昨天，OpenAI发布的首个文生视频模型Sora，成功霸屏全球科技媒体头条，其逼真的细节、连贯的视频动作以及精准的文本语义还原令人咋舌。

不少媒体、科技大咖和影视导演指出，Sora的出现不仅一夜让深耕该领域的Runway、Pika、Stability.ai等头部企业黯然失色，就连影视行业都可能一起颠覆。

今天「AIGC开放社区」根据OpenAI公布的技术报告，为大家深度的解读一下Sora的技术原理，以及那些前所未有的超强视频功能。

报告地址：https://openai.com/research/video-generation-models-as-world-simulators

为什么其他模型，很难生成4秒以上的高质量视频

我们先思考一个非常重要的问题，文生视频领域的AI工具那么多，技术迭代也折腾了好几年，为什么无法像Sora那样，一次生成超过4秒甚至1分钟的高质量视频？

限制Gen-2等产品生成高质量长视频的一个重要原因就是缺少——高质量训练数据。

文生视频模型需要大量的视频数据进行训练，包含各种场景、人物、动作、物品等，以帮助模型学习视频的生成规律和运动轨迹等重要元素。

目前公开的视频数据集，例如 Kinetics、HMDB51、Charades等，视频长度都比较短，一般只有几秒钟，并且搜集视频训练数据的难度是文本的好几倍，高质量数据更是难上加难。

大模型的根本原理就是通过模仿然后进行二次创新，所以，训练数据那么短，模型也很难模仿创作更长的视频。

昨天就有科技大咖指出，Sora可能使用了虚幻引擎5合成的游戏视频训练数据，从视频的色彩、细节来看这个判断是靠谱的。

这样看来OpenAI手里已经掌握了一批高质量视频训练数据，同时找到了新的高效数据合成方法。

此外，在训练方法、模型架构、算力需求等方面，Sora也进行了创新将ChatGPT、DALL·E 3等模型融合在一起。

Sora可以模拟世界

由于Sora的技术原理比较枯燥，我们放在后面说，先从Sora的超强视频功能说起吧。

OpenAI发现，Sora在经过大规模训练后，会表现出许多有趣的新能力，能够模拟物理世界中的人、动物和环境的某些方面。这些特性的出现并没有对3D、物体等产生任何明确的归纳偏差，纯粹是规模现象。

3D一致性：Sora 可以生成摄像机动态运动的视频。随着摄像机的移动和旋转，人物和场景元素在3D空间中的移动会保持一致。

长距离一致性和对象持久性，是生成高质量长视频的一个重大挑战。OpenAI表示，Sora 经常（并非总是）能够有效地模拟短距离和长距离依赖关系。例如，即使人、动物和物体被遮挡或离开画面，也能保持它们的存在。

此外，Sora还能在单个样本中生成同一角色的多个镜头，并在整个视频中保持其外观。

与物理世界产生互动，Sora有时可以模拟一些影响世界状态的简单动作。例如，画家可以在画布上留下新的笔触，并随着时间的推移而持续；或者一个人在吃一个汉堡时，留下咬痕。

模拟数字世界：Sora还能模拟人工操作流程，例如，在游戏“我的世界中”， Sora 可以通过基本策略控制 游戏中的玩家，同时高保真地呈现世界环境以及动态。

OpenAI也指出了Sora模拟的局限性，例如，不能准确地模拟许多基本交互的物理现象，如玻璃碎裂，并不总能产生正确的物体状态变化。

但从更长远的角度来看，继续扩大Sora的训练数据规模，是开发物理、数字世界以及元宇宙的一种高效模拟手段，可以近乎真实地来还原物体、动物和人等。

视频连接功能

Sora 可以在两个输入视频之间逐步插值，并在主题、场景构成完全不同的视频之间创建无缝过渡。简单来说，就是Sora具备无缝视频剪辑连接，这对于影视行业来说帮助很大。

OpenAI在展示Sora的视频连接功能时，使用了三个20秒的案例：一个飞行的无人机，无缝变成了一只蝴蝶，然后场景切换到海底世界。整个流程非常丝滑，感觉就像人工剪辑的一样。

扩展生成视频

Sora 还能向前或向后多个维度扩展视频。OpenAI举了3个视频案例，它们都是从一段生成的视频开始向后延伸的，所以，这3段视频的开头都与其他视频不同，但结尾都是一样。

视频剪辑

扩散模型为文本提示，编辑图像和视频提供了大量方法。于是，OpenAI将把其中一种方法 SDEdit32应用在了Sora。这使得 Sora 可以在0拍摄的情况下，转换输入视频的风格和环境。

例如，一辆在森林中飞奔的跑车，可以瞬间改成赛博朋克的视频画面。这个功能其实就是一键滤镜+环境修改。说起来很简单，但在技术层面相当有难度。

通过图像、视频进行生成提示

除了文本之外，Sora还能通过图像、视频的方式生成视频。例如，输入一张图像，一只戴着贝雷帽和黑色高领毛衣的柴犬，然后就能制作视频。

生成图像能力

Sora是一个文生视频模型，但同样具备生成图像能力，这个创新属于业内第一家。

Sora可以生成不同大小，分辨率高达2048x2048的图像

例如，充满活力的珊瑚礁，有色彩缤纷的鱼类和海洋生物

苹果树下有一只可爱的小老虎，哑光绘画数字风格，细节华丽

Sora技术原理以及“视频补丁”

说完了Sora一堆超强功能，我们唠唠它的技术原理。

衣服破了一个洞怎么办？通常的方法是打一个补丁，然后缝缝补补又穿3年。

同理，OpenAI从大语言模型ChatGPT领悟到了灵感：大模型可以生成各种细化文本内容，主要得益于精准的数据标记，统一了文本代码、数学和各种自然语言的不同模式。

既然大模型有文本标记，那Sora当然也可以有“视频补丁”啊。OpenAI发现，视频补丁是一种高度可扩展且有效的表示形式，可用于在不同类型的视频和图像上训练生成模型。

在较高维度上，OpenAI首先将视频压缩到低维潜在空间中，然后将其分解为时空补丁，从而将视频转化为补丁。

视频压缩网络：OpenAI训练了一个降低视觉数据维度的网络。该网络将原始视频作为输入，并输出在时间和空间上压缩的潜在表示。

Sora 在这个压缩的潜在空间中接受训练，并随后生成视频。同时还训练了相应的解码器模型，将生成的潜伏映射回像素空间。

时空潜伏斑块：给定一个压缩输入视频，OpenAI提取了一系列时空补丁作为转换标记。基于补丁的表示法，使 Sora 能够在不同分辨率、持续时间和长宽比的视频和图像上进行训练。

在推理时，可以通过在适当大小的网格中排列随机初始化的补丁，来控制生成视频的大小。

模型架构：Sora是一个扩散模型在给定输入噪声补丁，被训练来预测原始的“干净”补丁。此外，Sora 和ChatGPT一样使用了Transformer 架构，在语言建模、计算机视觉以及图像生成等方面非常优秀。

改善构图：OpenAI发现，在原始长宽比的视频上进行训练，可以极大改善构图和取景，并将 Sora 与所有训练视频裁剪成正方形的模型版本进行了比较，取景效果获得了极大的改善。

右图为Sora生成全景视频。

精准文本语义理解：训练视频模型需要大量，带有相应字幕的视频。OpenAI将DALL·E 3的重新字幕技术引入到了Sora。首先训练一个高度描述性的字幕模型，然后用它为训练集中的所有视频制作文本字幕。

OpenAI表示，在高度描述性的视频字幕上进行训练，可提高文本的保真度以及视频的整体质量。

与 DALL-E 3 一样，OpenAI也通过 GPT 将简短的用户提示转化为较长的详细字幕，并发送给视频模型。这使得 Sora 能够精准地还原用户的文本提示，生成高质量的长视频。

从这份技术报告来看，Sora更像是OpenAI的技术大集合，使用到了很多ChatGPT、DALL·E 3以及之前积累的技术沉淀，也是Sora能呈现出那么多超强视频技术的原因。

让我们一起期待Sora公测、开放API的那一天吧，万一开源了呢~

本文素材来源OpenAI官网，如有侵权请联系删除

END