https://kejiciwei.com/tags/%E6%96%87%E7%94%9F%E8%A7%86%E9%A2%91/Recent content in 文生视频 on 科技刺猬Hugozh-CNSat, 17 Feb 2024 00:00:00 +0000https://kejiciwei.com/sora-video-ai/Sat, 17 Feb 2024 00:00:00 +0000https://kejiciwei.com/sora-video-ai/<p>2 月 15 日，OpenAI 在大家以为它在憋下一个语言模型的时候，抬手发了个视频模型：Sora。</p> <p>给它一句话，它能生成最长 60 秒的视频。官方放出的样片里，猛犸象踏着雪原走来，绒毛抖动、雪花飞溅；镜头穿过东京的街道，霓虹灯在湿漉漉的地面上反光，行人擦肩而过。不是那种五秒就崩坏的动图，而是有一镜到底质感的完整片段。发布当天，影视、广告和动画圈的从业者，大概都把这批样片来回拉了好几遍。</p> <p>先说说样片里几个被反复转发传看的片段。一群纸做的小船在一杯咖啡里乘风破浪，浪花是真的咖啡；航拍镜头掠过大苏尔的海岸，悬崖和海浪的光影完全经得起暂停细看；一位老太太在烛光前过生日，吹蜡烛的气流让烛火晃了晃。这些片段单拎出来，都可以直接混进真实素材库里蒙混过关——注意，是「片段」。生成一分钟里总有那么几秒，AI 会露出马脚，但挑出来的这一批，确实是另一个次元的东西。</p> <p>过去一年也不是没人做文生视频，Runway、Pika 这些名字在创作者圈子里已经不陌生，它们的作品通常在三五秒内就开始融化、变形。圈里人对这类工具的定位一直是「做动态素材的玩具」。Sora 一出来，这个定位一夜之间失效了：原来视频生成的天花板，离大家以为的位置差这么远。</p> <h2 id="它强在哪">它强在哪</h2> <p>文生视频不是新概念，过去两年的工具能生成的，也就是几秒钟的、人物经常多指头、镜头一晃就散架的片段。Sora 这次的跳跃主要在三处。</p> <p>一是时长。一分钟意味着它可以尝试叙事了：起承转合、镜头切换、多个人物出场，而不只是一个动起来的壁纸。二是连贯性。样片里人物转一圈回来，衣服和脸没有换；镜头拉远，场景的空间关系还成立。这种「世界一致性」是视频生成最难的部分，它居然已经做到了能看的程度。三是对提示词的理解。复杂的描述——谁在什么地方、穿什么、往哪个方向走、情绪如何——它能拆开并落实成画面，而不是抽盲盒。</p> <p>按 OpenAI 的说法，Sora 的思路是把视频和图片都拆成一小块一小块的「时空补丁」喂给 Transformer 结构处理，相当于视频版的大语言模型：语言模型学会了文字接龙，它在学的是画面如何随时间接龙。这个路线如果成立，视频生成也会吃上规模定律的红利，效果随算力和数据继续涨。</p> <h2 id="为什么还不给用">为什么还不给用</h2> <p>Sora 目前没有开放给公众，第一批能上手的是负责找问题的安全测试人员（所谓红队），以及少量视觉艺术家、设计师和电影人。OpenAI 的解释是先把风险捋清楚：生成逼真视频的能力一旦人人可用，假新闻、伪造影像、色情与欺诈内容的生产成本会被直接打穿。2024 年又恰逢全球多地的大选年份，一段假视频的破坏力不用多说。</p> <p>另外它自己也不完美：样片里能找到物理常识的破绽，比如玻璃杯不会碎、椅子的腿偶尔飘移、左右方向搞混。发布样片是千里挑一还是随手一抽，普通用户无从判断——这也是等开放评测的原因。</p> <h2 id="行业要地震了吗">行业要地震了吗</h2> <p>这种焦虑有个背景：好莱坞去年刚经历了一场长达数月的编剧和演员大罢工，AI 会不会抢饭碗正是罢工谈判的核心议题之一，协议墨迹未干，Sora 就把视频生成的门槛抬到了这个高度。对影视工业来说，它此刻更像一个谈判筹码和创作工具的混合体：大导演可以用它快速验证分镜，制片方也可以用它来压预算。先被改变的往往不是作品，而是工作流程和报价单。</p> <p>短视频这侧的变化可能会更早到来。自媒体和营销号对画面的需求是海量且廉价的，一旦生成质量过关，大量「配个画面念稿子」式的内容会直接换成 AI 制作。到时候平台上最稀缺的，反而会变成真实拍摄的、有现场感的东西——技术每次普及一种造假能力，都会顺便抬高真实的价格。</p> <p>焦虑是真的，但顺序得排对。最先被冲击的不是电影，而是那些对「差不多就行」的视频需求：广告素材、短视频背景、概念演示、 stock footage 式的空镜。这些活儿的共同点是量大、单价低、对原创性要求不高，AI 生成在成本上是碾压的。真正依赖表演、调度和独特审美的创作，短期内还轮不到被替代——但从业门槛一定会被改写，就像 AI 绘画改写了原画行业那样，先动的是新手的入行路线。</p> <p>还有一个更隐蔽的问题：当「拍到」不再等于「发生过」，我们靠什么取证？水印和内容溯源技术都在路上，但它们和生成技术的赛跑谁赢谁输，现在下结论太早。</p> <p>把视角再拉远一点。AI 工具这几年的进军路线，是先文字、再图片、后视频，难度逐级翻倍：文字错了改一个词，图片错了重抽一次，视频错了要保证接下来每一帧都自圆其说。Sora 相当于当众宣布，这条最难的路线也已经修到了半山腰。接下来会发生什么，参照图片生成这一年的剧本就能猜到：先是专业圈层试用，然后是各种套壳工具冒头，价格战，最后变成剪辑软件里一个不起眼的按钮。视频创作者的工作流——写脚本、画分镜、找素材、粗剪——会被逐段改写，而不是整段消失。早点动手试的人，吃到的还是时间差红利。</p> <p>对普通读者来说，Sora 今年大概率还是个新闻里的东西，不是个能打开的软件。但它发出的信号值得记住：AI 继文字、图片之后，正式摸到视频了，而且第一步就迈得比所有人预想的大。等它开放那天，我们再回来看看这篇，验证一下哪些判断站住了。</p>