OpenAI、テキスト→最長1分の動画の生成AI「Sora」発表 一般公開はせず

[ITmedia]

　米OpenAIは2月15日（現地時間）、テキストプロンプトから最長1分の動画を生成するAIモデル「Sora」を発表した。一部のユーザーに公開し、フィードバックに基づいて改善していく計画。

　SoraのWebページ（リンクは記事末）は「Soraは、テキストの指示から現実的で想像力豊かなシーンを作成できるAIモデルだ」と謳っている。このページには多数の動画が掲載されているが、すべてSoraが生成し、修正していないものという。

SoraのWebページ。背景は実際にはSoraが生成した動画

　複数のキャラクター、特定の種類のモーションなどを含む複雑なシーンを生成できるとしている。ユーザーがプロンプトで何を要求したかだけでなく、物理的な世界で実際にどのように存在するかも理解するという。

　例として挙げられた動画の1つは、「スタイリッシュな女性が、暖かく輝くネオンとデジタルサイネージで満たされた東京の通りを歩いている。彼女は黒い革のジャケット、赤いロングドレス、黒いブーツを装っており、黒いバッグを持っている。サングラスをかけ、赤い口紅をつけている。自信を持って何気なく歩いている。通りは湿っていて反射しており、色とりどりの光の鏡効果を生み出している。多くの歩行者が歩き回っている」というプロンプトによるもの。

東京の夜の街をそぞろ歩くスタイリッシュな女性

　残念ながら看板の文字は日本語になっていないが、濡れたアスファルトにネオンが反射する様子などがリアルだ。

　Soraはまだ複雑なシーンの物理を正確にシミュレートするのに苦労する可能性があるという。例えば、人がクッキーをかじっても、クッキーにかじった後が残らないことがある。

　そうしたこともまだ一般公開しない理由の1つのようだが、主な理由は「重要な安全措置」を講じる必要があるからだ。現在、レッドチーム（誤情報や悪意あるコンテンツ、偏見などの専門家で構成する問題研究チーム）と協力して安全措置を模索している。

　また、動画がSoraによって生成されたことを検出できる分類子などのツールも開発している。OpenAIに導入する場合はC2PAメタデータを含める予定だ。

　既に米Metaや英Stability AI、米Googleなどがテキストから動画を生成するモデルをリリースしているが、いずれも生成できる動画は数秒だ。

　「Soraは、AGIを達成するための重要なマイルストーンになるとわれわれは考えている」。