Sora
為什麼重要
深度解析
Sora 建立在 Diffusion Transformer 上：原始影片先被壓縮至較低維度的潛在空間，再切成時空區塊，最後由 Transformer 去除雜訊；它處理這些區塊的方式，與語言模型處理 token 十分類似。2024 年 2 月，OpenAI 展示第一批片段——走在東京霓虹街頭的女子、在雪地裡玩耍的黃金獵犬——單次生成最長可達一分鐘；相較於較早期的影片生成系統，例如 Runway 和 Pika，其長度與連貫性的躍升顯而易見。大眾直到 2024 年 12 月才得以使用 Sora Turbo；這款變體速度更快、價格更低，並納入 ChatGPT 訂閱方案。2025 年，OpenAI 又發佈獨立應用程式，主打可將真人授權形象放進影片的 cameo 功能，同時推出能同步生成對白與音效的 Sora 2。
不用像素，改用時空區塊
在底層，Sora 將驅動圖像生成器的擴散模型配方延伸至時間維度。壓縮網路先把原始影片壓入潛在表示，編碼器再將這個潛在空間切成時空區塊——由空間與時間構成的小立方體，其作用相當於 token。接著，Transformer 學會逆轉這些區塊上的加雜訊過程：從一片雜訊開始，在文字提示的條件約束下，最終收斂成一段連貫影片。
有兩項訓練技巧與架構本身同樣重要。第一，Sora 直接使用影片原有的時長、解析度與長寬比進行訓練，不會先將一切裁成正方形，因此同一個模型既能生成手機直式影片，也能生成寬銀幕鏡頭。第二，OpenAI 沿用 DALL-E 3 的重新描述做法：由描述模型為訓練影片撰寫密集而詳盡的文字，讓生成器獲得比大多數影片資料集所附簡短替代文字豐富得多的監督訊號。這兩項技巧都不算奇特，但擴大至足夠規模後，便成為 Sora 遵循提示的能力遠勝早期系統的重要原因。
從研究預覽到獨立應用
2024 年 2 月的亮相只是研究預覽——包含一組精心挑選的示範，以及提供給紅隊人員和少數藝術家的存取權限——而且這種狀態維持了大半年。直到 2024 年 12 月，Sora Turbo 才透過 sora.com 向 ChatGPT Plus 與 Pro 訂閱使用者開放文字轉影片、圖像轉影片和混剪工具，影片長度則遠低於示範中的一分鐘。OpenAI 從未公布參數數量或訓練資料細節，因此外界對系統的了解，大多來自其技術報告與親自試用。
2025 年推出的應用程式，代表 Sora 從工具轉向平台。cameo 功能讓使用者先錄製一段簡短的驗證影片，再把自己的形象授權給朋友；取得許可後，朋友就能將這個人放進生成場景。2025 年底發佈的 Sora 2 又加入同步音訊——對白、音效與環境音和影片一同生成——補上了它與 Google Veo 3 之間最大的差距之一。應用程式最初採邀請制，卻很快衝上下載排行榜，這也代表其內容審核決策在短短幾天內，就公開接受了壓力測試。
擅長什麼，又會壞在哪裡
Sora 的強項頗具電影感：運鏡流暢、光線可信、一次生成便能容納多種鏡頭構圖，風格範圍也從照片寫實一路涵蓋至動畫。圖像轉影片通常是更實用的模式——以一幀靜態畫面作為錨點，比單靠文字提示更容易控制，製作產品模擬圖或分鏡腳本的團隊往往會從這裡著手。將現有片段沿時間軸向前或向後延伸，以拼接出更長的序列，效果也出奇地好。
它的失敗模式也同樣一致。物理規律仍會在熟悉之處失靈：物體憑空出現，運動中的手與文字扭曲混亂，倒出液體、打碎玻璃等因果序列逐幀看似合理，連成事件後卻不對勁。冗長或複雜的提示，實際上可能被悄悄截短，後面的子句直接遭到忽略；因此，影片的提示詞工程重點不是撰寫劇本，而是反覆調整簡短、具體的場景描述。與圖像模型相比，生成過程也慢得多、更耗算力，因此迭代節奏更像算繪，而非聊天。
它不是世界模擬器
OpenAI 的技術報告將擴大規模的影片模型描述為邁向通用物理世界模擬器的一步，但這項說法值得質疑。Sora 學到的是像素隨時間演變的統計規律，而不是由物體、力與代理構成的明確因果模型。因此，它可以造出逼真的海浪，卻可能無法正確呈現一個人咬過餅乾後留下的咬痕——表面看來逼真，不代表能追蹤狀態。將它視為學習而成的算繪器，而非自行湧現的物理引擎，不但能校準預期，也能解釋它為何既神奇又容易失靈。同樣的提醒也適用於「影片模型已接近強化學習意義上的真正世界模型」這類說法：其表示確實令人驚豔，但尚未有人證明它們能支援可靠的預測與規劃。
同意、溯源與深度偽造難題
如此擅長偽造影像的模型，自然承接了整套深度偽造難題；OpenAI 的因應方式不是建立一道絕對防線，而是層層疊加多項措施。生成影片含有可見的移動浮水印與嵌入式溯源元資料；cameo 要求被呈現者錄製影片表示同意；政策篩選器則會阻擋公眾人物與特定內容類別——儘管一心想繞過限制的使用者，已逐一試探過這些防線。浮水印可以被裁切或破壞，溯源元資料也只有在平台願意配合時才能留存，因此最好將Watermarking（浮水印）視為眾多訊號之一，而非保證。
權利問題同樣懸而未決。權利人持續向 OpenAI 施壓，追問為何生成內容中會出現受著作權保護的角色，迫使公司轉向選擇退出機制與收益分成安排；cameo 模式也成為大規模肖像授權應如何運作的試驗場。對任何以生成式影片打造產品的人而言，實務上的結論是：輸出內容與訓練資料涉及的Copyright in AI（AI 著作權）規範仍不斷變動，溯源工具應從一開始就納入設計，而非等到內容爆紅並引發事故後才補上。