核心功能与技术特点
文本到视频生成
Sora可根据用户输入的文本描述生成长达60秒的高清视频，支持复杂场景（如多角色互动、特定动作类型）和精细的视觉细节（如背景纹理、光影效果）。例如，输入“时尚女性漫步于霓虹闪烁的东京街头”，Sora能生成包含动态光影和角色情感表达的视频片段。
多模态输入与扩展能力
- 图像到视频：可将静态图片转化为动态视频，并保持细节一致性（如动物毛发飘动）
- 视频扩展与修复：支持扩展现有视频时长或填补缺失帧，实现无缝过渡。
- 风格转换：提供定格动画、黑白电影等5种风格预设，适配不同创作需求。
技术架构创新
- 扩散模型+Transformer：结合DALL-E的扩散模型与GPT的Transformer架构，提升视频生成的长度和连贯性。
- 时空补丁（Patch）：将视频分解为可并行处理的视觉单元，优化训练效率。
- 三维一致性：通过动态运镜保持角色和场景在三维空间中的一致性。
评论0
暂时没有评论