01 它是干嘛的
Sora 是文字生成视频的模型。它和生成图片最大的不同在于「时间」：视频要保证前后画面连贯、物体运动符合物理直觉、镜头能连续移动。它把视频当成一长串「时空小块」来处理，从而生成有时长、有运动、有一致性的片段。
02 为什么会有它
让 AI 生成一张图已经很难，生成一段视频还要难上加难
生成单张图片已经够复杂：要理解你描述的场景、构图、光线、风格，还要让画面里每样东西都合理。但图片是静止的，画错了也就定格一帧，观众不会看到它「动起来破功」。
视频完全是另一个量级。一个杯子从桌上滑落，它每一帧的位置、光影、形变都必须连得上，中间任何一帧接不上，看起来就像抽搐；镜头从左边摇到右边，前后画面还得保持是同一个场景、同一批人物。人眼对运动中的不连贯极其敏感，静态图里能糊弄过去的破绽，在视频里立刻暴露。
在 Sora 之前，让 AI 生成视频要么只能做很短的、抖动的片段，要么需要人一帧帧手动调整。创作者想要几秒钟能用的素材，往往要花大量时间去生成、挑选、拼接。Sora 把「一句话变成一段连贯视频」向前推了一大步，也让普通人第一次能低成本地做出视频画面。
03 它怎么工作
扩散模型的思路是「先把画面打乱成全屏雪花，再一步步把它擦干净还原成画面」。视频版本的不同在于，它把时间也当成一个维度一起处理，每一小块同时记住了自己的位置和出现的时刻。
视频是怎么从一团噪点里长出来的：时空 patch 与逐步去噪
- 1① 文字变成条件
你输入的那段描述先被理解成一个「要画什么内容」的指令，作为整段生成的约束。
- 2② 初始化为噪声
系统从一整段随机雪花（噪声）开始，此刻画面上什么都没有，只有无序的颗粒。
- 3③ 切成时空 patch
把这段噪声按空间和时间一起切成许多小块（patch），每一块都带着「在画面哪个位置、在第几帧」的信息。
- 4④ 逐步去噪
模型反复循环，每次都根据文字条件去掉一点噪声，让画面一点点浮现出形状、颜色和运动。
- 5⑤ 连续性校正
关键在于每一步都让相邻帧相互参照，保证前后画面是同一个人、同一场景、顺畅地连在一起，最后输出一段连贯视频。
04 谁在用它
快速生成若干视觉方案和分镜，用来和客户沟通创意，比实拍便宜得多。
影视、游戏在做前期时，用生成视频快速演示「大概长什么样」。
个人创作者做短视频素材、动态封面、创意片段，省去拍摄和买素材库。
把抽象概念或历史场景用生成的视频画面直观呈现，比文字讲解更容易理解。
把脑子里的画面描述出来生成看看，用来打开思路、碰撞新的想法。
05 怎么用
门槛很低，会写字就能用；难点从「会不会做视频」变成了「会不会把想要的画面描述清楚」。
- 01打开 Sora 的网页或 App，用账号登录。
- 02写一段描述：主体是谁、在做什么、什么环境、什么风格、镜头怎么动，越具体越好。
- 03生成后浏览结果，挑满意的片段，不满意就改描述或直接重新生成。
- 04用平台提供的故事板、拼接、延长等工具，把多个片段串成更完整的视频。
- 05导出成品或下载片段，用到自己的项目里。
避坑提示
- !描述里说清镜头运动（推拉摇移）和画面节奏，比只描述内容更能控制效果。
- !同一段描述每次生成结果都不一样，多生成几条再挑，比反复微调一条更高效。
- !生成视频算力开销大、有额度限制，长视频可以拆成几段分别生成再拼接。
- !留意生成内容的版权与使用条款，商用前确认清楚。
06 关键概念
- 扩散模型
- 一种生成方式，从随机噪点开始，一步步去噪还原出清晰内容。
- 时空 patch
- 把视频按「画面位置 + 时间」切成的许多小块，让模型同时理解空间和时间。
- 文生视频
- 用一段文字描述作为条件，直接生成对应的视频片段。
- 一致性
- 视频里同一个人、同一场景在不同帧之间保持不矛盾，是视频生成最难的部分。