Sora je generativní text-to-video AI model, vydaný společností OpenAI v únoru 2024. Sora je schopna vytvořit filmy z textových pokynů pomocí kombinace AI technologií: pokročilých NLP modelů, GAN, VQ-VAE, sémantických a kontextových modelů, technik pro syntézu videa a animací, a metod posíleného učení pro tvorbu videí z textových pokynů.

Dne 24. března 2026 společnost OpenAI oznámila, že provoz aplikace Sora ukončí.

Technologie

Přehled Sora Sora je architektura založená na nejnovější generaci difúzních transformátorů. Začíná proces s inicializačním šumem a postupně provádí sérii úprav, aby dosáhla přesného cílového videa. Významným prvkem této technologie je implementace adaptivního vzorkování, které umožňuje modelu Sora dynamicky se přizpůsobit a optimalizovat pro různé kodeky, rozlišení a poměry videa. To je dosaženo pomocí pokročilého algoritmického řešení, které umožňují měnit úroveň podrobnosti v procesu výběru vzorků a efektivně rekonfigurovat vstupní data tak, aby byla maximalizována kompatibilita s požadovanými výstupními formáty videa.

Proces generování videa Proces generování videa Sora zahrnuje tři hlavní kroky:

Komprimace zdrojového videa do reprezentace latentního prostoru, což zachytává interní vlastnosti dat. Tento vysoce dimenzionální prostor je využíván k abstrakci videodat, umožňující AI efektivněji manipulovat s složitými vzory v datech a generovat detailní video výstupy vysoké kvality. Po kompresi se tokenizovaná latentní reprezentace videa zpracovává pomocí Vision Transformer (ViT). Tento krok zlepšuje čistotu videa odstraněním šumu z abstraktní reprezentace. Nakonec Sora využívá mechanismus CLIP (Contrastive Language–Image Pre-training), který umožňuje porozumět a aplikovat textové popisy poskytnuté uživateli. Tyto popisy mohou být vylepšeny pomocí velkých jazykových modelů (LLMs) pro větší jasnost a specifičnost a mohou zahrnovat i vizuální podněty. To řídí difúzní model při vytváření videí, která odpovídají požadovaným tématům nebo stylům.

Po opakovaném aplikování kroků odstranění šumu je abstraktní video transformováno do své konečné formy. Toto video je poté dekódováno zpět do standardního video formátu a připraveného k prohlížení.

Reference

Externí odkazy

Kategorie:Videotechnika Kategorie:Generativní umělá inteligence Kategorie:OpenAI