Sora 2 实测：人物客串、镜头调度与视频生成错误

Sora 2 是一款视频和音频生成模型，我一直在探索人们能用它创造什么。在这期 2025 年 10 月的评测中，我查看有趣的角色联动、生成的人物形象，以及更系统地测试运动、镜头和视觉一致性的提示词。这些选定片段展示了我的体验，不是受控基准测试。

我先展示虚构角色出现在意想不到的场景中，包括说唱表演和复古游戏风格片段。角色相似度和生成音频让我印象深刻。我把当时的情况称作“版权荒野”，但生成示例不能证明使用获得了授权，也不能证明版权限制不适用。

2025 年的应用还允许用户录制自己的外貌和声音，创建客串人物。我说自己当时允许别人使用我的客串形象，并展示了一段有多人的生成播客。产生的对话是合成的，不是这些人真实说出那些话的录音。

我展示更多想象中的联动片段，涉及可辨认的游戏和动画角色，也包括我的客串形象。重点是创意范围和娱乐性，但这些画面都是虚构的。人物形象或角色能否使用，取决于许可和适用规则，而不只是工具能生成什么。

接下来我更仔细地看人物。一段生成片段把我扫描的形象放在有色面罩后面，我觉得面孔、光线和反射都很逼真。我估计大多数时候都很相似，这只是对自己示例的非正式印象，并非测得的错误率。

在另一段片段中，我的队友 Jonah 的客串形象也很接近本人，但我看到皮肤和头发纹理变化。同一提示词多次运行会产生不同结果，我的声音有时很准确，有时偏差明显。重新运行可能得到不同结果，但不能保证修正问题。

在一个关于虚构“算力银行”的场景中，模型混合了我和 Jonah 的特征。生成的我戴着属于他风格的耳环，而他的面孔似乎也混合了我们两人的元素。这是多个客串人物同时出现时身份一致性失效的一个例子。

在另一个想象场景中，我扮演考古学家，发现金字塔下方的数据中心。面部相当接近，但我注意到形变和声音中的数字伪影。场景和旁白都是生成的虚构内容，并非历史发现。

Jonah 身处交通中的场景暴露了更多问题：手会变形，汽车看起来倒着开，车辆也改变形状。在我看来，他的脸仍能较好辨认，说明即便场景其余部分不一致，单个元素也可能看起来不错。

舞蹈课客串和狗狗比赛片段很有趣，单看狗本身也很逼真。但我注意到一条牵引绳似乎没有人握着。另一段接麦片的片段很好地把握了喜剧停顿，而一段说唱对决没能保持我们的相貌。

测试物理效果时，一个球停下来后似乎反方向旋转，尽管周围场景看起来很逼真。这种反差很重要：漂亮的纹理和熟悉的背景并不能保证动作符合物理规律。

我用键盘颤音和洗牌测试手部精细动作。手指并非总能自然接触琴键；洗牌时，纸牌会融合、变形或突然出现。在这些例子中，静止画面里的手有时看着合理，但操作小物体仍很困难。

一段与青蛙进行柔术的虚构场景出现了身体部位混杂，包括一只绿色手从我的衣服中伸出。相比之下，折纸提示词生成的红纸鹤和手比我预期的更好，尽管折叠过程本身有些别扭。

厨房提示词生成的食物在静止时很诱人，但我注意到转换问题、意外窜出的火焰和突然出现的食材。我觉得一段风格化现代舞效果不错，不过剪影呈现也让细微身体变形更难察觉。

为了测试镜头调度，我要求镜头越过屋顶通风口升向日落天际线，并加入克制的镜头光晕。结果基本遵循了指令，尽管我发现细小的画面形变。另一段从书桌快速摇向城市窗景的镜头，也似乎按要求重新对焦。

一个焦点转移提示词让焦点从前景的花转到背景中的 Jonah。另一段镜头从昏暗走廊进入明亮房间，并逐渐调整曝光。我认为这些例子的调度效果不错，但也注意到部分片段看起来分辨率较低。

然后我测试液体、烟雾和粒子。蜂蜜和浓缩咖啡在我看来很逼真，一匹马在水中奔跑时溅起水花，尽管可能有些夸张。香烟雾本身看起来很自然，即使背景中的风扇似乎没有影响它。

失败例子同样有启发。倒入咖啡的牛奶没有形成我预期的可见羽流，锅中的番茄尽管周围有气泡却保持静止。我觉得汽水片段和绕过玻璃杯的雾气表现更好，但漂亮的样本不能证明流体模拟总体准确。

棱镜生成了彩虹和令人信服的天鹅绒纹理，但我对光线的行为没有那么确定。我还查看了覆盖在图案卡片上的网格，以及火光照亮双手的场景。这些都是视觉观察，而非物理测量。

在选定片段中，旋转的戒指和反光金属球看起来很逼真，尤其是反射效果。这种印象来自观看输出，并不能证明反射几何在所有情况下都准确。

测试动态图形时，简单动画短语清晰可读，plan、build、launch 的序列也有效。手写效果更像文字出现，而不是准确写出来。时间线重复日期并与旁白不匹配，说明可读元素仍可能在语义上不一致。

一张生成柱状图尤其容易误导：标注相同数字的柱子高度不同，其他标签也与视觉排序不一致。图表即使看起来精致，仍可能错误表达数字，因此需要核对标签和图形比例。

一段炒面片段在我看来保持了连贯，但它没有声音。公交车窗上的“Next Stop Lakeside”贴纸始终位于移动背景前方，字母没有明显变形。这些是多种结果中的成功例子，不代表可靠性比例。

我演示 2025 年的操作流程：获得访问权限后，用户录制一段简短的面部和声音扫描、编写提示词、标记可用的客串人物，并选择竖屏或横屏。OpenAI 表示人物形象使用权限由用户控制。这是历史说明：OpenAI 后来表示，Sora 产品自 2026 年 4 月 26 日起不再提供。

我展示的拥挤露天市场片段较好地保持了许多物体和人物的一致性，但另一段人群进入建筑的画面中，有人穿过门或与栏杆融合。人行横道片段表现更好，但雨伞有一些穿模。因此，即使反射效果不错，复杂场景的结果仍可能差别很大。

对于非照片写实风格，我展示了水彩船只、动画机器人和类似定格动画的场景。我认为风格化可以让结果更有吸引力，也可能让某些逼真画面中的错误不那么显眼；喜好仍取决于观众。

天气和环境示例包括黄昏鸟群、降雪和拍打墙面的海浪。有些鸟消失了，也有少量蒸汽意外出现，但路灯照亮的雪和海浪让我印象深刻。这些是对单个生成片段的主观观察。

最后我展示轻松的生成场景，包括瑜伽和虚构赛车角色联动。我注意到一些点名的作品被接受，其他请求却遭到拒绝。测试结果不一致，并不能确定权利人允许什么，或平台政策保证什么。

最后一段片段想象我成为 20 世纪 90 年代的说唱歌手。总体而言，我很享受这些实验，同时这些例子也说明人物相似度、运动、数字准确性和物理交互仍需要仔细检查。