OpenAI 预览文生视频模型 Sora

背景

文生视频模型（text-to-video model）接收一段文字描述，产出的是连续画面，而不是文字或一张静止图片。这比生成照片更难：模型必须让同一个物体在一帧一帧之间保持一致，还得让运动看起来是连贯的，而不是一串互不相干的画面。一段描述场景、主体和镜头运动的提示词，最终要变成一段观众看下来不会明显出戏的短片。

预览

2024 年 2 月 15 日，OpenAI 预览了文生视频模型 Sora，并展示了用它生成的高清样片^[1]。OpenAI 表示，该模型可以生成长达一分钟的视频^[1][2]。这次预览并不是发布：当时模型并未对外开放，因此外界能据以判断它能力的主要材料，就是这些公开的样片^[1][2]。

从预览到发布

真正的使用权限是后来才给的，而且分阶段到来。2024 年 11 月，一些测试者为了表达抗议，把 API 访问权限泄露到了 Hugging Face 上，OpenAI 随后撤销了该权限^[1]。公开版本则在 2024 年 12 月 9 日上线，面向美国和加拿大的 ChatGPT Plus 与 Pro 用户^[1][2]。

这次开放按订阅档位划分，各档的差别主要体现在两件事上：一个月能生成多少条视频，以及每条视频能有多长、多清晰。Plus 订阅者每月最多可生成 50 条视频，最高 720p、最长 5 秒^[2]。Pro 订阅者每月最多可生成 500 条视频，片段最长 20 秒、分辨率可达 1080p^[2]。

这些限制说明了什么

生成视频很贵：每多一秒画面、每提高一档分辨率，单次请求都要多消耗算力，因此对时长和分辨率的限制，是视频模型在交到用户手里之前被塑造出来的具体形式之一。这些限制也让「预览」和「发布」成为两件事。一分钟这个数字，说的是模型在演示中能做到什么^[1][2]；5 秒和 20 秒说的是某一档订阅在上线时允许什么^[2]。

影响

Sora 的意义之一在于分发方式：它不是通过一个独立的、仅限邀请的研究渠道出现，而是借助现有的订阅产品抵达用户——上线当天，它就交到了两个国家的 ChatGPT Plus 与 Pro 用户手中^[1][2]。

从 2 月预览到 12 月发布之间的这段路，本身也是这件事的一部分。在这段时间里，使用权成了被争论、甚至被自行取走的东西：2024 年 11 月，获得 API 访问权限的测试者为表达抗议，把权限泄露到 Hugging Face，随后公司将其收回^[1]。对于一个先公开演示、后正式出售的模型来说，谁能试用、按什么条件试用、能试用多久，是在演示到上线之间的几个月里定下来的，而不是在第一段样片放出来的那一刻。