OpenAI又打出王炸！一句话生成60秒视频，马斯克：人类认输吧

在大年初七，春节假期的尾声，OpenAI突然发布的AI文字生成视频模型Sora被全网刷屏，马斯克甚至感叹“gg Humans”（gg是good game的缩写，在竞技游戏中原意为称赞对方打得不错，但目前主流的含义是代表认输退出）。  文字生成视频的AI模型其实之前也有不少，比如去年11月美国AI初创公司Pika Labs发布的Pika 1.0；去年Runway推出了文生视频模型Gen-1，并完成了两次迭代；还有谷歌团队发布的视频生成模型VideoPoet。但问题在于，此前市面上的文生视频模型只能生成数秒，最高十多秒的视频。而Sora一上来就是60秒的视频长度，且生成视频的细节、质量几乎“秒杀”其他文生视频模型，这足以颠覆目前的视频生成模型初创公司的格局。  视频生成质量炸裂，好莱坞时代要结束了？  Sora生成的视频效果有多强？下面是OpenAI在官网展示的第一个视频，也是最能够表现Sora实力的视频。   这个视频的提示词为“一位时尚女士走在东京的街道上，街道上充满了温暖的霓虹灯和动画城市标志。她穿着黑色皮夹克、红色长裙和黑色靴子，拿着一个黑色钱包。她戴着太阳镜，涂着红色口红。她走路自信而随意。街道潮湿且反光，形成了五颜六色灯光的镜面效果。许多行人四处走动。”  从视频中，无论是运镜还是人物、地面、背景的细节，还有拉进镜头后人物面部上的皱纹、毛发、墨镜上的反光，都几乎可以以假乱真，画面稳定不错位。在长达60秒的视频里，画面随镜头的大幅度运动并没有出现错位的情况，整体风格保持了惊人的一致性。  在复杂场景方面，另一个演示视频同样展现了Sora的炸裂效果。下面这个视频使用的提示词为：“一段美丽的自制视频展示了2056年尼日利亚拉各斯的人们。用手机相机拍摄。”  同样是运镜幅度巨大的场景，同时背景有大量的人物。在以往的文生图模型中，类似这种背景有人群的图片都会产生很多错位，很容易看出AI的痕迹，而在Sora生成的这个视频里，背景人群不仔细看很难发现有错误，特别是在动态的视频当中。另一方面在视频后半段的人物近景里，大幅度运动的镜头同样没有对人物造成影响，画面细节极为稳定。