Sora 2 早期演示：生成视频、声音与人物客串

OpenAI 的 Sora 2 发布视频展示了生成的场景和声音，其中包括 Sam Altman 的形象。发布介绍了同步声音和 Cameo 功能，后者允许人们将参与者的形象放进生成视频。这些是用于展示的发布示例，并非针对每次输出的受控评估。

生成的 Altman 的面孔和声音让我印象深刻。刚讨论这次发布时，产品还采用邀请制，不过我在视频后面拿到了邀请码。OpenAI 表示，Sora 2 比此前的系统更加逼真、符合物理规律且易于控制，还能同步生成对话和音效；这些都是公司在发布时作出的声明。

OpenAI 将视频生成与世界模拟联系起来。在我的一段采访中，一位 Google DeepMind 研究人员提出，模拟环境可以让机器人在成本高昂的实体部署前进行实验。这是模拟技术的一种设想用途，并不能证明生成视频是准确的物理模拟器，或适合训练机器人。

我观看了几个生成的动作示例：滑板运动员、后空翻、跳入泳池的人、一匹马骑在另一匹马上，以及排球场景。动作和水花让我觉得很出色，不过我注意到穿过水面时的动作存在问题。这些精选展示片段不能衡量模型在所有场景下的可靠性。

OpenAI 将早期一些可能为了满足提示词而扭曲场景的示例，与一次篮球投失后反弹的画面进行了对比。我还观看了动画、龙以及一段带有风声和说话声的场景。同步声音和视觉一致性很有吸引力，但看似合理的结果不能等同于经过验证的物理准确性。

仔细看就能发现弱点：一个人挥动棍子时，手腕动作别扭，画面还有一些变形；另一位生成的说话者额头出现了意外变化。还有一段视频中的语音带着回声，似乎很符合演讲厅的环境。这些瑕疵说明，每次生成的结果仍需检查。

获得访问权限后，我展示了网页应用中的生成视频内容流，它看起来像一个社交视频平台。其中一段使用了我的形象和生成音频；其他示例包括一则广告和一个大脚怪场景。我对画面的真实感感到兴奋，但这些都是精选示例，我的反应也只是主观感受。

移动应用以网格展示视频，但我在录制时无法流式播放单个视频，怀疑遇到了程序问题。我在创建流程中选择了自己和其他可用的 Cameo，并要求生成一场虚构的三人打斗。生成结果包含解说。我的体验是视频大约需要五到十分钟才能生成，但这并不是对完成时间的保证。

应用会标记生成视频中出现的人，并显示相关通知。创建我的形象时，应用要求我说出三个数字，并向不同方向转动脸部。有一段生成视频还再现了我的连帽衫、灯光和背景；我正是在同一个环境里采集参考素材的，这有助于解释为什么如此相似。