“還記得2024年2月16日，大過(guò)年的，大家興奮得一夜沒(méi)睡，被Sora放出來(lái)的Demo震驚?？煲荒赀^(guò)去了，奧爾特曼終于放出了Sora，眼前一黑的是，訂閱可以無(wú)限生成1080p視頻的pro模式高達(dá)200刀！”AIGC創(chuàng)作者陳微感慨。

陳微（@尾鰭Vicky）畢業(yè)于北京電影學(xué)院，是一名青年導(dǎo)演兼編劇，同時(shí)也是AIGC創(chuàng)作領(lǐng)域的KOL，與多個(gè)視頻生成平臺(tái)都有合作。12月10日，Sora發(fā)布的第一時(shí)間陳微就“殺”進(jìn)了網(wǎng)址注冊(cè)，盡管價(jià)格昂貴，但畢竟Sora是第一個(gè)放出產(chǎn)品樣片的DiT產(chǎn)品，“硬著頭皮都在下單”。

在剛放出網(wǎng)址的那晚，Sora訪問(wèn)量暴增，官方在10日凌晨停止注冊(cè)，而在臨關(guān)閉之前，與陳微一樣成功注冊(cè)的還有AI Talk主理人、AIGC創(chuàng)作者汗青和AI博主@秋芝2046，這些創(chuàng)作者群體是未來(lái)視頻生成的主流客戶(hù)。為Sora“氪”近1500元，能出什么樣的效果，錢(qián)花得值不值？

在經(jīng)歷了將近一年DiT技術(shù)井噴式爆發(fā)之后，創(chuàng)作者們對(duì)Sora的期待值已經(jīng)沒(méi)有那么高，國(guó)內(nèi)的可靈、即夢(mèng)、海螺以及國(guó)外的Runway、Luma等各種DiT架構(gòu)的視頻模型效果已經(jīng)不差。盡管如此，Sora也未達(dá)到很多人的預(yù)期，雖然產(chǎn)品體驗(yàn)上有亮點(diǎn)，但底層能力和同類(lèi)產(chǎn)品沒(méi)有拉開(kāi)差距，肢體消失、東西亂飛的畫(huà)面仍然存在，也和所有的AI視頻一樣需要“抽卡”。

上海交通大學(xué)電子系教授、博導(dǎo)倪冰冰也體驗(yàn)了Sora，他對(duì)第一財(cái)經(jīng)表示，團(tuán)隊(duì)從幾個(gè)維度對(duì)Sora以及幾個(gè)頭部的國(guó)產(chǎn)視頻生成工具進(jìn)行對(duì)比，發(fā)現(xiàn)這次的Sora版本并不表現(xiàn)得比國(guó)產(chǎn)模型好，甚至在一些方面如一致性上，顯著不如國(guó)產(chǎn)模型。

視頻生成賽道還在繼續(xù)卷，一年里國(guó)內(nèi)外已經(jīng)發(fā)布了數(shù)十個(gè)產(chǎn)品，在年末這一趨勢(shì)仍未停止，谷歌剛剛迭代推出了Veo2，不少人覺(jué)得在物理規(guī)律的模擬上比Sora更好。但未來(lái)誰(shuí)能留在牌桌，現(xiàn)在還無(wú)法下定論。

起大早趕晚集

年初Sora推出時(shí)大家驚呼“現(xiàn)實(shí)不存在了”，年末，“難產(chǎn)”10個(gè)月的Sora終于正式向用戶(hù)開(kāi)放。開(kāi)放初期不少關(guān)鍵詞還是 “王者歸來(lái)”，但隨著更多用戶(hù)氪金體驗(yàn)后，評(píng)價(jià)很快反轉(zhuǎn)，失望、不及預(yù)期是更多人的反饋。

“那天晚上發(fā)布之后，部分媒體是為了趕早，加上當(dāng)時(shí)很卡頓，沒(méi)有真正測(cè)試它的效果。第二天我們真正去測(cè)試的人刷完了積分，體驗(yàn)了每個(gè)功能點(diǎn)后，我們認(rèn)為它生成失敗率很高，并沒(méi)有之前預(yù)期的驚艷。”陳微體驗(yàn)后認(rèn)為，Sora的故事板功能和文生視頻確實(shí)很好，然而，其圖生視頻和整體模型并未達(dá)到預(yù)期，“畢竟國(guó)內(nèi)這類(lèi)AI視頻模型平臺(tái)大家都已經(jīng)用了這么久了”。

視頻生成模型往往需要生成多次才能得到一個(gè)可用的片段，業(yè)內(nèi)將此稱(chēng)之為“抽卡”。 陳微發(fā)現(xiàn)，Sora的抽卡頻次仍然很高，“我的Demo中可以看到它無(wú)法區(qū)分物理方向，例如讓一只狐貍向前行走，它會(huì)向后跑，女孩子頭發(fā)飄動(dòng)的物理識(shí)別不佳”。

秋芝對(duì)記者表示，年初出來(lái)時(shí)Sora帶來(lái)的震撼幾乎是全民知曉的，放出的素材也是之前沒(méi)有見(jiàn)過(guò)的，OpenAI將大家的期待值拉得非常高，但發(fā)布后卻發(fā)現(xiàn)，底層模型能力并未拉開(kāi)差距，此前提出的世界模型、真正理解物理規(guī)律等方面的能力都還沒(méi)有。

“Sora的不及預(yù)期是可以預(yù)見(jiàn)的。”某AI公司產(chǎn)品經(jīng)理布萊恩表示，Sora的問(wèn)題在于，文生視頻能理解的概念有限，整體出片率低，復(fù)雜場(chǎng)景生成的東西基本用不了，而圖生視頻會(huì)嚴(yán)重偏離原始圖片的風(fēng)格，場(chǎng)景之間連貫性不足。商業(yè)化是所有產(chǎn)品都需要考量的因素，布萊恩認(rèn)為，Sora目前的文生視頻也還不具備商業(yè)化的條件。

Sora之所以引來(lái)使用者如此多的吐槽，更大原因是其“錯(cuò)誤的時(shí)間，并不領(lǐng)先的效果”，Sora推遲發(fā)布的這10個(gè)月，國(guó)內(nèi)外一批視頻大模型相繼跟隨DiT架構(gòu)路線發(fā)布新產(chǎn)品，甚至經(jīng)歷了多輪快速迭代，而此時(shí)趕了個(gè)晚集的Sora，并沒(méi)有取得領(lǐng)先。

今年AI圈的視頻生成大戰(zhàn)從Sora開(kāi)始，4月國(guó)內(nèi)生數(shù)科技發(fā)布視頻大模型Vidu，6月快手發(fā)布視頻生成模型可靈，Luma AI發(fā)布Dream Machine，Runway在7月宣布Gen-3 Alpha向所有用戶(hù)開(kāi)放，同月愛(ài)詩(shī)科技發(fā)布PixVerse V2，隨后智譜正式發(fā)布清影視頻……短短一年行業(yè)目睹了幾十款視頻生成模型的問(wèn)世。

在眾多競(jìng)爭(zhēng)者中，目前國(guó)內(nèi)創(chuàng)作者用得較多的頭部產(chǎn)品包括字節(jié)跳動(dòng)的即夢(mèng)、快手的可靈、Minimax的海螺，在國(guó)外則有Runway、Luma等。

倪冰冰是國(guó)內(nèi)最早開(kāi)展視覺(jué)內(nèi)容智能生成研究的學(xué)者之一。他告訴記者，團(tuán)隊(duì)從細(xì)節(jié)保留、物理規(guī)律遵守、語(yǔ)義正確性、轉(zhuǎn)場(chǎng)一致性等幾個(gè)維度對(duì)Sora以及幾個(gè)頭部的國(guó)產(chǎn)視頻生成工具進(jìn)行對(duì)比，得出的結(jié)論是在這些維度上，這次的Sora版本并不表現(xiàn)得比國(guó)產(chǎn)模型好，甚至在一些方面比如一致性上，比國(guó)產(chǎn)模型顯著不如。

“當(dāng)下國(guó)內(nèi)的AI視頻產(chǎn)品追得很緊、也很卷，大家已經(jīng)看過(guò)太多好的效果了，隨手應(yīng)付的4秒時(shí)代已經(jīng)回不去了。”陳微表示，除了模型能力，用戶(hù)也很在乎抽卡率、交互、套餐性?xún)r(jià)比等等，Sora目前不管從哪個(gè)角度來(lái)對(duì)比，都沒(méi)有足夠優(yōu)勢(shì)。她對(duì)記者表示，如果純粹只是為了做AI視頻，200美元?jiǎng)e買(mǎi)，20美元也不太有必要買(mǎi)。

智譜CEO張鵬在一場(chǎng)論壇上評(píng)估Sora時(shí)指出，Sora的效果離自己的預(yù)期有一點(diǎn)偏差。如果看技術(shù)指標(biāo)，國(guó)內(nèi)有的視頻生成模型不比Sora差。但視頻模型的比拼不是簡(jiǎn)單地對(duì)比參數(shù)，而是如何產(chǎn)生實(shí)際的應(yīng)用、產(chǎn)生生產(chǎn)力。張鵬認(rèn)為，Sora這次發(fā)布把很大的精力放在了產(chǎn)品而非模型上，比如視頻編輯能力、工作流，這是面向用戶(hù)需求的轉(zhuǎn)變。

此次Sora展示了一些新功能，包括用戶(hù)普遍反饋好用的故事板功能，可以用文字、圖片、視頻更精準(zhǔn)地控制同段時(shí)間內(nèi)的鏡頭運(yùn)動(dòng)，以及可以用recut（重新剪輯）功能修整視頻重新擴(kuò)展生成，Remix工具可以替換、刪除或重新設(shè)計(jì)視頻中的元素，Loop工具則可以生成無(wú)縫銜接的重復(fù)視頻等等。

這些新功能讓Sora生成的視頻方向更加可控。不過(guò)，陳微認(rèn)為，在圖生模型能力這么差的前提下，這些功能對(duì)她來(lái)說(shuō)“都是白搭”。她提到，目前大家的工作流仍然是依靠圖生視頻，因?yàn)樯虡I(yè)化必須畫(huà)面可控、穩(wěn)定和一致，Sora費(fèi)勁心思將功能和交互設(shè)計(jì)得很有新意，但核心的圖生模型能力這么差是很大一個(gè)問(wèn)題。

200美元值不值

“腸子都悔青了，還我200刀。”有用戶(hù)體驗(yàn)Sora后在社交媒體反饋?？紤]到Sora并沒(méi)有大幅領(lǐng)先競(jìng)品，有從業(yè)者認(rèn)為，這個(gè)價(jià)格設(shè)計(jì)過(guò)于昂貴了。

“如果不是剛需，月費(fèi)近1500元確實(shí)有些昂貴。”陳微表示，但行業(yè)其他同類(lèi)競(jìng)品的價(jià)格也并不便宜，作為商業(yè)化團(tuán)隊(duì)是能負(fù)擔(dān)這一支出的。此外，200美元是一個(gè)ChatGPT Pro會(huì)員入場(chǎng)券，除了能無(wú)限生成視頻外，還能無(wú)限制體驗(yàn)OpenAI推出的GPT-4o和o1、新推出的通話功能等。

“作為AI重度使用者的創(chuàng)作者來(lái)說(shuō)，200美元是劃算的。”秋芝也認(rèn)為。

此次Sora并沒(méi)有單獨(dú)作為產(chǎn)品定價(jià)，OpenAI給出的方案是，Sora Turbo將免費(fèi)提供給ChatGPT Plus和Pro用戶(hù)，每月20美元（約合人民幣145元）的Plus用戶(hù)，每月最多可以生成50個(gè)480P分辨率的優(yōu)先視頻；Pro訂閱者則最多可生成500個(gè)1080p的優(yōu)先視頻，此外慢速視頻無(wú)限量生成，可下載無(wú)水印版視頻，對(duì)應(yīng)每月費(fèi)用為200美元（約合1450元）。

不過(guò)，創(chuàng)作者告訴記者，500個(gè)優(yōu)先視頻是保守估計(jì)，由于Sora采用的是積分制定價(jià)策略，需要耗費(fèi)的積分因分辨率和持續(xù)時(shí)間而異，如果都是生成較高質(zhì)量的情況下，大概只能生成幾十條視頻。不過(guò)，在優(yōu)先視頻用完之后，創(chuàng)作者普遍認(rèn)為，慢速視頻目前也并不慢，2-3分鐘即可生成結(jié)果，影響并不大。

陳微經(jīng)歷了近兩年視頻模型的發(fā)展，她對(duì)價(jià)格已經(jīng)有了預(yù)期，例如，國(guó)外頭部視頻模型Runway的無(wú)限訂閱一個(gè)月費(fèi)用是95美元（約692人民幣），國(guó)內(nèi)視頻模型海螺的無(wú)限生成高級(jí)會(huì)員價(jià)格是每月666元，快手的可靈最高檔會(huì)員是666元，包含800個(gè)視頻生成，沒(méi)有無(wú)限生成的套餐。

陳微此前從事的是傳統(tǒng)影視，“以前拍攝時(shí)制作費(fèi)很高，例如租攝影機(jī)的費(fèi)用、人員工資以及場(chǎng)景費(fèi)等，制作視頻動(dòng)輒花費(fèi)幾千甚至上萬(wàn)元。”她認(rèn)為，對(duì)于非專(zhuān)業(yè)用戶(hù)而言，只是為新鮮購(gòu)買(mǎi)完之后就會(huì)感覺(jué)價(jià)格偏貴，但對(duì)于從事專(zhuān)業(yè)視頻制作的人來(lái)說(shuō)，從各個(gè)平臺(tái)購(gòu)買(mǎi)會(huì)員也是正常費(fèi)用支出，制作商業(yè)作品都會(huì)承擔(dān)相應(yīng)的費(fèi)用。

AI Talk是國(guó)內(nèi)第一批使用AI制作視頻的公司，背后的主理人汗青畢業(yè)于清華美院，在互聯(lián)網(wǎng)大廠經(jīng)歷了跌宕起伏的十年后，他選擇加入這一輪AI創(chuàng)業(yè)潮流，從事AI數(shù)字藝術(shù)創(chuàng)作。

談及Sora的價(jià)格，汗青對(duì)記者表示，作為一個(gè)有相對(duì)健康現(xiàn)金流的團(tuán)隊(duì)，對(duì)這些商品的價(jià)格并不敏感，“只要有一個(gè)商業(yè)合作，成本就能覆蓋住，最終依靠AI工具賺取的肯定不止200美元。它會(huì)成為我的成本，比我招一位員工的價(jià)格便宜很多。”

在Sora開(kāi)放第一天，汗青就充值了Pro會(huì)員，在充分體驗(yàn)后他認(rèn)為，Sora確實(shí)有做得很糟糕的地方，但是同時(shí)他也看到了模型的潛力。在他用Sora完成的一支視頻中，有兩段畫(huà)面讓他印象深刻。

“其中一部分是獨(dú)角獸展翅往上飛的那一段，還有一個(gè)小朋友坐在購(gòu)物車(chē)?yán)锿斑M(jìn)的特寫(xiě)畫(huà)面，跑了20秒人物表情都很真實(shí)。”在這兩段畫(huà)面里，汗青看到了Sora模型更大的潛力，他認(rèn)為，如果能夠有更多時(shí)間優(yōu)化一些點(diǎn)，Sora的模型或許會(huì)有更大提升。

盡管OpenAI這家公司最近所做的一系列事情都不靠譜，但汗青認(rèn)為，它在技術(shù)上的累積確實(shí)不能小覷。另一點(diǎn)是美學(xué)問(wèn)題，Sora文生視頻的畫(huà)面質(zhì)量在美學(xué)上是較為突出的，如果對(duì)畫(huà)面美感要求較高，“開(kāi)卡”的成功率會(huì)遠(yuǎn)大于其他模型，這是汗青目前體驗(yàn)到的Sora的優(yōu)勢(shì)。

一片吐槽之聲中，Sora也并不是沒(méi)有優(yōu)點(diǎn)，在此次推出的眾多產(chǎn)品功能中，創(chuàng)作者們不少都提到了recut（重新剪輯）功能和故事板功能在行業(yè)里的創(chuàng)新。

重新剪輯并非是以往影視創(chuàng)作中的后期剪輯，“以一段7秒的視頻為例，Sora可以刪除視頻中的第1秒和第5秒，僅保留中間的4秒，并進(jìn)行一個(gè)平滑的延展視頻。”汗青表示，實(shí)際應(yīng)用非常方便，能解決本來(lái)需要圖生視頻做視頻連接的問(wèn)題。

秋芝在Sora出來(lái)的那一晚上就用完了快速視頻的積分，充分測(cè)試后她認(rèn)為，在本身的模型上沒(méi)有太多突出的點(diǎn)，但意外的點(diǎn)是產(chǎn)品和功能做得較多。秋芝認(rèn)為，最大的亮點(diǎn)是故事板，這在其他同類(lèi)競(jìng)品上暫時(shí)沒(méi)有，是一種完全創(chuàng)新的模式。

以往一個(gè)視頻模型生成5-10秒鏡頭，只能用提示詞來(lái)“假裝”控制鏡頭運(yùn)動(dòng)，但Sora的故事板功能可以精確到創(chuàng)作者需要控制的秒數(shù)。以一段10秒的視頻為例，創(chuàng)作者可以精確到第2秒、第4秒和第6秒要出現(xiàn)什么畫(huà)面，并填寫(xiě)需要的提示詞，由此創(chuàng)作者可以在10秒內(nèi)控制這個(gè)視頻大致走向。

陳微介紹，對(duì)于傳統(tǒng)電影而言，最重要的兩點(diǎn)一是畫(huà)面中演員的表演，其次就是場(chǎng)面調(diào)度，即鏡頭如何變化。“如果能在10秒內(nèi)的每個(gè)點(diǎn)都寫(xiě)清楚我需要什么畫(huà)面和鏡頭運(yùn)動(dòng)，這一故事板就在某種程度上實(shí)現(xiàn)了傳統(tǒng)電影制作中的場(chǎng)面調(diào)度功能，實(shí)現(xiàn)場(chǎng)景的可控。”

但遺憾的是，陳微提到，Sora目前只擅長(zhǎng)通過(guò)文生視頻完成，而圖生視頻效果差強(qiáng)人意，且用戶(hù)給出的提示詞，模型不一定會(huì)完全遵守。

汗青認(rèn)為，Sora還值得肯定的一點(diǎn)是生成速度，即便優(yōu)先積分用完，Sora目前的慢速無(wú)限視頻生成的時(shí)間也并不算慢，“一條約15秒的視頻，大約一兩分鐘。”對(duì)于汗青這樣的商業(yè)創(chuàng)作者來(lái)說(shuō)，這是一個(gè)值得付費(fèi)的點(diǎn)，國(guó)內(nèi)部分平臺(tái)最高出現(xiàn)過(guò)需要等待超過(guò)20分鐘的情況。

“一般用戶(hù)可能不會(huì)介意快慢的事情，但我們的主要工作是不斷開(kāi)卡，因此我非常介意開(kāi)卡的效率。你不能讓我等待太久，時(shí)間成本較高，其次，創(chuàng)作想法會(huì)被消耗，靈感轉(zhuǎn)瞬即逝。”汗青說(shuō)。

還未拉開(kāi)差距

在眾多視頻模型中，創(chuàng)作者們未來(lái)會(huì)選擇哪些軟件？這一問(wèn)題，大家目前都還無(wú)法回答，海內(nèi)外的頭部模型產(chǎn)品，創(chuàng)作者們都同時(shí)在接觸和嘗試，目前誰(shuí)也無(wú)法確定幾十家模型大廠，最終哪個(gè)能取得勝利。

在創(chuàng)作者經(jīng)常使用的頭部產(chǎn)品中，陳微發(fā)現(xiàn)，部分產(chǎn)品在某些細(xì)節(jié)上能表現(xiàn)得較好，但作為使用者而言，他們無(wú)法拉開(kāi)本質(zhì)的差距，“原因在于他們使用的底層模型都是DiT或類(lèi)DiT技術(shù)，而細(xì)微差別可以通過(guò)抽卡來(lái)解決”。

目前國(guó)內(nèi)外更新的AI視頻模型大部分使用的都是DiT架構(gòu)，核心問(wèn)題在于，這一架構(gòu)下AI無(wú)法真正識(shí)別物理空間，會(huì)導(dǎo)致運(yùn)動(dòng)效果有誤差。陳微認(rèn)為，DiT架構(gòu)可能會(huì)比早期第一代視頻模型的運(yùn)動(dòng)效果更好，但實(shí)際上仍無(wú)法理解物理規(guī)律，圈內(nèi)經(jīng)常討論，如果AI視頻需要進(jìn)一步發(fā)展，可能還需要新的技術(shù)突破。

倪冰冰告訴第一財(cái)經(jīng)記者，目前基于DiT的方案，通過(guò)Scaling law（尺度定律）的思路去提升生成視頻的質(zhì)量，天花板是很明顯的。因?yàn)橐曨l空間維度太高，無(wú)法做到我們所期望的那種高精度、準(zhǔn)確性，也無(wú)法精確操控生成過(guò)程。

“解決這個(gè)問(wèn)題的辦法還是要建立一個(gè)對(duì)視頻中所有對(duì)象實(shí)例及其屬性解耦的內(nèi)容表征方式，這也可以認(rèn)為是世界模型框架下的一種實(shí)現(xiàn)。在這種非像素的新表達(dá)下，可以訓(xùn)練高效的與對(duì)象和屬性對(duì)齊的生成式計(jì)算網(wǎng)絡(luò)，才能從本質(zhì)上解決精度、可操控性和物理規(guī)律正確性的問(wèn)題。”倪冰冰提到，自己的團(tuán)隊(duì)一直在做新的表征和計(jì)算形式。

在年中Minimax推出海螺視頻時(shí)，創(chuàng)始人閆俊杰曾對(duì)記者表示，做視頻模型“這件事還挺難的”。視頻的工作復(fù)雜度比做文本更難，因?yàn)橐曨l的上下文文本天然很長(zhǎng)，一個(gè)5秒的視頻就有幾M。

“挑戰(zhàn)在于，之前基于文本建的這套底層基礎(chǔ)設(shè)施怎么來(lái)處理數(shù)據(jù)，怎么來(lái)清洗數(shù)據(jù)，以及怎么來(lái)標(biāo)注。”閆俊杰認(rèn)為，基礎(chǔ)設(shè)施需要升級(jí)，其次就是耐心，視頻開(kāi)源內(nèi)容沒(méi)那么多，需要付出的耐心更大。

過(guò)去一年對(duì)于AI視頻生成來(lái)說(shuō)是一個(gè)歷史性的時(shí)刻，但未來(lái)，視頻模型廠家需要解決的問(wèn)題還有很多。行業(yè)判斷，視頻生成還處于一個(gè)早期階段，類(lèi)比大語(yǔ)言模型，視頻生成還處在GPT-3左右的時(shí)代。

在未來(lái)，哪些廠商能堅(jiān)持下來(lái)，用什么樣的技術(shù)生態(tài)走到最后？誰(shuí)都不知道。

汗青的一個(gè)判斷是，未來(lái)的模型市場(chǎng)或許會(huì)是百花齊放的，并不會(huì)像互聯(lián)網(wǎng)大戰(zhàn)那樣，只有少數(shù)一兩家能夠留下。他發(fā)現(xiàn)，每家模型的“性格”是不同的，就像不同的人有內(nèi)向、外向，有的可以多講一些，有些人講太多不好，模型也是一樣。

“如果我需要高寫(xiě)實(shí)、高動(dòng)態(tài)時(shí)可靈是一個(gè)優(yōu)勢(shì)，但當(dāng)我們制作采訪視頻時(shí)，不希望機(jī)位動(dòng)作過(guò)大，這時(shí)它的高動(dòng)態(tài)效果反而是負(fù)擔(dān)。”汗青認(rèn)為，不同模型有它所擅長(zhǎng)的東西，未來(lái)可能創(chuàng)作者不是要甩掉哪一家，而是如何與這些模型共同相處。