Sora và chuyển văn bản thành video
Sora là mô hình chuyển văn bản thành video của OpenAI biến lời nhắc bằng văn bản thành một video clip ngắn có độ phân giải cao.
Tổng quan
It marked a leap in how realistically AI can generate coherent motion, lighting, and scenes over time.
Lặn sâu
Hệ thống chuyển văn bản thành video mở rộng việc tạo hình ảnh theo chiều thời gian: thay vì một hình ảnh, mô hình phải tạo ra hàng chục hoặc hàng trăm khung hình nhất quán khi các vật thể di chuyển, lia máy và thay đổi ánh sáng. Sora, được OpenAI công bố vào đầu năm 2024 và được phát hành rộng rãi hơn vào cuối năm đó, tạo ra các clip dài tối đa khoảng một phút từ lời nhắc văn bản và cũng có thể tạo hoạt ảnh cho hình ảnh tĩnh hoặc mở rộng video hiện có. Nó xử lý video như một tập hợp các bản vá lỗi không-thời gian nhỏ, cho phép một mô hình xử lý các thời lượng, độ phân giải và tỷ lệ khung hình khác nhau. Các kết quả cho thấy sự gắn kết đáng kinh ngạc về mặt thời gian, nhưng cũng tiết lộ các phương thức hỏng hóc dai dẳng: các vật thể biến hình, bàn tay nhân lên và vật lý vỡ một cách lặng lẽ, chẳng hạn như một chiếc kính không vỡ theo cách kính thật.
Hiểu biết kỹ thuật
Sora là mẫu khuếch tán kết hợp với máy biến áp. Đầu tiên, video được nén bằng bộ mã hóa vào không gian tiềm ẩn có chiều thấp hơn, sau đó được cắt thành các mảng không thời gian hoạt động giống như mã thông báo. Máy biến áp học cách khử nhiễu các mảng này, dần dần biến tiếng ồn ngẫu nhiên thành một clip mạch lạc được điều chỉnh theo dấu nhắc văn bản. Việc đào tạo về dữ liệu có độ dài thay đổi, độ phân giải thay đổi và sử dụng phụ đề đa dạng thức cho phép mô hình thực hiện theo hướng dẫn chi tiết và khái quát hóa trên nhiều định dạng video.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của Sora và chuyển văn bản thành video
Mong đợi thời lượng dài hơn, độ phân giải cao hơn, âm thanh được đồng bộ hóa và khả năng kiểm soát tốt hơn đối với chuyển động của máy ảnh, ký tự và chỉnh sửa, chuyển văn bản thành video sang các công cụ làm phim và hình ảnh hóa có thể sử dụng được. Các đối thủ cạnh tranh như Runway Gen-3, Google Veo, Kling và Pika đang đẩy nhanh cùng một giới hạn. Những thách thức lớn mở là vật lý đáng tin cậy, tính nhất quán của nhân vật trong các cảnh quay và khả năng điều khiển. Các tiêu chuẩn về nguồn gốc và hình mờ như C2PA sẽ phát triển khi mối lo ngại về thông tin sai lệch và giả mạo sâu ngày càng gia tăng cùng với tính chân thực của công nghệ.
Triển khai trong thế giới thực
Tạo bảng phân cảnh và các clip hình dung trước để các nhà làm phim có thể xem trước một cảnh trước khi quay
Tạo các video quảng cáo và truyền thông xã hội ngắn từ một bản tóm tắt bằng văn bản mà không cần đội quay phim
Sản xuất B-roll, giải thích hoạt hình và cảnh quay ý tưởng cho tiếp thị và giáo dục
Tạo hoạt ảnh cho một hình ảnh tĩnh hoặc mở rộng clip hiện có bằng các khung được tạo bổ sung
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Sora and Text-to-Video quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Chuyển văn bản thành video thành video
Câu hỏi thường gặp
What is Sora and Text-to-Video?
Sora là mô hình chuyển văn bản thành video của OpenAI biến lời nhắc bằng văn bản thành một video clip ngắn có độ phân giải cao. Nó đánh dấu một bước nhảy vọt trong việc AI có thể tạo ra chuyển động, ánh sáng và cảnh vật mạch lạc theo thời gian một cách thực tế như thế nào.
Khả năng cốt lõi nào xác định mô hình chuyển văn bản thành video như Sora?
Mô hình chuyển văn bản thành video lấy mô tả bằng ngôn ngữ tự nhiên và tổng hợp một video clip phù hợp, theo từng khung hình.
Thách thức kỹ thuật trọng tâm khiến việc tạo video khó hơn tạo hình ảnh là gì?
Một hình ảnh là một khung hình, nhưng video yêu cầu hàng chục hoặc hàng trăm khung hình luôn mạch lạc khi các vật thể và máy ảnh di chuyển, một vấn đề thời gian khó khăn hơn nhiều.
Sora thể hiện video nội bộ như thế nào để cung cấp cho máy biến áp của nó?
Sora nén video vào một không gian tiềm ẩn và chia video thành các mảng không thời gian, cho phép một mô hình xử lý các thời lượng và độ phân giải khác nhau.
Kỹ thuật tổng hợp nào làm cơ sở cho quá trình tổng hợp khung của Sora?
Sora là một mô hình phổ biến: nó bắt đầu từ tiếng ồn và loại bỏ nó nhiều lần, theo hướng dẫn của lời nhắc văn bản, để tạo ra video.
Chế độ lỗi nào thường được báo cáo của các mô hình chuyển văn bản thành video hiện tại?
Mặc dù có tính hiện thực ấn tượng nhưng những mô hình này thường vi phạm vật lý hoặc mất tính nhất quán của đối tượng, tạo ra các hình dạng biến hình hoặc lỗi giải phẫu.