从 Sora 研究预览看文生视频的能力与边界

摘要

Sora 展示了根据文本生成较长视频的能力，也暴露出空间关系、物理规律和事件因果上的局限。理解这些边界，比只看演示画面更重要。

研究预览展示了什么

OpenAI 在 2024 年 2 月公布 Sora 研究预览，展示根据文字提示生成最长一分钟视频的能力。官方页面将它描述为理解和模拟运动中物理世界的一项探索。

这些样例说明视频生成正在从短片段和单一镜头，走向更长时间、更复杂场景与更稳定主体。但研究预览主要用于展示方向，不能直接等同于成熟产品能力。

官方同时列出了模型弱点，包括难以准确模拟复杂场景中的物理规律，也可能混淆事件的因果关系、空间细节和随时间发生的变化。

这类问题决定了生成视频更适合创意探索、分镜和概念验证。涉及事实呈现、产品细节或连续动作时，仍需要逐镜检查和人工修正。

有效提示不只描述画面风格，还要明确主体、动作、环境、镜头和时间变化。把一个复杂场景拆成可检查的镜头，通常比要求模型一次生成完整叙事更容易控制。

学习文生视频时，可以把评价标准从“像不像电影”扩展到主体一致性、运动合理性、镜头连续性和是否满足传播目的。