A行业级
Sora 展示长时文生视频
视频生成被表述为对时空世界的统一建模
已核验1可追溯来源
OpenAI 公布 Sora 研究预览，可根据文字生成最长一分钟、保持较高视觉质量和镜头连贯性的视频。
发生了什么
Sora 把压缩视频切成时空 patch，用类似语言模型 token 的方式交给扩散 Transformer 处理。模型也能扩展、补全或连接已有视频。
当时的行业背景
早期文生视频通常只有数秒，容易出现物体变形、身份漂移和运动不连续。图像扩散模型还缺少稳定表示长时间和复杂镜头的方法。
为什么重要
它显示扩散 Transformer 能跨图像和视频扩展，也让物理一致性、训练数据版权、人物仿冒和影视工作流程成为迫切议题。
在它之前
文生视频多是短片段和明显不稳定的研究演示。
在它之后
一分钟级生成和复杂镜头控制成为前沿模型目标。
影响
它改变了什么
对用户
文字和静态素材开始可以直接生成较长的动态镜头。
对行业
视频生成模型进入影视、广告和创意软件的产品竞争。
来源