Up

OpenAI : Sora"

作成: 2026-01-28 更新: 2026-01-28

---

Sora は， 　　Transformer＋拡散モデル の動画生成モデル。 （「純Transformer」に対して，ハイブリッド型) ○ 課題 時間方向の一貫性 (物体の継続性など) ユーザ指示忠実性 ○ 出力 (現時点) 最大約1分 の動画を 視覚的一貫性を保持しながら生成 ○ 品質 生成が非常に遅い場合があるという声（数分〜数十分） 指示に忠実でない，連続性が不十分という不満 ○ 限界 (計算コストの爆発) ゲーム型画像生成は，原理的には可能だが，社会的には破産する。 Sora は，“賢さ” よりも “電力と計算量の露呈” を可視化してしまう存在 ○ 基本設計（公式概要） ・Transformer ベース／拡散モデル統合 　・GPT 系の Transformer アーキテクチャ 　　　　モデル規模のスケーリング 　　　　テキスト理解 　　　　指示順守 　　 　・映像生成部は 拡散モデル（Diffusion Model） 　　 　ノイズから高品質映像を段階的に生成 　　これは DALL·E などの画像生成と同じ方向性だが， 　　時間軸（連続したフレーム）を扱う能力が加わる。 ・Space-Time アプローチ 逐次的にフレームを重ねる方法では，物体の継続性や運動の連続性を扱えない。， そこで，時空間全体をモデル化する （Space-Time, Transformer統合） 全フレームを同時に処理する フレーム列をパッチ化し，トークン化 （パッチ化・トークン化は，画像と同様の方法論） Space-Time U-Net などの 時空間表現を扱うネットワークを設計 ・統一データ表現 動画も画像も 小さなパッチ（patch） の集合として扱う テキスト指示，画像，動画をすべて同一の Transformer パッチ表現にマッピング ・物理的整合性 (因果と連続性) 物理的な動きやオブジェクトの継続性を高めるような損失関数・訓練目的をもたせる 現実ではあり得ない動きや物体の変形（モーフィング）を抑えるために，物理法則の Training を強化。 ○ モバイル向けの軽量化研究 モバイル上で Sora 風の動画生成を可能にする。 ・問題 生成の計算量削減 時間方向トークンの結合 ・方法 Temporal Token Merging 動的メモリロード 反復ステップ削減