OpenAI、テキストから最大1分の動画を生成する「Sora」を発表
OpenAIが2024年2月15日、テキストプロンプトから動画を生成する初のモデル「Sora」を発表しました。雪の東京を歩く2人、山道を走るSUV、キャンドルのそばにいるふわふわの怪物、ゴールドラッシュ時代を模した架空の記録映像など、高精細なサンプル動画を公開し、最長1分の動画を生成できる技術力を示しました。
詳細
- 技術方式: 動画をフレームごとではなく一括で生成する拡散モデル。時空間パッチという単位でTransformerアーキテクチャを適用し、被写体が画面外に出ても一貫性を保てる設計
- 生成能力: 複数キャラクターが登場する複雑なシーン、特定の種類の動き、被写体・背景の正確なディテールを含む動画を生成可能とアピール
- 提供状況: 発表時点ではまだ研究段階で、OpenAIのどの製品にも組み込まれていない。「レッドチーム」による有害性・リスク評価のためのアクセス提供から始めるとされた
- 技術レポート公開: 「Video generation models as world simulators」と題した技術レポートも同時に公開し、動画生成モデルが物理世界のシミュレーターになりうる可能性を論じた
その後
Soraはこの研究プレビューから約10か月を経て、2024年12月9日に「Sora Turbo」としてChatGPT Plus・Pro利用者向けに一般公開された。その後2025年9月には後継の「Sora 2」とソーシャルアプリへと発展していくことになる。