Sora

Sora to model generatywny tekst-na-wideo opracowany przez OpenAI, ogłoszony 15 lutego 2024 roku w pracy "Video generation models as world simulators". Model został publicznie udostępniony 9 grudnia 2024 jako wariant Sora Turbo, dostępny dla subskrybentów ChatGPT Plus i Pro przez serwis sora.com.

Architektura

Sora jest diffusion transformerem (DiT). Wideo i obrazy są reprezentowane jako kolekcje "patchy" w przestrzeni czasoprzestrzennej (spacetime patches), analogicznie do tokenów w dużych modelach językowych. Model jest trenowany w przestrzeni latentnej (latent diffusion) i generuje wideo przez iteracyjne odszumianie. Architektura skaluje się — większy compute przekłada się na wyższą jakość, dłuższe i bardziej spójne ujęcia.

Możliwości

Sora generuje klipy o długości do 60 sekund i rozdzielczości do 1080p w wielu formatach kadrowania (m.in. 1:1, 16:9, 9:16). Obsługuje trzy podstawowe scenariusze: text-to-video (wideo z opisu), image-to-video (animacja obrazu wejściowego) oraz video-to-video (rozszerzanie, łączenie i remix istniejących klipów). Model demonstruje zaawansowane rozumienie ruchu kamery, wielu postaci, fizyki i języka wizualnego.

Dostępność

Sora jest dostępna jako produkt hostowany na sora.com oraz w aplikacji ChatGPT dla użytkowników planów Plus i Pro (z dziennymi limitami liczby generacji oraz ograniczeniami długości / rozdzielczości zależnymi od planu). Wagi modelu nie są publicznie udostępniane. Generacje są oznaczane metadanymi C2PA oraz znakami wodnymi w celu wskazania pochodzenia AI.

Następca

30 września 2025 roku OpenAI ogłosiło Sora 2 — kolejną generację modelu z poprawioną fizyką, sterowalnością i synchroniczną generacją dźwięku. Sora 2 stanowi osobny model, niniejszy wpis dotyczy linii Sora w wariancie pierwszej generacji (Sora 1 / Sora Turbo).