人工智能行业：OpenAI推出新一代音视频工具Sora 2－月度跟踪

<p>引子：2025 年 9 月 30 日，OpenAI 推出新一代音频、视频生成模型 Sora 2，并同步上线独</p><p>立 iOS 应用。Sora 2 被 OpenAI 誉为&quot;视频领域的 GPT-3.5 时刻&quot;，此次更新不仅在视频生成</p><p>质量上实现了显著提升，更首次支持了与画面精准匹配的原生音频生成，标志着 AI 视频生成</p><p>技术迈入一个全新的发展阶段。</p><p> Sora 采用 DIT 架构，性能优于同期发布模型。2024 年 2 月 16 日，OpenAI 发布首个文本</p><p>生成视频模型 Sora，其核心采用 Diffusion Transformer 深度融合架构，依托自注意力机制</p><p>等设计，可增强视频帧间连贯性与文本与视觉语义的匹配精准度。相较于 Gen-2、Lumiere</p><p>等同期模型，Sora 的优势尤为突出：1）生成时长达 60 秒，远超 Gen-2（18 秒）、Lumiere</p><p>（5 秒）、MoonValley（6 秒）的上限，能承载更具叙事性的创作需求；2）生成类型覆盖</p><p>T2V（文生视频）、I2V（图生视频）、V2V（视频生视频），并额外支持 VFI（视频插帧），</p><p>多模态创作能力更全面；3）技术架构上，凭借 Diffusion Transformer 的特性，时序一致性</p><p>表现更佳，可减少画面闪烁、物体运动不连贯等问题，让动态视觉效果更贴近真实场景。</p><p> OpenAI Sora 2 相较于初代实现了多维度的卓越升级。1）在音视频同步方面，其彻底解决</p><p>了初代的无声局限，可基于文本指令原声生成贴合场景的完整音效，无论是人物说话时的语</p><p>音与环境音、奔跑场景的脚步声与风声，还是钢琴演奏的琴键声与空间回响等，均能自动匹</p><p>配，无需后期额外配音，实现“声画一体”的创作体验；2）物理模拟精度上，Sora 2 实现</p><p>了突破性提升：针对初代水流不自然问题，升级水、烟雾等流体模拟使其更贴合现实场景；</p><p>通过精准模拟重力、惯性与摩擦力，修正了物体飘浮、碰撞反馈不真实等缺陷；同时让人物</p><p>动作严密符合人体工学，有效解决动作僵硬问题。对比测试显示，其在人物走路、水流动态</p><p>等场景的真实度提升 36%-70%，其中水流动态提升最为显著。3）此外，Sora 2 新增“Cameo”</p><p>功能，用户通过短暂的视频与音频采集，即可将自身或他人的形象与声音植入模型，后续能</p><p>在任意场景中高度保真地呈现该角色，极大拓展了角色互动可能性，丰富了个性化创作与社</p><p>交体验</p><p><br/></p>