視頻ChatGPT時(shí)代”來(lái)了？Meta挑戰(zhàn)霸主Sora

　　近日，Meta發(fā)布Movie Gen，稱其為“最先進(jìn)的媒體基礎(chǔ)模型”。據(jù)悉，Movie Gen可生成1080P、16秒、每秒16幀的高清長(zhǎng)視頻，其不但可以通過(guò)文本輸入生成視頻，還可以通過(guò)文本對(duì)現(xiàn)有視頻進(jìn)行編輯修改，據(jù)稱逼真程度超越Sora，Movie Gen預(yù)計(jì)明年正式向公眾開(kāi)放。

　　《IT時(shí)報(bào)》記者注意到，如今幾乎所有新推出的文生視頻產(chǎn)品都會(huì)與年初亮相的Sora對(duì)比，將之視為最強(qiáng)大的競(jìng)爭(zhēng)者。不過(guò)，Sora一鳴驚人后卻遲遲未上線，被外界調(diào)侃為“期貨”，那么“視頻ChatGPT時(shí)代”究竟何時(shí)來(lái)臨？

　　OpenAI的內(nèi)憂外患

　　距離首次亮相已超過(guò)半年，Sora為何遲遲未能正式上線?

　　Logenic AI聯(lián)合創(chuàng)始人李博杰向《IT時(shí)報(bào)》記者表示，Sora未能如期發(fā)布的主要原因可能與其所需的算力資源密切相關(guān)。Sora模型本身需要占用大量計(jì)算資源，生成一分鐘視頻的時(shí)間高達(dá)約半小時(shí)，且并非單臺(tái)設(shè)備完成，而是需要多臺(tái)并行運(yùn)行，這

　　;96t0k-kt9ogpotot\/.t/t/T/FTddddddddft t分鐘視頻的成本可能超過(guò)100美元。

　　李博杰指出，如果普通用戶生成一分鐘視頻要花費(fèi)100美元，那么如此高的成本對(duì)于消費(fèi)級(jí)市場(chǎng)來(lái)說(shuō)顯然難以接受。因此，Sora尚未能大規(guī)模推廣。相比之下，一些國(guó)內(nèi)公司選擇了較小規(guī)模的模型，雖然生成效果不如Sora，但在當(dāng)前算力有限的情況下更加實(shí)用，能讓用戶立即上手。

　　Sora如何降低成本?可能需要依賴模型蒸餾這一技術(shù)。

　　模型蒸餾是指通過(guò)使用大型、強(qiáng)大的模型(如GPT-4o或o1-preview)的輸出，來(lái)微調(diào)更小、更具成本效益的模型(如GPT-4o mini)，以在特定任務(wù)上接近高級(jí)模型的性能，但成本大幅度降低。

　　如GPT-4o mini，通過(guò)模型蒸餾技術(shù)將成本降低了30倍，“理論上Sora也可以采取這種方法，將模型能力稍微削弱，但成本卻能大幅下降。”李博杰同時(shí)指出，這一過(guò)程需要大量資源投入，而資源恰恰是當(dāng)前OpenAI內(nèi)部面臨的一個(gè)重要問(wèn)題。

　　近日，《The Information》報(bào)道稱，OpenAI因不滿微軟無(wú)法快速提供足夠的服務(wù)器，開(kāi)始與Oracle洽談，以建立全球最強(qiáng)的AI數(shù)據(jù)中心。OpenAI首席財(cái)務(wù)官Sarah Friar此前表示，由于微軟提供的算力不夠，OpenAI不得不尋找其他數(shù)據(jù)中心合作。

　　另一方面，盡管OpenAI擁有比大多數(shù)公司更多的GPU資源，但團(tuán)隊(duì)規(guī)模龐大，內(nèi)部的資源爭(zhēng)奪和職場(chǎng)斗爭(zhēng)不斷。OpenAI內(nèi)部約有3000名員工，不少團(tuán)隊(duì)需要搶占資源，高管的頻繁離職也與此有關(guān)。

　　OpenAI部分團(tuán)隊(duì)專注于商業(yè)化，需要快速推向市場(chǎng)，因此占用了大量GPU資源。尤其是GPT-4的免費(fèi)開(kāi)放，更加劇了資源消耗。此外，OpenAI還在不斷訓(xùn)練新模型，如o1推理模型、Sora的最新版本、GPT-4.5以及即將推出的GPT-5.進(jìn)一步加重了計(jì)算資源的負(fù)擔(dān)。

　　當(dāng)?shù)貢r(shí)間10月4日，OpenAI的文生視頻大模型Sora團(tuán)隊(duì)研發(fā)負(fù)責(zé)人Tim Brooks宣布離職，加入谷歌 DeepMind。在此之前，9月26日，OpenAI高層也經(jīng)歷了重大變動(dòng)，多位高管相繼離職，創(chuàng)始團(tuán)隊(duì)成員僅剩三人。

　　此外，在美國(guó)，生成式AI引起的版權(quán)爭(zhēng)議正愈演愈烈。此前，超過(guò)4700名藝術(shù)家發(fā)起集體訴訟，指控Stability AI、Midjourney和其他AI相關(guān)公司非法使用版權(quán)作品用于訓(xùn)練AI。相比文本生成，圖片、視頻和語(yǔ)音的版權(quán)風(fēng)險(xiǎn)更大，視頻生成面臨更多的版權(quán)問(wèn)題。

　　內(nèi)憂外患之中，Sora終成“期貨”。

　　國(guó)產(chǎn)文生視頻百花齊放

　　對(duì)于廣大使用者而言，Sora從“理想”到“現(xiàn)實(shí)”的進(jìn)展緩慢無(wú)疑令人失望與焦慮。Sora首次亮相時(shí)，業(yè)內(nèi)的討論還聚焦于中美AI技術(shù)的差距。如今，短短半年后，國(guó)內(nèi)AI創(chuàng)作領(lǐng)域已然“百花齊放”。相比之下，Meta的入局已經(jīng)顯得慢了半拍，中國(guó)企業(yè)迫不及待地開(kāi)始布局視頻生成技術(shù)。

　　今年3月底，字節(jié)跳動(dòng)旗下的剪映團(tuán)隊(duì)推出AI創(chuàng)作平臺(tái)“即夢(mèng)AI”并開(kāi)放內(nèi)測(cè)。8月6日，移動(dòng)版應(yīng)用正式上線蘋(píng)果商店，具備文生圖、文生視頻和圖生視頻等功能。

　　6月13日，美圖發(fā)布了基于大模型的短片創(chuàng)作平臺(tái)MOKI，創(chuàng)作者只需經(jīng)過(guò)簡(jiǎn)單設(shè)定，即可生成動(dòng)畫(huà)短片、網(wǎng)文短劇、故事繪本和MV等多種內(nèi)容，極大降低了創(chuàng)作門(mén)檻。

　　6月21日，快手推出旗下的“可靈”圖生視頻功能，7月24日，基礎(chǔ)模型升級(jí)，顯著提升了畫(huà)面質(zhì)量與運(yùn)動(dòng)表現(xiàn)。

　　大模型領(lǐng)域的初創(chuàng)公司同樣不甘落后。愛(ài)詩(shī)科技推出了AI視頻生成產(chǎn)品PixVerse，生數(shù)科技4月發(fā)布了視頻生成模型Vidu，智譜AI7月26日上線清影(Ying)，MiniMax則于9月2日推出abab-video-1.其高壓縮率、優(yōu)良的文本響應(yīng)能力以及多樣化風(fēng)格，能夠生成媲美電影質(zhì)感的高分辨率、高幀率視頻。

　　據(jù)德邦證券統(tǒng)計(jì)，自Sora首次亮相以來(lái)，全球已有十多家公司發(fā)布或更新了視頻生成模型。

　　作為自2023年2月起就開(kāi)始體驗(yàn)各種視頻創(chuàng)作工具的資深用戶，俞國(guó)漢見(jiàn)證了AI視頻創(chuàng)作領(lǐng)域快速變化。

　　“最開(kāi)始要將視頻的每一幀都用圖像生成模型Stable-Diffusion進(jìn)行圖生圖處理，然后再連成視頻。”俞國(guó)漢回憶道。這種方法雖然能夠生成具有創(chuàng)意效果的視頻，但每一幀圖生圖之間存在差別，導(dǎo)致最終的視頻效果總是閃爍不定，嚴(yán)重影響了觀看體驗(yàn)。

　　此后，字節(jié)跳動(dòng)的Animatediff模型出現(xiàn)，憑借免費(fèi)、本地使用且可操作性強(qiáng)的優(yōu)點(diǎn)，迅速獲得了技術(shù)愛(ài)好者們的青睞，成為視頻轉(zhuǎn)視頻的主流工具。與此同時(shí)，市場(chǎng)上也涌現(xiàn)出了一些高質(zhì)量的圖生視頻工具，如Runway Gen2因其出色的畫(huà)質(zhì)和高分辨率，一度受到短劇領(lǐng)域的青睞。

　　2024年初Sora的面世給視頻創(chuàng)作領(lǐng)域帶來(lái)一波新浪潮。“那時(shí)候大家對(duì)Sora既充滿期待又感到不安，覺(jué)得之前花時(shí)間研究的視頻技術(shù)都變得不再重要了。”俞國(guó)漢回憶道。

　　直到2024年6月，快手“可靈”正式發(fā)布，讓俞國(guó)漢在內(nèi)的創(chuàng)作者們直呼“原來(lái)真的有那么好的文生視頻工具”�？伸`不僅提升了文生視頻的表現(xiàn)，還證明了高質(zhì)量文生視頻的可能性。此后，市場(chǎng)上涌現(xiàn)出了多種文生視頻工具，如Vidu、Runway、Luma、海螺AI等，每款工具都各有特色。

　　俞國(guó)漢向《IT時(shí)報(bào)》記者詳細(xì)介紹了自己體驗(yàn)這些文生視頻工具的直觀感受，比如海螺AI以其優(yōu)秀的動(dòng)畫(huà)、鏡頭運(yùn)用和人物情感表達(dá)而著稱；Vidu在語(yǔ)義理解、特效2D動(dòng)畫(huà)、一致性等表現(xiàn)出色；Runway則以其較高的分辨率、優(yōu)秀的畫(huà)面質(zhì)感成為廣告行業(yè)的理想選擇；而可靈則因其平衡的性能而被視為多面手。

　　商業(yè)化“道阻且長(zhǎng)”

　　俞國(guó)漢指出，目前使用AI視頻制作對(duì)于個(gè)人用戶而言成本仍然較高，但對(duì)于企業(yè)來(lái)說(shuō)，這種成本是可以接受的，商用AI視頻制作中，畫(huà)面一致性、分辨率和語(yǔ)義理解能力是決定視頻質(zhì)量的關(guān)鍵因素。

　　盡管文生視頻技術(shù)為創(chuàng)意工作開(kāi)辟了新的空間，但其現(xiàn)有的局限性使得它在商業(yè)應(yīng)用中的價(jià)值遠(yuǎn)不及圖生視頻。目前來(lái)看，文生視頻大多時(shí)候更像是愛(ài)好者的“玩具”，難以滿足商業(yè)需求。因?yàn)樵诙虅≈谱髦�，需要確保人物形象和其他元素的一致性，而文生視頻往往只能生成幾秒鐘的內(nèi)容，且下一秒的內(nèi)容可能會(huì)發(fā)生變化，這顯然無(wú)法滿足專業(yè)制作的要求。

　　李博杰也指出，在技術(shù)層面，文生視頻面臨的關(guān)鍵挑戰(zhàn)之一是風(fēng)格一致性的問(wèn)題。例如，在生成一個(gè)10秒的視頻時(shí)，人物形象是否保持一致，是否會(huì)出現(xiàn)前后視頻中人物外貌不符的情況。此外，視頻中的物理規(guī)律是否符合常識(shí)也是一個(gè)難點(diǎn)。

　　“Sora的關(guān)鍵作用在于它為行業(yè)指明了方向。如果它能夠降低成本并進(jìn)入市場(chǎng)，其他公司將會(huì)紛紛跟進(jìn)，投入資源進(jìn)行開(kāi)發(fā)。”李博杰表示，盡管目前Sora的效果未達(dá)最佳，但如果它開(kāi)源視頻生成模型，將帶來(lái)一場(chǎng)顛覆性的行業(yè)變革。

　　事實(shí)上，當(dāng)前市面上缺乏先進(jìn)開(kāi)源的視頻生成模型。大多數(shù)頭部公司如Meta和Sora都選擇了閉源。雖然Meta近期發(fā)布了一份92頁(yè)的技術(shù)報(bào)告，詳細(xì)闡述了技術(shù)細(xì)節(jié)，開(kāi)放程度已超出其他公司，但模型本身仍未開(kāi)源。若未來(lái)這些模型能實(shí)現(xiàn)開(kāi)源，將極大推動(dòng)視頻生成行業(yè)的發(fā)展。

　　盡管如此，李博杰認(rèn)為，Sora未來(lái)能夠在市場(chǎng)上推出，依然具備強(qiáng)大的競(jìng)爭(zhēng)優(yōu)勢(shì)，“OpenAI在數(shù)據(jù)和算力上的顯著優(yōu)勢(shì)讓其在市場(chǎng)中獨(dú)樹(shù)一幟，其他公司既沒(méi)有那么多的GPU資源，也缺乏同等規(guī)模的高質(zhì)量數(shù)據(jù)”。