Sora moduł Open AI, który zamieni tekst na wideo

OpenAI dzisiaj zaprezentowało Sorę, model GenAI, który tworzy wideo na podstawie opisu lub pojedynczego obrazu. Sora może generować sceny przypominające filmy w rozdzielczości 1080p z wieloma postaciami, różnymi rodzajami ruchu i szczegółami tła, jak twierdzi OpenAI.

Sora może również „rozszerzać” istniejące klipy wideo tak, by uzupełnić brakujące szczegóły.

Sora ma głębokie zrozumienie języka, co pozwala jej dokładnie interpretować polecenia i generować przekonujące postacie, które wyrażają żywe emocje. 

Sora może generować wideo w różnych stylach (np. fotorealistyczne, animowane, czarno-białe itd.) znacznie dłuższe niż większość modeli tekst-na-wideo. Wygenerowane wideo utrzymują rozsądną spójność, dość skutecznie omijając mielizny typowe dla AI, np. zmuszanie przedmiotów do poruszania się w fizycznie niemożliwych kierunkach. Model najlepiej wciąż jednak radzi sobie w materiałach, w których nie dzieje się zbyt wiele

[Sora] może mieć trudności z dokładnym symulowaniem fizyki skomplikowanej sceny i może nie rozumieć konkretnych przypadków przyczyny i skutku. Na przykład, osoba może ugryźć ciastko, ale potem ciastko może nie mieć śladu ugryzienia. Model może również mylić szczegóły przestrzenne polecenia, na przykład mieszając lewą i prawą stronę, i może mieć trudności z precyzyjnymi opisami wydarzeń, które mają miejsce w czasie, jak śledzenie określonej trajektorii kamery.

OpenAI pozycjonuje Sorę jako wersję beta, ujawniając niewiele na temat danych, które zostały użyte do jej trenowania (poza około 10 000 godzin „wysokiej jakości” wideo) i powstrzymując się od udostępniania Sory ogólnie. Ich uzasadnienie dotyczy potencjalnego nadużycia; OpenAI słusznie zauważa, że złoczyńcy mogliby nadużywać modelu na bardzo wiele sposobów.

Bezpieczeństwo AI

OpenAI mówi, że pracuje z ekspertami nad badaniem modelu pod kątem luk i buduje narzędzia do wykrywania, czy wideo zostało wygenerowane przez Sorę. Firma mówi również, że jeśli zdecyduje się zbudować model jako produkt dostępny publicznie, zapewni, że wygenerowane wyjścia będą zawierały metadane pochodzenia.

Będziemy angażować decydentów, edukatorów i artystów z całego świata, aby zrozumieć ich obawy i zidentyfikować pozytywne przypadki użycia tej nowej technologii. Pomimo obszernych badań i testów, nie możemy przewidzieć wszystkich korzystnych sposobów, w jakie ludzie będą używać naszej technologii, ani wszystkich sposobów, w jakie będą ją nadużywać. Dlatego wierzymy, że uczenie się z rzeczywistego użytkowania jest kluczowym elementem tworzenia i wypuszczania coraz bezpieczniejszych systemów AI z biegiem czasu.

Pobierz ebook "Ranking Agencji Marketingowych 2025 roku i ebook z poradami o promocji w sieci"