摘要：随着人工智能技术的飞速发展，视频生成AI成为了当下科技领域的热门话题。Sora，这款备受瞩目的视频AI大模型，在发布之初便吸引了众多目光，被寄予厚望。然而，经过一系列的测试与对比，Sora的表现似乎并未达到预期，甚至在多个方面不如国产的可灵。
随着人工智能技术的飞速发展，视频生成AI成为了当下科技领域的热门话题。Sora，这款备受瞩目的视频AI大模型，在发布之初便吸引了众多目光，被寄予厚望。然而，经过一系列的测试与对比，Sora的表现似乎并未达到预期，甚至在多个方面不如国产的可灵。
前言
Sora已经发布快一个月了，小的结合公司内的业务进行了不少案例的测试，也逐渐对这个2月15日发布、被号称“平等创飞每个人”的视频AI大模型祛魅了，其综合表现甚至不如国产的AI视频（没错，就是指可灵）。
于是，我便打算将我测试过程中对Sora的评价、对其功能的思考小小汇总一下，形成这篇文章，与各位大佬分享一二。Sora对比国内AI
目前整体测试起来，Sora在“指令遵循”、“画面逻辑BUG”、“前后细节不一”、“前后画风割裂”、“非真人画风处理”等问题上都不如国产的视频大模型可灵。
下面用一些例子来说明。（为了更清晰地对比两者的能力，我还是会分“低”、“中”、“高”多个难度档位进行测试，难度的提升以“控制主体数量”、“细节描述丰富度”、“动作复杂度”、“是否与场景互动”为大致的边界。）图生视频 – 案例一：人物奔跑
1. 低难度：
左侧为sora，右侧为可灵。
提示词：
人物在奔跑
2. 中难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，人物在一片黑暗中奔跑
3. 高难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，人物在奔跑，背后烟雾缭绕
小结：
1.Sora似乎有自己的想法，对于上传的图片基本不会遵循，背景、人物都没有很好地保持“一致性”。而可灵能很好地做到前后保持一致。
2.Sora生成的动作更活跃，动作连贯，不像可灵，生成的是慢动作的内容。图生视频 – 案例二：孙悟空腾云驾雾
1. 低难度：
左侧为sora，右侧为可灵。
提示词：
人物站在云上飞行
2. 中难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，人物站在云上飞行，衣服飘动
3. 高难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，人物站在云上飞行，背后烟雾缭绕，背景越来越远
小结：
1.同样基本不用对比，Sora完全没有遵循原本图片的内容，直接从某一帧开始展现自己的无关画面内容。
2.可灵虽然在高难度下没有遵循到远景远离的需求，但是在中低难度下，基本完成了“腾云驾雾”的要求。图生视频 – 案例三：二次元展示图片
1. 低难度：
左侧为sora，右侧为可灵。
提示词：
人物站立不动，衣服随风飘动
2. 中难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，人物站立不动，衣服随风飘动，武器轻微晃动
3. 高难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，人物站立不动，衣服随风飘动，人物周围环绕着蓝色火焰
小结：
不说了，在这个场景上，可灵完爆……图生视频 – 案例四：人物打架
1. 低难度：
左侧为sora，右侧为可灵。
提示词：
两人开始打架
2. 中难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，两人开始疯狂打架，拳头速度飞快
3. 高难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，两人开始疯狂打架，拳头速度飞快，地上浓烟滚滚，石头飞溅，背后房屋倒塌
小结：
1.Sora，你小子……无法在原视频上做到指令遵循，你自己变一个视频来遵循指令……
2.提示词不充分的情况下，可灵不会执行“打架”的指令，但是也比Sora好了，至少做到“浓烟滚滚”。文生视频 – 案例五：人在马路上行走
1. 低难度：
左侧为sora，右侧为可灵。
提示词：
一个人在路边行走。
2. 中难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，一个人在路边行走，马路上车很多。
3. 高难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，一个人在路边行走，马路上车很多。突然一辆车把人给撞了。
小结：
1.Sora中低难度下，指令遵循得很好，画面也很清晰，大体上任务动作、物理逻辑都没啥大问题。（除了有个人在反复往前走、往后退）
2.可灵在现实类场景的生成上，效果会比Sora差一些，会有一种“油油”的效果，而且部分画面上会存在物理漏洞（比如路人的手消失了、一辆车逆行停在马路上）。
3.两位AI同学都没有遵循到高难度下的“撞车”指令。文生视频 – 案例六：人在云上飞行
1. 低难度：
2. 中难度：
3. 高难度：
左侧为sora，右侧为可灵。
提示词：
镜头固定，人物站在云上飞行，背后烟雾缭绕，背景越来越远
小结：
在这个场景上，可灵比起Sora就差点意思了。首先，可灵生成的画面不够Sora好看。其次，可灵的画面效果有一种怪异的感觉，特别是低难度下的那个人物（不过也怪我提示词没有描述到人物主体）。汇总小结
1.在图生视频领域，目前是可灵相对领先。可灵能够做到“尊重”用户上传的图片，不给到过多跳跃的想法。（这里批评Sora自己无法在原图片上遵循指令，会自己变出一个画面来遵循指令）不过在相对复杂一点的提示词下，可灵还是做得不是很到位，仅仅起到“让图片稳定地动起来”的效果。
2.在文生视频领域，两者指令遵循效果差不多。但是个人感觉，Sora的生成效果会更具“美感”，相对来说画面效果会更好看。
此外，Sora还有一个优点——“快”，平均一分钟内能产出视频。不过这个和使用人数有一定关系。因此，目前Sora整体上还是比不过国产的可灵，只有在文生视频效果和生成速度上有优势。锐评Sora的“创新”功能
除了视频生成能力，Sora还提出了不少新的视频生成辅助功能，相比起目前市面上的AI视频工具能力，也颇为创新，下面一一列出来简单锐评下。生成参数设置
其中参数设置功能基本上涵盖了市面上都有的能力，比如视频比例、清晰度、时长、抽卡次数。值得一提的是，这里看起来颇为创新的“预设风格”能力，本质上与PixVerse、PIKA的“特效玩法”是一样的。这些都是对某个场景的定向训练结果，用以做到某类固定的特效，比如Pika的“捏碎一切”、PixVerse的“毒液变身”。
目前Sora支持“气球世界、定格动画、档案、黑色电影、纸板和纸艺”这些风格（机翻结果），相比起PixVerse和PIKA，Sora的风格有点保守，不够好玩。
emm，不是很能欣赏。故事板及其衍生应用
值得一提的是，Sora推出了故事板功能。故事板功能允许用户导入脚本，按分镜进行视频创作，从而生成符合需求的视频片段。
虽然即梦也有类似的能力，但是即梦是基于上传的多个分镜 或者 图片描述进行生成，一致性较差。而Sora本质上是基于一个视频生成，会保持一定的视频一致性。
如示例视频，我想生成“一个人走路，然后停下来，最后冲着镜头微笑”的视频。虽然并不能完全遵循三个要求，但是也捉到了一定的“一致性保持”。
基于Sora的故事板能力，Sora还提供了“重新剪辑”功能，能够对一个已经生成的视频进行修改，实现“控制每一秒”的生成内容。
比如示例这里，我可以对一个已经生成的视频进行切割，在中间补充上一个画面进行重新生成。（虽然执行效果不咋地。）
除了可以通过故事板对视频进行二次修改，Sora还提供了重混（Remix）、混合（Blend）、循环（Loop）这三个视频二次编辑功能。
重混（Remix）支持对于已生成的视频使用文字进行修改，支持7个档位的修改。实际测试下来，会存在指令遵循不到位的情况。
比如我想把下方左图的视频变成右图的冬天黑人，结果人物、运镜和动作等已有的结果都丢失了，直接前功尽弃，把我的视频mix得一团糟。
混合（Blend）支持把两个视频融合，融合模式支持3种，分别为过渡、混合、样本、自定义，本质上是控制两个视频的过渡曲线，控制B视频什么时候开始侵入A视频、侵入程度如何。
实际测试下来，这个能力会先结合两个视频的特点，生成一个前后两种“不同但又互相融合特征”的视频，然后加上过度的效果。不过测试了几个案例，发现它的“过度效果”基本都是“发光”，然后渐变过渡，颇为生硬（如中间的图）。甚至有的会直接播一半时候切换到下一个视频（如最右的图）。
整体看下来，Sora的新功能大部分都能在别的厂商的AI视频工具上找到对应。其中较为突出的是在“精准控制生成视频结果”方面的创新，比如：
1.故事板的分镜控制能力。其保持一致性的前提下，控制每一秒的生成内容。
2.视频二次修改能力。通过文本对视频进行二次修改，以保证生成结果符合要求。
但是由于现在Sora底层大模型能力还不够，这些创新方案并没有发挥它们想象的水平，所以看起来“没什么作用”。
不过Sora这里的对于“如何更准确地生成目标视频”这个问题的解题思路，值得参考与学习。但是这类能力估计会对“视频一致性”能力做出一定要求，就算放出相关功能，效果也可能不会很好。可灵还会持续领先吗？
那既然目前测试到Sora整体上不如可灵，那么可灵在未来也会持续保持领先地位吗？小的将沿着之前几篇AI视频相关的思考文章的结论捋一捋。
1.可灵目前能服务更广泛的用户需求，而这是当前阶段竞争的关键。
之前《浅谈当前的AI剪辑工具》提到过未来AI视频厂商更容易卷成的特点，分别是：
1）有用户：用AI视频工具能吸引到足够的目标用户。
2）能赚钱：能够跑通与用户价值交换的商业逻辑。
3）有壁垒：在前两个过程中构建自己的竞争壁垒，以源源不断进行价值交换。
目前AI视频厂商的商业模式基本上都是“能赚钱”的，除非搞“比较离谱”的价格战。所以目前可灵和Sora基本上都不会是“没钱赚的”，但是是否盈利就暂且未知了，可能前期训练成本大于收入。
而随着大模型能力、用户量级、行业方案解决的积累，“有壁垒”这一点是会自然而然就能满足的。
那么小的觉得，目前阶段“谁能领先”的关键应该在于“有用户”这点上。
之前提到过，AI厂商必须围绕目标用户群体的需求进行大模型训练，才能积累到足够的目标用户。而我们可以发现，可灵是相对擅长“图生视频”领域的，而“图生视频”领域覆盖的用户面更广。
为什么会有如此结论？下面是我分析。
如果我们可以按“文生视频”和“图生视频”对AI视频能力进行分类，可以发现：
1）“文生视频”目前适用于“不需要与前后分镜保持一致的”视频生成场景。比如“生成一个风景画面”、“生成只会出现一次的人物”。
2）“图生视频”目前适用于“有一定的基础物料，且需要生成的视频与这些物料保持一致”的视频生成场景。比如“广告介绍画面”、“手办动起来”、“图片动起来”。
相对来说，“图生视频”所适用范围会更广，因为“文生视频”更适合在故事创作的场景，通过适用“文生视频”来补齐画面。而“图生视频”不仅仅能用在娱乐，也可被广告、营销等场景使用，可以生成一些商品的宣传物料、补齐一些视频的片段。（虽然现在有一个“文生视频”分支，允许上传一张图片，让AI参考图片的主体进行文字控制生成，目前在vidu、pika上有这类能力，但是由于现在效果不太行，暂且不提。）
所以，即便可灵目前没法处理“相对复杂的指令”、“相对较大的动作幅度”、“复杂的主体交互逻辑”等需求，仅仅能做到基于“相对简单的指令”执行“幅度一般的动作和偏简单的交互”，但是这也能“赋能”一定范围的视频生产场景了。这比起Sora来说，可灵能服务于更广泛的用户需求，这也意味着拥有获取“更多用户”的潜力。
2.Sora一定程度摧毁了用户的信心，这或许成为后续Sora的阻力。
AI工具有一个特点，就是“黑盒”特征十分明显。用户在进行具体的抽卡之前，都不一定知道“AI能否做好我这个需求？”而且有时候效果不行，并不一定是AI不行，而是抽卡姿势不对（提示词、参数设置不对）。因此要用好AI工具，必须要要有十足的耐心去反反复复地进行抽卡。
然而并不是所有用户都有这么充足的耐心的，大部分用户只会尝试1~2次，看到不行就不管了。所以个人觉得，AI工具厂商需要给到用户充足的“信心”，让其相信“不是工具不行，是我不行”，这样才能让用户拼命抽卡。而构建信心的途径可以是“行业口碑”、“用户案例”、“用户自身经验”等等，这也是厂商们吸引用户以及用户留存的关键因素。
这么说来，Sora的失败营销就是一定程度对“用户信心”进行了打击，这无疑成了后续其发展的阻力。虽然OpenAI这块招牌或许还有点含金量，但是至少相比之前，国内AI视频厂商的竞争难度无疑是下降了的。
基于上面两点，小的认为，能够获取到目标用户群体的AI工具，需要具备以下特点：
1）能满足用户需求：AI工具要先具有解决某类的用户需求的”真本事”，后续才能够真正地获取目标用户。否则，即便营销得再好，工具不能发挥作用，用户也必定流失。
2）能构建用户信心：在“真本事”的基础上，厂商就需要构建足够的用户信心，从而吸引用户来使用工具，并在这个过程中给厂商提供收益。构建信心的过程包括但不限于市场营销、用户运营等获客手段，也可以是在用户使用工具过程中的使用指引、案例展示等能力展示手段。只要用户有足够的信心，便能换来一定量的用户和留存。
3）能提供良好体验：当拥有一定量级的用户后，厂商则可通过“更优秀的用户体验”来促进用户的进一步留存、付费、传播。良好体验包括但不限于工具操作的便捷性、更精准的控制参数等，这些内容能让用户更充分发挥AI工具的能力，从而对工具产生好感，并为此持续活跃、持续付费，甚至是帮厂商推广。
由此可以看到，目前在“满足用户需求”、“构建用户信心”上，可灵是相对做得较好的。这说明可灵目前是相对优势的，但是这也并不意味着可灵是会一直保持优势，因为说不定Sora技术成长速度更快，能够解决更多的“用户需求”，从而做到赶超。毕竟工具产品并没有太高的沉没成本，谁能满足更多需求，谁的性价比更高，用户就用谁的。
所以未来怎么样，小的怎么可能知道。静观其变，拥抱变化。总结
来源：人人都是产品经理