OpenAI发布Sora 2：视频生成的GPT-3.5时刻，音画同步+物理真实感质飞跃

2025 年 9 月 30 日（北京时间 10 月 1 日凌晨），OpenAI 正式发布旗舰级音视频生成模型 Sora 2。这款被 OpenAI 称为「视频生成的 GPT-3.5 时刻」的模型，在物理特性准确度、画面真实感以及可操控性方面均较以往系统实现了质的飞跃。

物理真实感的跨越

早期的视频模型往往表现得「过于乐观」——为了响应文本指令，它们不惜扭曲现实或令物体变形。例如，当篮球运动员投篮不中时，球可能会凭空「传送」进篮筐。

但在 Sora 2 中，如果球员投篮不中，篮球会真实地从篮板上反弹。模型经常出现的「错误」看起来更像是内部智能体所犯的错误；尽管仍不完美，但在遵循物理定律方面已有了长足进步。

Sora 2 能够胜任此前模型极难实现的任务：复杂的奥运体操动作、划桨板上精准模拟浮力与刚度的后空翻、猫咪依附下的三周跳等。

音画同步与角色植入

作为通用的音视频生成系统，Sora 2 能创作出具有高度真实感的复杂背景声场、语音及音效，音画同步功能可实现对白与口型的精确对齐。

更突破的是「角色（character）」功能：通过观察团队成员的短视频，模型就能将其置入任何生成的环境，并精准还原其外貌与声音。这种能力适用于任何人、动物或物体。

TikTok 式社交应用

OpenAI 同步推出全新社交 iOS 应用「Sora」：

• 纵向视频流，支持滑动浏览，类似 TikTok
• 可创作内容、对他人作品进行二次创作（remix）
• 定制化的 Sora 动态信息流（feed）
• 「角色」功能将自己或朋友带入视频世界

上线 48 小时内登顶美国 iOS App Store 榜首，超越 ChatGPT，下载量超 16.4 万次。

多镜头叙事能力

Sora 2 在可操控性上有质的飞跃：

• 遵循涵盖多个镜头的复杂指令
• 精准维持世界状态的一致性
• 支持好莱坞式转场效果
• 写实、电影感、动漫风格均有卓越表现
• 系统支持基于文本指令自动规划多角度镜头切换

规格参数

• 标准版：最长 10 秒视频，720p 分辨率
• Pro 版：最长 25 秒视频，1080p 分辨率
• 输入：文本、图像
• 输出：视频 + 同步音频
• 定价：sora-2 0.10 美元/秒，sora-2-pro 0.30-0.70 美元/秒

重大商业合作

2025 年 12 月，迪士尼宣布向 OpenAI 投资 10 亿美元，并签署三年授权协议，允许 Sora 生成包含迪士尼、皮克斯、漫威、星战等 200 多个角色的视频。

安全措施

• 所有视频带水印和元数据标识
• 肖像只能在本人同意下使用，可随时撤销
• 青少年账号受家长控制和使用时长限制
• 生成阶段屏蔽色情、恐怖主义、自残内容

OpenAI 表示：「视频模型正在飞速进化。通用世界模拟器和机器人智能体将重塑社会，加速人类的发展进程。」