Sora 文生视频模型产业链全景梳理

Sora文生视频模型产业链全景梳理近期，OpenAI发布旗下首个AI视频生成模型—Sora模型。Sora能够根据用户的文本描述生成长达60秒、1080P高质量视频，其中包含精细复杂的场景、生动的角色表情以及复杂的镜头运动。

此外，Sora还展示了AI在理解和模拟物理世界方面的能力，这被认为是实现通用人工智能（AGI）的关键一步。

OpenAI认为，视频生成模型是构建通用物理世界模拟器的一条有前景的道路，它使人工智能理解和模拟运动中的物理世界，迈向了一个新的高度，Sora文生视频模型有望成为实现AGI的重要里程碑。Sora发布视频展现物理世界模拟能力：资料来源：OpenAI官网01什么是文生视频？文生视频大模型是一种能够由AI生成视频内容的大型机器学习模型。文生视频基于用户的自然语言描述准确地生成相应视频内容。以用户给出的文本、图像、音频、视频等内容作为提示（prompt），模型能够处理并结合用户提供的内容，创造出完全自主生成或拓展的视频。这些模型通常基于深度学习，尤其是自然语言处理（NLP）、计算机视觉（CV）和语音识别（ASR）等技术的融合。以OpenAI官方发布的范例视频为例，输入提示词：“一位时尚的女士漫步在东京街头，街上充满了温暖的霓虹灯和生动的城市标志。她穿着黑色皮夹克、红色长裙和黑色靴子，手中提着一个黑色手提包。她戴着太阳镜，涂着红色口红。走路时自信而随意。街道潮湿且反光，形成了彩色灯光的镜面效果，许多行人来来往往。”

Sora生成1分钟视频示例:资料来源：OpenAI官网2023年实际诞生的文生视频大模型达到数十个，全球用户数量超过百万级别，但目前多数视频模型仍处于产品早期阶段。

2024年各大公司加快了文生视频模型的研发步伐。Midjourney宣布将在未来几个月加快训练文生视频模型；随后谷歌推出文生视频模型Lumiere。Lumiere模型的推出，进一步展示了谷歌在文生视频技术上的深厚实力。该模型不仅具备高度智能化的文本解析能力，还能根据文本内容自动生成与之相匹配的视频画面，实现了真正意义上的“文本到视频”的转化。国内字节跳动和腾讯也分别公布了视频模型MagicVideoV2与VideoCrafter2。从创作端看，市场上已公开的大多数模型出自初创公司和小型技术开发团队，包括Runaway、Pika等，且目前已呈现较为可观的完成效果和商业模式。预计随着科技大厂产品的发布，后续相关产品生态将持续繁荣。02什么是Sora？Sora是一个在可变持续时间、分辨率、宽高比的视频和图像上联合训练的文本条件扩散模型。

该模型将自然语言处理技术与视频生成技术相结合，并通过使用大量带有相应文本字幕的视频进行训练。其机理是从静态噪声开始，通过多个步骤逐渐去除噪声，最终生成清晰视频。Sora利用了DALL·E3的重新标注技术，为视觉训练数据生成高度描述性的说明文字，与GPT模型类似，Sora使用Transformer架构，扩展性强大。OpenAI声称，如果给定一段简短或详细的描述或一张静态图片，Sora就能生成类似电影的1080p场景，其中包含多个角色、不同类型的动作和背景细节。

与此前的视频生成模型相比，Sora主要实现了以下突破：视频时长达到60秒：Sora目前可以根据文本要求生成60s的连贯视频，并保持视频主体与背景的高度流畅性与稳定性。文本的深度理解能力：Sora可以准确理解用户的文本指令，无论是复杂的动作场景还是细腻的情感表达，Sora都能够精确捕捉并展现。对真实世界的理解：生成的视频除满足了文本要求的主题、要素外，Sora对物理规律的遵循程度较高，对于光影反射、运动方式、镜头移动等细节的呈现效果较为逼真，都展示了极高的质量。根据OpenAI官方介绍，目前Sora具备生成包括多个角色、特定类型的运动、准确细节的主体和复杂场景的能力。同时，还能够创建多个镜头，模拟复杂的摄像机运镜效果，使得生成的视频更加生动。3D一致性：Sora可以生成摄像机动态运动的视频。随着摄像机的移动和旋转，人物和场景元素在3D空间中的移动会保持一致。Sora生成动态运动视频示例:资料来源：OpenAI官网

Sora可以向前向后拓展视频，连接视频。可以使用Sora在两个输入视频之间逐渐插值，在具有完全不同主题和场景构图的视频之间创建无缝过渡。Sora及之前部分可比产品对比：资料来源：OpenAI，Pika，澎湃新闻，银河证券03Sora（文生视频）模型产业链梳理

Sora的横空出世，有望带动产业新一轮的景气度，进一步激发市场对AI产业持续创新能力。Sora模型产业链涵盖了数据收集与处理、模型训练与开发、部署与应用、硬件与云服务以及产业链上下游企业等多个环节。AI模型的训练需要大量数据，包括文本、图像、视频等多种形式。这些数据需要经过收集、清洗、标注等处理，以满足模型训练的需求。在收集到足够的数据后，需要进行模型的训练。这个过程需要大量的计算资源，包括高性能计算机、GPU、TPU等。同时，还需要专业的AI算法工程师进行模型的设计、调优等工作。

在B端，Sora文生视频模型，可以广泛应用于影视制作、动画制作、游戏开发、音乐教育等领域。AI视频可以大幅度降低视频的制作成本，对应用领域将有可观的降本增效作用，供给端有望加速推进。此外，AI模型的运行需要强大的硬件支持，包括高性能计算机、服务器，以及算力租赁服务等。

Sora支持在生成视频过程中加入图片提示：资料来源：OpenAISora+影视视频Sora有望明显降低制作门槛及成本，且可以极大程度丰富影视作品的创造性及风格。Sora的出现将重塑影视行业，拥有核心导演或创意人才，及IP资源的厂商具有先发优势。影视和IP方向代表厂商包括上海电影、光线传媒、中文在线、掌阅科技、华策影视、果麦文化等。Sora+游戏游戏是虚拟世界的一种体现，Sora对于物理世界的理解和模拟可以与游戏场景开发高度适配，Sora可被应用于游戏角色创立，场景开发等过程，降低开发成本。代表厂商包括三七互娱、恺英网络、巨人网络、昆仑万维、掌趣科技、盛天网络等。Sora+算力Sora在视频生成领域具有的标志性意义，大模型所预期的能力得以逐步验证。但与此同时，生成产品存在的瑕疵亦说明训练仍需继续，算力基础设施的部署需求仍在扩大和升级。AI模型的运行需要强大的硬件支持，包括高性能计算机、服务器、云服务和算法等厂商。国产算力基础设施代表厂商包括中科曙光、浪潮信息、紫光股份、工业富联、拓维信息、海光信息、寒武纪、神州数码、锐捷网络等；算法层面主要布局厂商包括科大讯飞、云从科技等。整体而言，Sora产业链各环节布局厂商众多，主要参与布局厂商还包括会畅通讯、当虹科技、因赛集团、安诺其、国脉文化、新华网、易点天下、数码视讯、东方国信、万兴科技、海康威视、大华股份等。应用层面主要参与者有金山办公、新国都、虹软科技、熵基科技、美图公司、佳发教育等。未来随着模型规模增大，参数将继续放大，多模态大模型陆续推出将引发对算力需求的指数级提升，包括训练和推理，并且在场景应用中带来颠覆式革命。随着文生图、图片对话技术的成熟，文生视频可能成为多模态大模型下一步发展的方向。Sora文生视频的视觉效果明显高于其他AI工具，品质已经接近专业内容生产者的创作标准，未来若得以推广，有望进一步降低用户