北京时间今天凌晨，OpenAI 正式发布了文本到视频生成模型 Sora，继 Runway、Pika、谷歌和 Meta 之后，OpenAI 终于加入视频生成领域的战争。
山姆・奥特曼的消息放出后，看到 OpenAI 工程师第一时间展示的 AI 生成视频效果，人们纷纷表示感叹:好莱坞的时代结束了?
OpenAI 声称，如果给定一段简短或详细的描述或一张静态图片，Sora 就能生成类似电影的1080p 场景，其中包含多个角色、不同类型的动作和背景细节。
Sora 有哪些特别之处呢?它对语言有着深刻的理解，能够准确地解释 prompt 并生成吸引人的字符来表达充满活力的情感。同时，Sora 不仅能够了解用户在 prompt 中提出的要求，还能 get 到在物理世界中的存在方式。
在官方博客中，OpenAI 提供了很多 Sora 生成的视频示例，展示了令人印象深刻的效果，至少与此前出现过的文本生成视频技术相比是这样。
对于初学者来说，Sora 可以生成各种风格的视频（例如，真实感、动画、黑白），最长可达一分钟 —— 比大多数文本到视频模型要长得多。
这些视频保持了合理的连贯性，它们并不总是屈服于所说的「人工智能怪异」，比如物体朝物理上不可能的方向移动。
先让 Sora 生成一张中国龙年舞龙的视频。
比如输入 prompt:加州淘金热时期的历史镜头。
输入 prompt:玻璃球的特写视图，里面有一个禅宗花园。球体中有一个小矮人正在沙子上创造图案。
输入 prompt:一位24岁女性眨眼的极端特写，在魔法时刻站在马拉喀什，70毫米拍摄的电影，景深，鲜艳的色彩，电影。
输入 prompt:穿过东京郊区的火车窗外的倒影。
输入 promot:赛博朋克背景下机器人的生活故事。
画面太真实，同时太诡异
但 OpenAI 承认，当前的模型也有弱点。它可能难以准确模拟复杂场景中的物理现象，也可能无法理解具体的因果关系。该模型还可能混淆提示的空间细节，例如混淆左和右，并可能难以精确描述随时间发生的事件，如跟随特定的摄像机轨迹。
比如他们发现，在生成的过程中动物和人会自发出现，尤其是在包含许多实体的场景中。
在下面这个例子中，Prompt 本来是「五只灰狼幼崽在草丛环绕的偏僻碎石路上嬉戏追逐。幼狼们奔跑着、跳跃着，互相追逐着、咬着，嬉戏着。」但所生成的这种「复制粘贴」的画面很容易让人想起某些神异鬼怪传说:
还有下面这个例子，吹蜡烛之前和吹蜡烛之后，火苗没有丝毫变化，透露出一种诡异:
技术细节
对 Sora 背后的模型细节，我们知之甚少。据 OpenAI 博客，更多的信息将在后续的技术论文中公布。
博客中透露了一些基础信息:Sora 是一种扩散模型，它生成的视频一开始看起来像静态噪音，然后通过多个步骤去除噪音，逐步转换视频。
Midjourney 和 Stable Diffusion 的图像和视频生成器同样基于扩散模型。但我们可以看出，OpenAI Sora 生成视频的质量好得多。Sora 感觉像是创建了真实的视频，而以往这些竞争对手的模型则感觉像是 AI 生成图像的定格动画。
Sora 可以一次性生成整个视频，也可以扩展生成的视频，使其更长。通过让模型一次预见多帧画面，OpenAI 解决了一个具有挑战性的问题，即确保被摄体即使暂时离开视线也能保持不变。
与 GPT 模型类似，Sora 也使用了 transformer 架构，从而实现了卓越的扩展性能。
OpenAI 将视频和图像表示为称为 patch 的较小数据单元的集合，每个 patch 类似于 GPT 中的 token。通过统一数据表示方式，OpenAI 能够在比以往更广泛的视觉数据上训练扩散 transformer，包括不同的持续时间、分辨率和宽高比。
Sora 建立在过去 DALL・E 和 GPT 模型的研究基础之上。它采用了 DALL・E3中的重述技术，即为视觉训练数据生成高度描述性的字幕。因此，该模型能够在生成的视频中更忠实地遵循用户的文字提示。
除了能够仅根据文字说明生成视频外，该模型还能根据现有的静态图像生成视频，并准确、细致地对图像内容进行动画处理。该模型还能提取现有视频，并对其进行扩展或填充缺失的帧。
评论留言