Sora开年王炸！分分钟读懂AI视频进化史

未来已来，现实将被彻底颠覆！

AI视频创意图由微软 Copilot 生成

马斯克再度预言成真，2024果然是人工智能电影元年——GPT 技术带来的新一轮人工智能热潮持续席卷全球一年之后，龙年伊始 Sora 再次横扫千军。

图注：2023年11月27日 Pika 爆火后，马斯克预判称明年将是“人工智能电影”元年

近日，Sora 以文字一键输出的一分钟连贯视频里，呈现出高度细致的背景、精致复杂的多角度镜头，以及富有情感的多个角色，横扫此前一切 AI 视频技术，可谓豪气干云。

根据 OpenAI 的说法，Sora 是结合了 Transformer 和 Diffusion 这2个迄今最重要的模型：ChatGPT、Gemini、LLaMA 等语言模式都是基于 Transformer 模型——对词语进行标记，并生成单词；Diffusion 模型则被归类是“文生图”的模型。

有专业机构指出，如果从“理解世界”的角度来审视 Sora，那么某一帧图像的画质、画面关系绝不是模型质量高低的评判标准，甚至官网释出的 60 秒一镜到底视频也不是最核心的部分。真正的重点在于视频存在不同机位，不论远、中、近、特、广，视频中人物和背景的关系都保持着相当的一致性。这才是业界认为 Sora 的遥遥领先之处。

图片来自网络：Sora跟其他多个视频模型的区别 

Sora 如此吸睛的原因不仅在于AI如何生成视频，更在于这背后的意义——即训练 AI 理解物理世界，继而生成各种真实场景的可能性。世界对 Sora 的关注，体现的其实是人们对未来“世界模拟视频生成模型”的展望和期待。正因如此，Sora 的亮相也极大概率会促进通用人工智能（AGI）的加速到来。

视频剪辑创意图由微软Copilot生成

所谓“世界模拟器”的说法，源自 OpenAI 官网上一篇关于 Sora 的名为《把视频生成模型作为世界模拟器》的研究论文，文中 Open AI 自称Sora是“世界模拟器”。然而也有不少大神级科学家对此并不认同。比如图灵奖得主、Facebook 首席AI科学家杨立昆（ Yann LeCun）就认为 Sora 不能理解物理世界，并顺势安利了 Meta 前几天推出的AI视频模型  V-JEPA 联合嵌入预测架构的优越性。

杨立昆在海外社交媒体发表见解，否认 Sora 能够理解物理世界

此外，前谷歌、Facebook 技术主管 Hongcheng 也在近期表示 AI 模型不大可能通过被动看训练数据视频，就能掌握物理定律。更有专家分析认为，从 Sora 生成的部分视频来看，它是依赖于数据插值和潜空间拼贴来生成图像，而非真实的物理模拟……各种说法纷至沓来，一时之间难分高下。

视频剪辑创意图由微软Copilot生成

回顾过去几年，大语言模型（LLM）和视频生成技术（Video GC）一直不断进步，AI 在视频创作领域的运用，不仅降低了视频创作的时间和人力成本，也为视频创作者们提供了源源不断的创意，从而极大地提升了视频内容的生产效率。

Sora 问世前，按照视频生成方式进行划分，流行的 AI 视频生成“三件套”包括文字生成视频、图片生成视频、视频生成视频。据此， Runway 、Pika、Descript 都曾成在彼时红极一时。其中 Runway 主打视频风格迁移的 Gen-1 和主打文本生成视频的 Gen-2，该技术早已被应用于电影、电视与广告等领域：去年横扫奥斯卡7项大奖的电影《瞬息全宇宙》背后的视觉效果团队就使用了 Runway 的技术来帮助创建某些场景，比如用 AI 工具去除背景、放慢视频、制作无限延伸的图片等等。

电影《瞬息全宇宙》海报

Pika 则在2023年后半程备受关注——产出质量上优于 Runway，且操作更为简单：这家仅4人的初创 AI 公司，仅六个多月内就结束测试、发布了首款正式产品 Pika1.0，生成并编辑3D动画、动漫、卡通等微电影。

图为一句话“elon musk in a space suit，3d animation”生成的视频

Descript 则和 Runway 及 Pika 有所不同，它能够将视频转录成文本，让用户通过简单修改文本来同步编辑视频。只需修改文字，视频就会随之改变。 

 Descript功能示意

语音克隆是 Descript 提供的另一项有趣且实用的功能——用户可以克隆自己的声音，以此编辑视频，轻松消除口误，并能调整讲话中的停顿和语气，是集写作、录音、转录、编辑、协作和分享视频与播客于一身的 AI 工具。通过 Descript，用户可以像使用文档和幻灯片一样轻松完成视频编辑，从而节省下大量时间和精力，更加专注于创意部分。

通过编辑文本来编辑视频中的图片颜色

除了上述提及的产品，过去一年中，不少公司还积极借助大语言模型（LLM）的崛起，为 AI 视频创作开拓了更多新领域。比如 ChatGPT 中的 Visla 插件可以根据用户输入的一句话，快速生成有字幕、有语音讲解、有情节的小视频。 

Visla插件

HourOne 则利用字符生成技术（Character Generation Technology），通过 AI 将人类的外貌、声音和动作复制出来，创建出所谓的"虚拟人"。这些虚拟人物可以在视频中朗读文本，从而化身为“教师”“新闻播报员”“虚拟代言人” 等角色。 

HourOne功能示意

Fliki 的最大亮点则在于，可以根据文本生成逼真的人类语音和视频内容，并配以相应的虚拟人物或动画创造出吸引人的视听内容。 

Fliki功能示意

回顾至此，不难发现短短一年，AI 视频技术的发展就实现了垂直增长：视频创作将来便捷化、智能化、高效化的时代。AI 技术不仅为创作者们带来更加丰富多样的创作方式和体验，更令视频创作不再局限于专业领域，促使普通用户轻松参与其中，创造出独具个性和创意的视频作品，为 AI 时代成为单人创业家创造了良好的先决条件。

垂直增长这一概念，由微软全球资深副总裁张祺博士于去年3月首次提出，并发起了“单人创业家（One-Person Entrepreneur）”行动，是指利用 AI 技术的能力和潜力，以“单人+ AI 即团队”的模式，实现垂直创新和垂直增长。

站在2024龙年伊始，作为这场变革的见证者和推动者，期待着视频创作领域在 AI 的引领下蓬勃发展，期待这一技术颠覆行业的时代，视频创作者们能进一步通过技术实现单人创业，开创崭新的创作纪元。

——转载自微软科技微信公众号2024年3月4日发布文章