摘要
1) 一句话总结 本文全面解析了 OpenAI 发布的文本生成视频模型 Sora 的技术原理、产品形态、商业应用价值及行业影响，指出其将大幅降低视频制作门槛，并带来视频生成领域的“GPT 时刻”。
2) 核心要点
- 技术架构与突破：Sora 结合了扩散模型与 Transformer 模型（Diffusion Transformer），通过预测“时空补丁（spacetime patches）”而非文本 Token，突破了传统显卡与视频训练限制，可生成最长 60 秒的高画质、镜头连贯且物理规律稳定的视频。
- 产品落地规划：预计在 3 到 6 个月内通过 ChatGPT 集成或 API 调用的方式逐步放开商用，不需要本地搭建。
- 未来演进时间表：乐观估计 1 年后可生成 5-10 分钟视频，3-5 年内有望生成 30-60 分钟的长视频，并逐步融合音频能力实现完全的多模态。
- 核心应用价值：Sora 将成为普通人表达能力的“综合延伸”，大幅降低视频制作成本，并可能催生动态生成游戏剧情、新闻视频等全新的人机交互方式，甚至提供生成已故亲人视频等情感寄托价值。
- 商业变现路径：涵盖情感价值（娱乐/伴侣）、艺术价值（微电影）、内容价值（小说二创/广告/教学）、生态价值（Prompt/周边工具）以及降本增效（快速 MVP 验证/电影分镜）。
- 行业竞争格局：OpenAI 目前领先业界半年到一年以上；Sora 的出现将使纯 Diffusion 方向的 AI 视频初创公司面临融资困难，迫使创业者转向视频编辑或基于 Sora 接口的应用开发。
- 硬件与算力影响：视频生成将持续推高对算力和显卡的需求，预计未来芯片市场将打破单一垄断，迎来更多公司的参与和竞争。
3) 风险与不足（基于原文）
- 深度伪造与诈骗风险：逼真的视频生成可能加剧诈骗问题，伪造与反伪造将成为长期攻防战（目前需依赖水印或画面中的逻辑瑕疵如“4条腿的蚂蚁”来鉴别）。
- 版权侵权风险：虽然生成内容的版权大概率归创作者，但生成的作品本身存在侵犯他人版权的风险。
- 音频生成能力缺失：目前 Sora 无法生成音频，主要受限于环境音效匹配、多声源叠加、场景融合及人物口型/表情对齐等技术难点。
- 高昂的成本与耗时：当前生成视频的算力成本偏高且耗时较长（作者粗略预估半小时成本约 10 美元），未来可能面临使用次数限制或需要高阶订阅。
- 国内算力瓶颈：中国大厂在追赶 OpenAI 时，面临算力尚不能完全自给自足的客观差距。
正文
很荣幸受王又又邀请，今天和她以及《宇宙探索编辑部》副导演吕启洋（Ash）一起聊聊了一下当前火爆的话题 Sora，看 Sora 如何改变我们的生活。
我把技术相关的一些问题整理成了文字，希望能够帮助大家更好地理解 Sora。我将问题大约整理成了四类：
- Sora 的技术科普
- Sora 产品相关问题
- Sora 的价值和应用
- Sora 有关的八卦闲聊
注意，这里的回答都是我个人的观点，一部分也借鉴了大家在帖子中讨论的结果，很多答案不一定准确，仅供参考。也欢迎指正其中错误或者提出不同观点。
Sora 的技术科普
Sora 是什么？能干什么？
简单来说，Sora 是一种能用文本生成最长 60 秒视频的技术，也可以用来生成图片，因为图片本质上是一帧的视频。
Sora 跟之前的 AI 视频生成工具有什么升级？跟市面上其他的例如 Runway、Pika、SVD 这些 AI 视频生成工具有什么区别？
之所以 Sora 引发极大关注，主要在于它生成视频质量要比之前的高很多，不仅时间最长能到 60 秒，而且它可以支持镜头切换、画面人物和背景稳定、很高画质。
Pika 是基于 Diffusion 模型，把图片和视频训练成毫无意义的马赛克图片，再从空白马赛克图片能反向扩散生成图片和视频，有两种主要模式，一种是基于图片关键帧扩展成视频，例如已有视频的风格变换；一种是对视频的训练，但是由于显卡限制，只能一次训练特定分辨率的几秒视频，一次也只能生成几秒钟的视频。
LLM、ChatGPT 是 Transformer 模型，预测 Token 生成文本内容，Token 可以理解为字和词。
Sora 则是基于 Diffusion Transformer 模型，结合了扩散模型和 Transformer 模型，不过它是预测生成的不是文本 Token，而是“时空补丁（spacetime patches） ”，可以理解为一个几帧（一秒不到）的视频的一个小块。
主要优势是训练的时候不受视频和显卡约束，生成的时候也更加多样，可以灵活组合时空补丁。
使用成本：现在可以生成 60 秒视频，60 秒视频的成本是多少？对算力有什么要求？
现在”DALL-E 3 HD Image 价格 0.05/秒。
Sora 没有公布相关数据，纯猜测：Sora 的推理大约需要 ~8xA100，生成视频预估一秒一分钟，半小时成本约 ~$10”
有可能可以生成音乐（音频）么？如果不行难点在哪？
未来应该是可以的，现在没有是因为：
- 需要根据视频中的环境、物体类型、物体之间的碰撞、所在位置发出不同的声音
- 需要多种声源叠加
- 音乐不仅要质量高，还需要和视频中的场景融合
- 人物对白需要和人物的位置、口型、表情对齐
Sora 产品相关问题
是否需要建模还是通过其他方式使用？什么时候能落地商用？
不需要本地搭建，预计会提供两种方式：ChatGPT 集成、API 调用；但生成视频的成本偏高、耗时也比较长；可能会限制次数或者提供更高一档的订阅。
预计三个月到半年内会逐步放开。
在不同的时间使用相同的要求语，会生成相同的视频吗？能支持后续微调修改或者输入更确定的边界条件生成么？当前模型架构有能力支持这些么？
同样的提示词每次都不会相同，但是 seed 相同应该可以做到相似；
Sora 支持图片生成视频和视频生成视频，但人物是否可以做到一致还需要产品发布后才能下结论。
什么时候可以生成更长时间的视频，比如 30 分钟、60 分钟甚至更长？
生成视频时间越长对显存要求越高，但是按照现在技术发展的速度，乐观估计 1 年后应该可以到 5-10 分钟，30 分钟 60 分钟预计在 3-5 年的时间。
生成视频的版权归谁？
根据图片生成的规则来推测，应该是归创作者所有，但是生成的作品本身不能侵权。
虚拟 vs 现实：如何判断那些视频是拍的？哪些是 Sora 做的？以后还有啥会是真的呢？深度伪造问题：会不会更容易被诈骗，如何反诈？
现在的视频都有水印，未来应该会有检测工具。
另外仔细看是能看出视频中不符合逻辑的地方，例如蚂蚁只有 4 条腿，人的手会变形等等。
我们其实早已经历过：照片不是真的、电视不是真的、电影不是真的，人民群众的鉴别水平也会同步提升。
伪造和鉴别伪造是长期攻防战。
Sora 接下来的发展前景演进趋势？
- 成本降低（更快更便宜）；
- 质量提升（时长、画质、镜头切换、一致性、符合物理规律）；
- 新的能力：声音、和 GPT 的融合，完全的多模态；
能不能用来做动画片？
短片完全没问题，复杂场景和更长时间的还不行，未来可期。
Sora 的价值和应用
Sora 有哪些应用场景？实用性有多大？商业应用价值？
我从四个方面总结了 Sora 的价值和应用：
- 首先它能放大了普通人的表达能力，张小龙说汽车是双腿的延伸，ChatGPT 就是双手的延伸，Sora 就是我们表达的综合延伸，也就是传说中的“嘴替”
这意味着我们可以更好的来表达自己的想法，不再受限于自己的写作能力、画画能力、摄影能力、视频剪辑能力，甚至是演讲能力。
- Sora 是一种低成本的视频工具
Sora 将极大的降低了视频制作的成本，这意味着更多的人可以用更低的成本来制作视频，这对于视频创作者来说是一个很大的利好。
- 新的人机交互方式，动态生成视频
Sora 已经演示了生成我的世界这样游戏的能力，也许未来我们可以用 Sora 来动态生成游戏的剧情、任务、场景。另外，我们也可以让 Sora 动态对新闻、文章生成视频，而不需要去阅读。
- 情感上的寄托
生成已故亲人的视频，保留他们的记忆。数字伴侣。
Sora 赚钱逻辑在哪里？
取决于围绕 Sora 创造的价值：
- 情感价值：卖课缓解焦虑、提供娱乐、情感寄托
- 艺术价值：微电影
- 内容价值：小说二创、卖素材、教学、讲故事、游戏生成、广告
- 生态价值：Prompt、更加易用小工具、绕过限制
- 降本增效：快速 MVP 验证想法、广告、电商、电影分镜
普通人怎么用好？如何利用 Sora 做点副业？
- 用起来，学会怎么用，知道它能做什么，边界在哪里
- 选一个适合自己的方向，提前准备好相关素材或者开发项目
- 技术人员可以准备开始筹备产品、工具：收集 Prompt、基于 API 二次开发
Sora 有关的八卦闲聊
名字真的是起源于天元突破的 op 空色デイズ吗？
我倾向于是。
现在的热度是 (为了融资、股价) 的概念炒作？还是真实有用的？
真实有用，可以马上应用到短视频，例如 OpenAI 在 Tiktok 的账号，视频以假乱真
您在网上看到或者听说的一些比较夸张脱离实际的说法？
- “Sora”关键原材料之---马来酰亚胺树脂来自于四川绵阳一家公司。
- Sora 懂物理
- Sora 连接了游戏引擎
- Sora 是 AGI 的关键里程碑，几年内就能实现 AGI
在全球顶尖公司之间 Sora 的竞争力如何？中国在这个领域的发展情况？在中国做这个的公司有哪些？中国和欧美的差距在哪里？
OpenAI 已经投入了一年多，领先业界半年到一年，甚至更多，具体体现在：
- 技术的领先，目前技术还没公开，其他公司要破解需要时间
- 大模型的优势，他们有最先进的模型可以帮助训练，例如自动生成高质量的视频标注 中国应该很快能追赶上——人才、数据、算力都有，但是只有少数大厂才有机会，对人才、数据、算力要求都太高
目前不清楚是否中国公司已经有做这个方向的，但是字节、阿里、腾讯、百度在 AI 视频领域都有深厚积累
中国和欧美的差距主要在于对 AI 技术方向上的把握，但这也不仅仅是中国的问题，目前全世界所有其他公司都跟随 OpenAI 的步伐；另外就是算力上还不能完全自给自足。
新一次产业革命？有网友指出，短短几年内，被追捧的高热度“划时代”技术有 web3、区块链、元宇宙、谷歌眼镜、波士顿机器人、vision pro、chatgpt 等等，这次确认要再次划时代了吗？
看怎么定义吧，从文本生成视频领域来说，一定是划时代的！真正的文本生成视频领域的 GPT 时刻。
- ChatGPT 文本生成
- Stable Diffusion、MIdJourney、DALL-E 图像生成
- Sora 文本生成视频
Sora 在硅谷的体感热度？在业内的真实反响？目前 AI 视频生成赛道的创业者、投资者们心态如何，将会如何应对？
- 反响热烈，正面评价居多
- 预计 Diffusion 方向会比较难拿到投资
- 创业者需要重新考虑方向，例如视频编辑、转向基于 Sora 的接口开发应用
跟芯片有什么关系？
未来几年视频生成会继续热门，继续需要大量的算力，也就是需要大量的显卡，但未来显卡应该不会只有 NVIDIA 一家独大，应该会有更多的公司参与进来，这样的话，显卡的供应会更充足，价格会更加合理，性能也会更高。
总结
以上就是今天访谈的主要内容。
另外以上很多内容总结自我在 Twitter 和微博上开的讨论帖，很多观点（例如 Sora 生成亲人视频）确实是我之前没有想到的，这也算是将大家讨论的内容的一个总结。谢谢各位的参与！
X 讨论帖：https://twitter.com/dotey/status/1759861034708251116 微博讨论帖：https://weibo.com/1727858283/O1tUdnbt8
完整的视频地址在：