Sora對于需要制作視頻的藝術(shù)家、電影制片人或?qū)W生帶來無限可能，其是OpenAI“教AI理解和模擬運(yùn)動中的物理世界”計(jì)劃的其中一步，也標(biāo)志著人工智能在理解真實(shí)世界場景并與之互動的能力方面實(shí)現(xiàn)飛躍 。
2022年底，OpenAI正式推出ChatGPT，這款由人工智能技術(shù)驅(qū)動的自然語言處理工具能夠通過學(xué)習(xí)和理解人類的語言來進(jìn)行對話 。ChatGPT是OpenAI邁出的第一步，這款讓所有人都能體會到人工智能潛力的現(xiàn)象級產(chǎn)品，展現(xiàn)出了文字對于過去人工智能的理解力和邏輯能力的超越。隨后，OpenAI的開發(fā)重點(diǎn)逐步過渡到圖像的生成，Dall-E模型在生成圖像方面也獲得了重大突破。視覺算法的進(jìn)步：覺算法近年來的突破在泛化性、可提示性、生成質(zhì)量和穩(wěn)定性等方面均取得了進(jìn)展，這預(yù)示著技術(shù)拐點(diǎn)的臨近以及爆款應(yīng)用的涌現(xiàn)。特別是在3D資產(chǎn)生成和視頻生成領(lǐng)域，由于擴(kuò)散算法的成熟，這些領(lǐng)域受益匪淺。然而，與圖像生成相比，3D資產(chǎn)和視頻生成在數(shù)據(jù)和算法方面面臨的難點(diǎn)更多。盡管如此，考慮到大型語言模型（LLM）對人工智能各領(lǐng)域的加速作用以及已經(jīng)出現(xiàn)的優(yōu)秀開源模型，2024年該行業(yè)有望實(shí)現(xiàn)更大的發(fā)展。
2021年1月5日文生圖模型Dall-E發(fā)布
Dall-E可以根據(jù)簡單的描述創(chuàng)建逼真和清晰的圖像，精通各種藝術(shù)風(fēng)格，還可以生成文字制作建筑物上的標(biāo)志，并制作同一場景的草圖和全彩圖像。
2022年4月Dall-E 2發(fā)布
Dall-E 2不僅可以生成更真實(shí)和更準(zhǔn)確的畫像，而且能夠?qū)⑽谋久枋鲋械母拍睢傩院惋L(fēng)格等元素綜合起來，生成現(xiàn)實(shí)主義的圖像和藝術(shù)作品。
2022年11月30日大語言模型ChatGPT發(fā)布
ChatGPT不僅能與人對話，還能編寫代碼、創(chuàng)作內(nèi)容等，這一款革命性產(chǎn)品的上線引發(fā)全球關(guān)注，上線僅5天用戶數(shù)量就已突破100萬。
2023年3月15日GPT-4正式面世
GPT-4可以更準(zhǔn)確地解決用戶的難題，多模態(tài)的GPT-4還可以生成、編輯具有創(chuàng)意性或技術(shù)性的文章，在高級推理方面的表現(xiàn)超過其前代產(chǎn)品。
2023年9月21日Dall-E 3正式發(fā)布
Dall-E 3能夠更準(zhǔn)確、更優(yōu)秀地生成效果，可以更準(zhǔn)確地呈現(xiàn)用戶的想法，用戶可以要求ChatGPT提供合適的提示詞。
2024年2月16日Sora問世
Sora繼承了Dall-E 3的畫質(zhì)和遵循指令能力，可以根據(jù)用戶的文本提示創(chuàng)建逼真的視頻，可以深度模擬真實(shí)物理世界，能生成具有多個角色、包含特定運(yùn)動的復(fù)雜場景。