چه اتفاقی افتاد؟#
پنجشنبه ۱۵ فوریه ۲۰۲۴ (۲۶ بهمن ۱۴۰۲) شرکت OpenAI از طریق رشتهپستی در شبکهٔ X مدل جدیدی به نام Sora را معرفی کرد. این مدل یک سامانهٔ «متن به ویدیو» است؛ یعنی کاربر چند جمله دربارهٔ صحنه‌ای که در ذهن دارد می‌نویسد و مدل یک ویدیوی متحرک میسازد. نکتهٔ جلب‌توجه‌کننده طول خروجی بود: بر اساس گزارشهای رسانهها، سورا میتواند ویدیوهایی تا ۶۰ ثانیه، یعنی یک دقیقهٔ کامل، تولید کند.
در آن زمان تولید ویدیو با هوش مصنوعی بیشتر به کلیپ‌های بسیار کوتاه محدود بود، پس همین یک دقیقه برای بسیاری از ناظران جهش بزرگی به حساب می‌آمد. نمونه‌هایی که OpenAI منتشر کرد شامل خیابانی برفی در توکیو، یک کلاس آشپزی، ماموت‌هایی در برف، یک نمای سینمایی علمی‌تخیلی با حس فیلم ۳۵ میلی‌متری و یک هیولای انیمیشنی بود.
سورا چه ادعایی داشت؟#
OpenAI در معرفی خود از «صحنه‌های بسیار دقیق»، «حرکت پیچیدهٔ دوربین» و شخصیت‌هایی با احساسات گویا سخن گفت. به بیان ساده، هدف این بود که مدل فقط چند تصویر پشت‌سرهم تولید نکند، بلکه پیوستگی یک صحنه را حفظ کند: همان شخصیت، همان محیط و همان سبک تصویر در طول چند ثانیه.
این ادعا برای هر کسی که با ساخت محتوای تصویری سروکار دارد جذاب است. تبلیغ‌ساز، تولیدکنندهٔ محتوای شبکه‌های اجتماعی و فیلمساز مستقل همگی می‌توانند تصور کنند که روزی نمایی را که پیش‌تر به تجهیزات و تیم نیاز داشت، با یک توضیح متنی بسازند.
