AG旗舰厅提示词：一位时尚女性走在充满温暖霓虹灯和动画城市标牌的东京街道上。她穿着黑色皮夹克、红色长裙和黑色靴子，拎着黑色钱包。她戴着太阳镜，涂着红色口红。她走路自信又随意。街道潮湿且反光，在彩色灯光的照射下形成镜面效果。许多行人走来走去。

　　Sora生成视频（原视频为60s，文中截取20s，画质受gif大小限制有所压缩）。图源：OpenAI

　　提示词：几只巨大的毛茸茸的猛犸象踏着白雪皑皑的草地走近，它们长长的毛茸茸的皮毛在风中轻轻飘动，远处覆盖着积雪的树木和雄伟的雪山，午后的阳光下有缕缕云彩，太阳高高地挂在空中距离产生温暖的光芒，低相机视角令人惊叹地捕捉到大型毛茸茸的哺乳动物，具有美丽的摄影和景深。

　　提示词：动画场景的特写是一个毛茸茸的小怪物跪在融化的红蜡烛旁边。艺术风格是 3D 和现实的，重点是灯光和纹理。这幅画的气氛是一种惊奇和好奇，怪物睁大眼睛、张开嘴巴凝视着火焰。它的姿势和表情传达出一种天真和俏皮的感觉，就好像它第一次探索周围的世界一样。暖色调和戏剧性灯光的使用进一步增强了图像的舒适氛围。

　　在半年前，在保证生成画质的前提下时长仅仅是突破10秒，对于多数视频模型而言都是难以企及的高度。

　　这是由于循环网络、生成对抗网络、Diffusion模型等主流视频建模范式，通常只能学习某一小类的视觉数据、较短的视频或者固定大小的视频。

　　这意味着，此前主流范式下的视频生成模型对训练数据有较高的要求，需要将训练数据处理为具有标准大小、裁剪尺寸的视频。

　　将Diffusion模型（可以将随机像素大致转换为图像）与Transformer神经网络（支持处理长数据序列）相结合

　　比如对应大语言模型中将文本分割为最小的处理单位Token，Sora也通过压缩视频到较低维度AG旗舰厅app，将视觉数据分割为可分块处理的补丁（patch）。并且随着训练计算量的规模式（Scaling）提升，视频生成质量会显著提高。

　　2022年，TikTok观看量Top 10的视频平均时长为44.2秒，最长的一个视频长达2分16秒；

　　广告分析公司IntegralAdScience的统计数据显示，移动网络展示广告和移动应用的广告平均时长分别为15.6秒和20.2秒。

　　这意味着，一旦文生视频模型突破了60s的时长瓶颈、画质达到商用级别，对于用户的生产和娱乐方式，都会产生巨大的影响。《马戏之王》导演Michael Gracey告诉：“电影制作者不再需要一个由 100 或 200 名艺术家组成的团队，在三年内制作他们的动画长片。这让我很兴奋。”

　　由于Sora生成的视频质量远高于多数视频生成模型AG旗舰厅app，尤其现实风格让人真假难辨，不少专家也表达了对视频深度伪造（Deepfake）的担忧。政治竞选虚假信息识别组织True Media创始人、华盛顿大学教授Oren Etzioni在的采访中表示：“我非常害怕这种事情会影响一场势均力敌的选举AG旗舰厅app。”