開發

Sora ！ ！ ！ 近日，網路上掀起了一陣關於Sora的熱潮。 作為OpenAI最新推出的技術，Sora賦予了文字生成影片的魔力，其展示的效果令人印象深刻。 在當前，短影片的吸引力已遠超過傳統的小說和圖像漫畫。 因此，Sora的問世，可能會在影片製作領域引發一場革命。 Sora的魅力在於，它能夠基於文字描述產生長達60秒的影片內容，這些內容包括了精細的場景設定、栩栩如生的角色表情，以及流暢的鏡頭轉換。 這項技術能夠塑造出多元化的角色，實現特定的動作，並且在主題和背景方面做到與描述高度一致。 Sora不僅能精確地理解使用者的指令，還能深刻洞察這些元素在現實世界中應有的呈現方式。 Sora展現了對語言的深刻洞察力，能夠精確捕捉用戶的意圖，創造出既生動又情感充沛的影片內容。 它甚至能在同一影片中呈現多個場景，同時確保角色的連貫性和視覺風格的統一性。 然而，Sora並非完美無瑕。 在模擬複雜場景下的物理效應，以及理解特定因果關係方面，它仍有待提升。 例如，影片中的角色可能會咬一口餅乾，卻未能在餅乾上留下明顯的痕跡。 此外，Sora在處理空間細節，例如分辨方向，或是描述一段時間內的具體事件，如攝影機的移動軌跡時，也可能顯示出一定的限制。 **簡單來說，簡單來說，Sora 是一種能用文字產生最長 60 秒影片的技術，也可以用來產生圖片，因為圖片本質上是一幀的影片。 ** 這篇文章，將會從 Sora 的架構，然後到 Sora 的生態，以及最後普通人或開發者如何利用或使用 Sora ，為這個 AI 浪潮做準備 ~ Sora的架構與創新 Sora代表了在AI視訊生成技術中的重大創新，它在架構上與先前的Runway及Stable Diffusion等基於擴散模型的系統有著明顯的差異。 核心之處在於Sora採用了Diffusion Transformer模型，這是一個結合了擴散模型和Transformer模型的先進架構，為視訊生成帶來了前所未有的靈活性和品質提升。 架構比較 Runway/Stable Diffusion：這些系統基於擴散模型，透過逐步為圖片添加雜訊，再逐步去除雜訊的方式產生清晰圖片。 這個過程雖然能夠產生高品質的影像，但在影片生成上存在限制，尤其是在處理長影片和維持影片一致性方面。 Sora：Sora利用Diffusion Transformer模型，透過Transformer的編碼器-解碼器架構處理含噪點的輸入影像，並預測出更清晰的影像版本。 這不僅提高了影像處理的效率，而且在視訊生成上實現了顯著的進步。 Sora的創新在於它處理的基本單位不是文字的Token，而是視頻的“Patch”，即隨時間變化的色塊，這允許Sora處理任何大小和長寬比的視頻，無需預先裁剪或調整。 創新應用 Sora的架構使其能夠在訓練時使用更多的資料和運算資源，得到更高品質的輸出。 這種方法不僅避免了視訊預處理可能導致的原始構圖遺失問題，而且因為能夠接收任何視訊作為訓練輸入，Sora的輸出不會受到訓練輸入構圖不良的影響。 此外，Sora展示了模擬複雜物理現象（如液體動力學）的能力，這得益於其在訓練時使用的大量視訊資料中包含的物理規則。 研究基礎與啟示 Sora的開發受到了《Scalable Diffusion Models with Transformers》和《Patch n' Pack: NaViT, a Vision Transformer for any Aspect Ratio and Resolution》兩篇論文的啟發，這些研究來自谷歌，並在Sora項目啟動後不久發表 。 這些研究提供了Sora架構的理論基礎與技術細節，為Sora及未來AI視訊生成技術的發展奠定了堅實的基礎。...