2024年2月16日，当全中国都沉浸在春节假期的喜悦中时，OpenAI发布了旗下首个文生视频（Text-to-Video）大模型Sora，其生成的多段视频质感优秀，媲美电影，我们看到了走在东京街道上的时尚女郎、踏雪而来的猛犸象群、咖啡杯里互相追逐的海盗船、在蜡烛边烤火的小怪兽……全世界都在惊叹“AI产业的‘iPhone时刻’已经到来”，埃隆·马斯克干脆承认“人类输了”。只在测试阶段就引起了如此大的轰动，那么Sora是什么意思？Sora又是如何工作的呢？

工具/原料：

系统版本：win10专业版

品牌型号：华为MateBook E

软件版本：Sora SDK 2.3.6

Sora是什么意思：

Sora的名字来自日语“空”，直译过来就是天空；日语中还有一个成语“绘空事”，表示的正是“画出不存在之物、天马行空地创作”之意，完全符合这个文生视频大模型的定位。

“文生视频”，就是让大模型根据用户输入的指令快速生成前所未有的AI视频。这种产品并非OpenAI首创。实际上，近几年以文生视频为主业务的初创公司不断涌现，互联网行业巨头如谷歌、Meta、微软也投入了不少人员和精力在这条赛道上，但视频时长和质量一直徘徊不前。2023年最火的AI视频应用是Runway和Pika，它们都能根据文字生成4-6秒的视频，两家公司的创始人都把生成15秒视频作为今年的目标，可见提升AI视频时长是多么的困难。

但Sora的出现完全改变了这一切，一出手就建立了绝对优势。一是视频时长，Sora可以生成60秒长视频，完全碾压已有的任何同类产品；二是对“文字提示”的高度理解，还可以对简单的指令进行合理补充，并充满了合理的想象力；三是能在一个视频内实现多角度镜头，分镜切换既符合逻辑又十分流畅；四是体现了对真实世界的理解能力，Sora对于光影反射、物体运动、物体相互作用等细节处理得十分优秀，极大地提升了真实感。

除此之外，Sora已经对现实世界的物理规律具备了一定的理解能力。比如一段视频中，男人咬了一口汉堡包后，汉堡上出现了一个咬痕。虽然我们觉得这是理所当然的，但Sora能模拟出这种变化已经一种突破，表明该模型已经开始理解物理规律，这是人工智能的一大进步。

Sora是如何工作的:

想象一下，从电视上的静电、嘈杂的画面开始，慢慢消除模糊，直到你看到一个清晰、移动的视频。这基本上就是 Sora 所做的。这是一个特殊的程序，使用“transformer架构”来逐步消除噪音并创建视频。

它可以一次生成整个视频，而不仅仅是逐帧生成。通过提供模型文本描述，用户可以引导视频的内容，例如确保一个人即使离开屏幕一会儿也能保持可见。

想想基于单词生成文本的 GPT 模型。Sora 做了类似的事情，但使用图像和视频。它将视频分解成更小的部分，称为补丁。

“Sora 建立在 DALL·E 和 GPT 模型。它使用了 DALL·E 3，涉及为视觉训练数据生成高度描述性的标题。因此，该模型能够更忠实地遵循生成视频中用户的文本说明。

总结：以上关于索拉是什么意思就介绍到这里了，有需要的小伙伴一起来看看吧。